Des métiers de la data au-delà du titre « data scientist »

En 2011, la Harvard Business Review a qualifié la data science de « métier le plus sexy du XXIe siècle ». Depuis, la demande n’a cessé de croître. Fortune a rapporté que les offres pour les data scientists ont connu une hausse de 480 % depuis 2016. Une telle accélération a même conduit à une pénurie de 250 000 professionnels de la data en 2020.

Hélas, celles et ceux qui visent un poste en data science peuvent vite se décourager. Un simple coup d’œil à une fiche de poste révèle une liste de compétences impressionnante. La forte concurrence autour de ces postes a, de plus, conduit nombre de candidats à voir leur emploi de rêve leur échapper.

Pourtant, on ignore souvent que la trajectoire de carrière d’un data scientist n’est pas linéaire. Des postes qui ne portent pas le titre de « data scientist » permettent d’acquérir des compétences clés en data science ! Statistiques, manipulation de données, apprentissage automatique, programmation, sens du business et capacités de storytelling : autant d’atouts essentiels pour un data scientist.

Voici quelques rôles qui peuvent servir de tremplin vers votre objectif de devenir data scientist. Qu’ils soient techniques ou non techniques, ces métiers peuvent vous ouvrir les portes du secteur.

Rôles data non techniques

Data/analytics translator 

Surnommé par McKinsey « le rôle indispensable », l’analytics translator aide les dirigeants à prioriser leurs problématiques métiers puis à transmettre ces objectifs aux équipes data. Il obtient l’adhésion des décideurs et s’assure que la solution conçue par les équipes data génère de la valeur business. 

« Vous décodez en permanence des notions techniques et amenez tout le monde à parler le même langage », explique Gruschow, analyste technique chez Fortive, en décrivant son rôle. Selon McKinsey, un bon candidat possède un esprit entrepreneurial, de solides compétences en gestion de projet et une aisance générale avec la technologie (sans exiger d’expertise en programmation). Si vous vous reconnaissez, le métier d’analytics translator pourrait bien vous convenir. 

Product manager en data science

Les product managers en data science (PM) pilotent la feuille de route des produits data, de l’idée au lancement. En collaboration avec les équipes métier, ils identifient comment la data science peut répondre aux enjeux business. Ils travaillent ensuite main dans la main avec les professionnels de la data et les développeurs pour définir les exigences, superviser le développement et fixer les indicateurs de succès.

Un product manager échange en permanence avec un large éventail de parties prenantes (Source)

Chaque entreprise conçoit des produits data qui lui sont propres. Un product manager dans une société de business intelligence peut superviser le développement d’un outil de visualisation, tandis qu’un autre, dans une plateforme de streaming, pilotera la feuille de route d’une fonctionnalité de recommandation intégrée. Les profils à l’aise avec la gestion de parties prenantes et dotés d’une compréhension large de la data science font d’excellents candidats. 

Consultant en stratégie data 

Les consultants en stratégie data conçoivent, bâtissent et déploient des stratégies data pour améliorer la performance des entreprises. Ils travaillent avec les dirigeants pour évaluer les capacités data d’une organisation et proposer des feuilles de route vers une entreprise véritablement pilotée par les données.

Ils identifient comment les technologies data peuvent adresser les problèmes métier. La stratégie varie selon la maturité de l’organisation. Pour une structure jeune, le consultant pourra recommander la mise en place d’outils de gestion et de gouvernance des données. Pour une organisation plus mature, il suggérera des solutions cloud innovantes. Les candidats ayant une expérience préalable du conseil apprécieront ce rôle. Une connaissance pratique de divers cadres data (gouvernance des données, data management, business intelligence, analytics avancée, machine learning et plateformes cloud) est un atout décisif. 

Chef de projet technique

Les chefs de projet techniques planifient, organisent et pilotent des projets data science. Ils gèrent les ressources allouées afin de livrer à temps, dans le budget et dans le périmètre convenus. 

Parce qu’ils suivent le projet de l’idéation au déploiement, leur périmètre est large : cadrage, planification des tâches, évaluation des jalons, communication avec les parties prenantes et maintien de la vision produit. Pour coordonner des équipes pluridisciplinaires, ils s’appuient sur des méthodologies de développement comme Scrum et Agile. 

La méthodologie Agile (Source)

Le rôle de chef de projet technique convient à celles et ceux qui disposent déjà d’une expérience managériale. Un bagage technique en data science, en génie logiciel ou en UI/UX est un avantage pour décrocher un poste de PM technique. 

Rédacteur technique 

À mesure que les produits data se multiplient et gagnent en ampleur, le besoin de documentation technique augmente. Une documentation claire et concise reste l’un des meilleurs moyens pour un développeur de transmettre des instructions aux utilisateurs finaux.

Exemple de documentation technique par Twilio (Source)

Le rédacteur technique comble cet écart en produisant des guides de démarrage, une documentation produit détaillée et des références d’API pour des produits techniques. Il collabore étroitement avec les ingénieurs, les product managers et les program managers pour concevoir la documentation. Une formation technique facilite l’échange avec les équipes. Si ce métier vous attire, pensez à intégrer des échantillons de vos écrits techniques à votre portfolio avant de vous lancer dans votre recherche. 

