Le 15 octobre, nous organisons un webinar sur ce que les responsables L&D doivent savoir sur la culture des données. L’un des axes clés consiste à développer les bonnes compétences pour chacun de vos principaux personas data. Voici un aperçu de ce que vous allez apprendre.
Les défis de la montée en compétences pour la culture des données
La culture des données est une méthode pour répondre à des enjeux métiers, et non une compétence unique à enseigner et à apprendre, contrairement aux approches L&D traditionnelles. Quand on fait monter en échelle des programmes de formation à la culture des données, les parcours d’apprentissage varient selon le niveau d’interaction de chacun avec les données. Par exemple, un analyste marketing qui travaille régulièrement sous Excel devra peut-être apprendre R ou Python pour exceller dans son poste, tandis qu’un manager ou un dirigeant aura surtout besoin de savoir prendre des décisions éclairées par les données.
Pourquoi adopter une méthodologie guidée par les personas
Des parcours d’apprentissage fondés sur les rôles et guidés par des personas sont plus efficaces pour déployer des programmes de culture des données à grande échelle. Même si chaque organisation et ses données sont uniques, on observe des points communs dans la manière dont les individus interagissent avec les données. Une façon pertinente de penser et de structurer vos efforts de montée en compétences data consiste à utiliser des personas. Chaque persona a une relation différente aux données et nécessite des compétences spécifiques en culture des données pour être pleinement opérationnel. Les organisations peuvent ensuite associer leurs différents rôles à ces personas et proposer des expériences d’apprentissage personnalisées et ciblées selon les besoins.
1. Consommateurs de données et dirigeants
Les consommateurs de données et les dirigeants occupent souvent des fonctions non techniques, mais ils exploitent des insights et des analyses pour prendre des décisions basées sur les données. Ils doivent fréquemment échanger avec des professionnels des données et être capables de distinguer quand les données peuvent — ou non — répondre à une question métier.
Technologies et outils courants
Feuilles de calcul : Google Sheets, Microsoft Excel Business Intelligence : Power BI, Tableau
Exemples d’intitulés de poste
Chief Marketing Officer, Responsable des ressources humaines, Head of Sales
2. Business analysts
Les business analysts sont chargés de transformer les insights en actions concrètes qui améliorent la rentabilité ou l’efficacité. Ils possèdent une connaissance approfondie du domaine métier et utilisent souvent SQL avec des outils sans code pour communiquer les enseignements tirés des données.
Technologies et outils courants
Feuilles de calcul : Google Sheets, Microsoft Excel Business Intelligence : Power BI, Tableau SQL : PostgreSQL, SQL Server, Oracle SQL
Exemples d’intitulés de poste
Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst
3. Data analysts
À l’instar des business analysts, les data analysts analysent les données et restituent les insights issus de leurs analyses. Ils maîtrisent le flux de travail d’analyse de données et communiquent leurs résultats via une combinaison d’outils avec et sans code.
Technologies et outils courants
Langages de programmation : Python, R Feuilles de calcul : Google Sheets, Microsoft Excel Business Intelligence : Power BI, Tableau SQL : PostgreSQL, SQL Server, Oracle SQL
Exemples d’intitulés de poste
Data Analyst, Business Analyst, Supply Chain Analyst, Operations Analyst, Financial Analyst
4. Data scientists
Les data scientists explorent, extraient et restituent des insights pertinents à partir des données de l’organisation. Ils communiquent ces enseignements à des parties prenantes non techniques et maîtrisent les workflows d’apprentissage automatique ainsi que leur application aux enjeux métiers. Ils travaillent quasi exclusivement avec des outils de programmation, mènent des analyses et utilisent souvent des outils big data.
Technologies et outils courants
Langages de programmation : Python, R, Scala SQL : PostgreSQL, SQL Server, Oracle SQL Outils big data : Airflow, Spark
Exemples d’intitulés de poste
Data Scientist, Data Analyst, peut inclure un « citizen data scientist » (c’est-à-dire une personne qui effectue des tâches de data scientist sans en avoir le titre).
5. Machine learning scientists
Les machine learning scientists conçoivent des systèmes d’apprentissage automatique à l’échelle. Ils génèrent des prédictions à partir des données grâce à des modèles de machine learning pour résoudre des problèmes comme la prédiction du churn ou de la valeur vie client, et sont responsables du déploiement de ces modèles pour l’usage de l’organisation.
Technologies et outils courants
Langages de programmation : Python, R, Scala SQL : PostgreSQL, SQL Server, Oracle SQL Outils big data : Airflow, Spark Outils en ligne de commande : Git, Shell
Exemples d’intitulés de poste
Data Scientist, Research Scientist, Machine Learning Scientist, Machine Learning Engineer
6. Statisticiens
Proches des data scientists, les statisticiens mènent des analyses hautement rigoureuses, incluant la conception et le suivi d’expérimentations comme les tests A/B et les tests d’hypothèses. Ils se concentrent sur la quantification de l’incertitude et la présentation de résultats nécessitant un niveau d’exigence exceptionnel, par exemple en finance ou en santé.
Technologies et outils courants
Langages de programmation : Python, R SQL : PostgreSQL, SQL Server, Oracle SQL
Exemples d’intitulés de poste
Quantitative Analyst, Inference Data Scientist, Data Scientist
7. Programmeurs
Les programmeurs sont des profils très techniques au sein des équipes data. Ils automatisent les tâches répétitives liées à l’accès et à la manipulation des données de l’organisation. À la croisée du génie logiciel et de la data science, ils maîtrisent parfaitement le déploiement et le partage de code à l’échelle.
Technologies et outils courants
Langages de programmation : Python, R, Scala Outils en ligne de commande : Git, Shell
Exemples d’intitulés de poste
Software Engineer, Data Scientist, Dev-Ops Engineer
8. Data engineers
Les data engineers veillent à ce que les bonnes données parviennent aux bonnes personnes. Ils créent et maintiennent l’infrastructure et les pipelines qui acheminent des téraoctets de données brutes issues de sources diverses vers un référentiel centralisé contenant des données propres et pertinentes pour l’organisation.
Technologies et outils courants
Langages de programmation : Python, R, Scala SQL : PostgreSQL, SQL Server, Oracle SQL Outils en ligne de commande : Git, Shell Outils big data : Airflow, Spark Plateformes cloud (p. ex. Amazon Web Services)
Exemples d’intitulés de poste
Software Engineer, Data Engineer, Dev-Ops Engineer
