Les organisations ont besoin d'équipes data performantes
Les organisations génèrent aujourd'hui plus de données que jamais. Forbes indiquait qu'en 2018, plus de 2,5 quintillions d'octets de données étaient produits chaque jour, et que plus de 90 % des données mondiales avaient été générées au cours des deux années précédant la publication de l'article. Certains pays en produisent encore davantage. En 2018, CNBC rapportait que la Chine avait généré 7,6 zettaoctets de données, un volume qui devrait atteindre 48,6 Zo en 2025. Les États-Unis affichent des volumes similaires.
Une grande partie de ces données recèle des insights actionnables qui ne sont pas exploités. D'après Forrester, 60 à 73 % des données des organisations ne sont pas utilisées à des fins d'analytique.
Les organisations réellement data-driven exploitent les données à grande échelle pour créer de la valeur. Par exemple, Uber a massivement investi dans une plateforme permettant de livrer efficacement plus de 100 pétaoctets de données à ses équipes data via une interface simple, plateforme qu'ils ont fait évoluer pour traiter plus d'un milliard de commandes Uber Eats et plus de 24 millions de miles parcourus. Grâce à des tests A/B, Netflix génère 20 à 30 % de vues supplémentaires en modifiant simplement l'image associée à un film ou une série.
Il est clair que des insights à forte valeur ajoutée attendent les organisations capables de naviguer dans des gisements de données vastes et complexes. Cette création de valeur n'est possible qu'avec une équipe data complète et très performante.
Les rôles data au sein d'une équipe gagnante
Plusieurs rôles clés sont indispensables pour bâtir une équipe data efficace. Dans ce livre blanc, DataCamp décrit huit rôles, ou personas, que l'on retrouve dans toute organisation data-driven. Les intitulés peuvent varier d'une structure à l'autre, mais nous présentons ici cinq rôles essentiels à une équipe solide : business analyst, data analyst, data scientist, machine learning scientist et data engineer.
Business analyst
Les business analysts augmentent la rentabilité et l'efficacité grâce aux insights tirés des données. Ils complètent leur connaissance approfondie du métier par des compétences en analyse et en visualisation de données, et restituent les insights aux publics concernés.
Compétences clés : manipulation de données, visualisation de données, reporting, statistiques de base Outils : tableurs (Excel, Google Sheets), outils de business intelligence (Tableau, PowerBI), SQL
Recommandations de cours : Introduction to SQL, Data Analysis in Spreadsheets / Excel, Marketing Analytics in Spreadsheets, Financial Analytics in Spreadsheets
Data analyst
Les data analysts jouent un rôle proche de celui des business analysts : ils analysent les données et en tirent des enseignements pour orienter la performance. Leurs compétences se recoupent, mais les data analysts traitent des problématiques moins définies, qui exigent une maîtrise plus poussée du workflow analytique, en combinant outils avec et sans code.
Compétences clés : manipulation de données, visualisation de données, reporting, import et nettoyage de données, probabilités et statistiques
Outils : R ou Python, tableurs (Excel, Google Sheets), outils de business intelligence (Tableau, PowerBI), SQL
Recommandations de cours : Data Analyst Career Track (R - 16 cours/Python - 16 cours), Cleaning Data in R/Python, Time Series Analysis in SQL
Data scientist
Les data scientists occupent une fonction nettement plus technique, travaillant principalement avec des outils de programmation pour explorer, extraire et produire des insights et de la valeur. Ils doivent maîtriser les workflows d'analyse de données et d'apprentissage automatique, et savoir traiter des données non standard et des environnements big data.
Compétences clés : manipulation de données, visualisation de données, reporting, import et nettoyage de données, probabilités et statistiques, apprentissage automatique
Outils : R, Python, Scala, outils big data (Airflow, Spark), SQL, outils en ligne de commande (Git, Shell)
Recommandations de cours : Data Scientist Career Track (R - 22 cours/Python - 23 cours), Sentiment Analysis in Python, Introduction to Git
Machine learning scientist
Les machine learning scientists conçoivent et industrialisent des systèmes d'apprentissage automatique à l'échelle. Ils génèrent des prédictions à partir de modèles de machine learning de tous types pour résoudre des problématiques 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.