Rôles data techniques

Business intelligence analyst

Le business intelligence analyst mobilise l’analytics et la visualisation de données pour aider les organisations à prendre des décisions basées sur les données. Son quotidien consiste à interpréter des données clés pour générer des insights. Pour les communiquer, il met à jour des indicateurs et des visualisations sous forme de tableaux de bord ou de présentations. Il maîtrise donc les bases de données (SQL), les outils de business intelligence (comme Tableau) et les tableurs (comme Excel).

Un projet stimulant pour les BI analysts est l’automatisation des reportings existants. Par exemple, chez HelloFresh, des BI analysts ont supprimé les rapports manuels en créant des tableaux de bord en temps réel. L’équipe marketing s’appuie ensuite sur ces rapports pour optimiser ses campagnes et, à terme, améliorer la rétention client.

Exemple de tableau de bord Power BI

Data analyst

Le data analyst partage de nombreux points communs avec le BI analyst. À l’instar de ce dernier, il fournit des métriques fiables et extrait des insights actionnables pour aider les parties prenantes à prendre des décisions fondées sur les données. 

Dans certaines entreprises, le data analyst peut participer à des projets d’analytics avancée. Il travaille alors avec les équipes produit, métier et ingénierie pour éclairer des décisions clés. Par exemple, on peut lui confier la création d’une segmentation client, utilisée ensuite pour élaborer des stratégies spécifiques à chaque segment.

Les data analysts peuvent réaliser des segmentations clients (Source)

Selon le périmètre, un data analyst doit maîtriser non seulement SQL, les outils de BI et les tableurs, mais aussi un langage de programmation (comme Python ou R). Une solide base en statistiques est également précieuse pour les projets d’analytics avancée. 

MarketingOps analyst

Le marketing operations analyst met en place les processus marketing et analyse la performance des actions. Cela inclut, par exemple, la gestion des leads et l’engagement client via un CRM. Il analyse les données clients et fournisseurs pour identifier des opportunités et optimiser les parcours marketing. Il peut, par exemple, conduire une analyse d’entonnoir pour détecter le maillon faible de la conversion. 

Exemple d’analyse d’entonnoir (Source : Clevertap) 

Les marketing ops analysts peuvent également mener des tests d’hypothèses pour optimiser les performances. Avec un A/B testing rigoureux, un analyste peut découvrir que des émojis dans les objets d’e-mail améliorent nettement le taux de clics auprès des publics plus jeunes. Ce rôle constitue un excellent tremplin pour les profils attirés par le marketing. Il est aussi adapté aux jeunes diplômés : selon la NCSU, jusqu’à 45 % des offres de marketing ops analyst exigent moins de 2 ans d’expérience et 80 % requièrent un diplôme de licence.

Financial analyst

Les financial analysts examinent les données financières, identifient des opportunités d’investissement et évaluent les impacts des recommandations business. Concrètement, ils analysent l’interaction entre facteurs macroéconomiques, conditions microéconomiques et fondamentaux d’une entreprise. Les chiffres financiers sont leur quotidien : marge brute, marge nette, taux de croissance, rendement des capitaux propres, bénéfice par action, etc., pour évaluer la santé d’une société. 

Ils établissent aussi des projections de performance et de valorisation grâce à des méthodes statistiques (comme la régression) et à des modèles financiers avancés (comme l’actualisation des flux de trésorerie).  

Exemple d’analyse de régression simple réalisée par un financial analyst (Source)

Selon Investopedia, les titulaires d’une licence — de préférence en comptabilité, économie, finance ou statistiques — ou d’un MBA ont de bonnes chances d’accéder à ce métier.

Machine learning engineer (MLE)

Selon LinkedIn, le métier de MLE fait partie des 25 intitulés de poste en plus forte croissance en 2022. Les MLE conçoivent, développent et mettent en production des modèles d’apprentissage automatique. Ils maîtrisent ainsi la conception d’architectures, l’orchestration de pipelines de machine learning et la supervision des solutions en production. 

Par exemple, chez un acteur du VTC, un MLE peut surveiller le temps nécessaire à l’IA de mise en relation en production pour associer un conducteur à un passager. Il travaille avec les data scientists afin que ce délai ne dépasse pas un seuil défini. Ce rôle convient aux profils dotés de fortes compétences en programmation, comme les ingénieurs logiciels ou data engineers. Une base solide en mathématiques et statistiques, ainsi qu’une bonne compréhension des modèles d’apprentissage automatique, est indispensable. 

Construisez votre carrière dans la data 

Les candidats focalisés sur le seul titre de data scientist peuvent passer à côté d’opportunités précieuses. Notre conseil ? N’hésitez pas à viser d’autres intitulés si vous pouvez acquérir des compétences en data science sur le terrain. Comme le disait Steve Jobs avec justesse : « on ne peut pas relier les points en regardant vers l’avenir… il faut faire confiance au fait qu’ils se relieront d’eux-mêmes dans votre futur ».

Cet article a d’abord été publié sur la DataCamp Certified Community, une plateforme exclusive pour les apprenants ayant validé l’une des certifications DataCamp. Pour accéder à cette communauté et à encore plus de contenus pour garder une longueur d’avance dans la data, obtenez votre certification dès aujourd’hui !