Compétences clés : manipulation de données, visualisation de données, import et nettoyage de données, probabilités et statistiques, apprentissage automatique, data engineering Outils : R, Python, Scala, outils big data (Airflow, Spark), SQL, outils en ligne de commande (Git, Shell) Recommandations de cours : Machine Learning Scientists Career Track (R - 14 cours/Python - 23 cours), Image Processing in Python, Machine Learning with PySpark
Data engineers
Les data engineers construisent les pipelines qui acheminent les bonnes données vers les bonnes personnes. Ils rassemblent de grands volumes de données issues de sources diverses dans un référentiel centralisé, afin que chaque rôle data puisse travailler sur des données propres, pertinentes, conformes et exploitables.
Compétences clés : manipulation de données, import et nettoyage de données, data engineering, programmation avancée Outils : Python, Scala, outils big data (Airflow, Spark), SQL, outils en ligne de commande (Git, Shell), plateformes cloud (ex. AWS) Recommandations de cours : Data Engineer with Python Career Track (25 cours), Introduction to Airflow in Python, Streaming Data with AWS Kinesis and Lambda
Comment créer une équipe data gagnante
Étude de cas
Après avoir clarifié les responsabilités de chaque rôle, voyons comment ils collaborent en contexte business pour créer de la valeur au travers d'un exemple réel : une équipe data qui tire parti d'un modèle de churn client.
Dans ce cadre, les data engineers s'assurent que les data scientists et les machine learning scientists disposent de données de haute qualité pour développer et mettre en production le modèle. Ils veillent à la qualité des données et au respect des droits d'accès pour chaque jeu de données. Ils livrent aussi les données de façon facilement accessible, avec les métadonnées et variables nécessaires à une analyse efficace.
Ensuite, les data scientists et les machine learning scientists travaillent de concert pour créer un modèle précis de prédiction du churn. Ils doivent garantir l'exactitude et l'interprétabilité du modèle, sa capacité à être intégré à un processus métier, et maintenir ses performances sur des données non vues une fois déployé.
Enfin, les data analysts et les business analysts exploitent ensemble les sorties du modèle pour prendre des décisions créatrices de valeur. Ils peuvent allouer les budgets marketing selon la probabilité de churn par client et apporter aux décideurs des éléments factuels expliquant pourquoi certains segments sont plus susceptibles de décrocher.
Comme dans la majorité des projets data, chaque rôle contribue à l'extraction de valeur à partir des données.
La voie vers une équipe data efficace commence par vos talents
Les métiers de la data restent très recherchés malgré le ralentissement des recrutements lié à la pandémie, figurant à deux reprises dans le top 3 du rapport annuel de LinkedIn sur les emplois émergents. Fin 2020, Deloitte indiquait que 23 % des organisations faisaient face à un écart majeur ou extrême entre leurs besoins en IA et leurs capacités actuelles. En 2021, Deloitte publiait un rapport soulignant que, pour pallier la pénurie de talents data, les organisations doivent combiner recrutements sélectifs et montée en compétences ciblée.
Compte tenu de cette pénurie, il est essentiel d'allier recrutement sélectif et formation continue pour constituer des équipes data hautement qualifiées, capables de créer de la valeur. Cela passe par des parcours d'apprentissage personnalisés, conçus pour chacun de ces rôles. Chez DataCamp, nous proposons à chaque apprenant des parcours adaptés à son niveau et à ses objectifs, lui permettant d'évaluer, d'apprendre, de pratiquer et d'appliquer de nouvelles compétences data. Avec DataCamp for Business, vos apprenants bénéficient de parcours sur mesure, afin d'aligner les programmes de formation sur vos objectifs et défis spécifiques. Découvrez comment transformer vos talents avec DataCamp.
DataCamp for Business propose une plateforme d'apprentissage interactive pour les entreprises qui doivent faire monter en compétences ou requalifier leurs équipes sur les sujets data. De la culture des données et la data science au data engineering et au machine learning, plus de 1 600 entreprises font confiance à DataCamp for Business pour développer les compétences de leurs talents.