Entreprise cherche data scientist idéal et vice versa
⏱ 5 min[vc_row][vc_column][vc_column_text]Grand groupe ou start-up, les entreprises n’ont pas du tout les mêmes besoins en data science. Et il est aussi important – et en général difficile – pour les entreprises de les exprimer que pour les data scientists de cerner les enjeux numériques et les attentes des employeurs. D’autant plus que les contours de ces profils restent souvent mal définis. Décryptage !
La vague de la data science touche de nombreux secteurs. Beaucoup d’entreprises veulent lancer une stratégie autour de la data, créer un département dédié, capitaliser sur leurs données… et recruter des data scientists. Encore faut-il être capable de définir ses besoins. Ce qui n’a rien d’évident, tant cette transformation digitale sous-tend de changements. « Parfois, les données des entreprises ne sont tout simplement pas utilisables en l’état, explique Kawtar Benyoussef, consultante du cabinet Upward data, branche data du cabinet de recrutement Upward. Parfois, c’est l’infrastructure qui manque pour qu’un data scientist travaille correctement et valorise les données de l’entreprise. Dans ce cas, c’est un data ingénieur qu’il faut recruter, pour rendre la donnée exploitable [nous consacrerons prochainement un article à ce profil très demandé, NDLR]. Nous conseillons les entreprises pour déterminer les profils dont ils ont besoin selon leur maturité. Parfois aussi, notamment quand l’infrastructure n’est pas au niveau, nous les orientons vers des cabinets de conseil en data. »
Même des start-up spécialisées dans la data ont parfois du mal à cerner leurs besoins. « Nous avions un « trou dans la raquette » entre nos data scientists et nos ingénieurs développement, se souvient Joseph Dureau, CTO de SNIPS. Nous cherchions des profils capables de créer de l’infrastructure, mais au service de la recherche, de fournir et de faire évoluer les environnements d’expérimentation des modèles de nos data scientists, et non de production. Nous avons inventé le profil de research engineer ! Ensuite, il nous a encore fallu six mois pour trouver les bonnes personnes… »
Quel profil, pour faire quoi ?
Il faut dire que la palette de métiers dans la data est large. En voici quelques-uns. Le data scientist pur est l’expert en mathématique, statistique, informatique, qui sait coder et transformer une problématique métier en une problématique mathématique : il manie analyse de données, conception d’algorithmes et machine learning. Le data analyst utilise, quant à lui, des outils statistiques ou informatiques déjà développés pour explorer les données de l’entreprise, et en tirer profit : c’est un expert de l’analyse qui aime les chiffres et les enjeux business. Le data architecte met en place l’infrastructure technique pour la collecte et le traitement de gros volumes de données : il apport une vision d’ensemble et une cohérence selon les enjeux de l’entreprise. Le data ingénieur gère et fait évoluer les bases de données et les infrastructures big data. L’expert en data visualisation créé des applications pour mettre en scène les données et les présenter à des acteurs sans expertise technique.
Sans parler des nouveaux métiers comme le research ingénieur cité plus haut, le machine learning ingénieur (lire l’article « data ingénieur : l’expert au plus proche de la donnée), ou encore le consultant data hybride (à l’interface entre le data scientist et les équipes business, il est censé comprendre comment tournent les algorithmes, et savoir vulgariser la technique). Car, de plus en plus de ces métiers sont aussi exercés en consultant prestataire ou en freelance. C’est notamment le cas des data architectes qui ont souvent quelques années d’expérience et sont employés ponctuellement, pour une mission de six mois ou un an, pour créer l’infrastructure d’une entreprise.[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_cta h2= » »]
3 questions à Amandine Bugnicourt, directrice associée du cabinet de conseil en recrutement de docteurs Adoc Talent Management
Y a t-il un marché dans la data science pour les docteurs/PhDs?
Oui ! Les demandes augmentent même plus vite que l’offre. Depuis cinq ans, nous en avons de plus en plus, dans tous les domaines, de l’aéronautique aux banques et assurances, en passant par le marketing digital, des grandes entreprises aux start-up. Il est même plus difficile de les pourvoir cette année qu’il y a trois ans.
Pourquoi recruter ces profils ?
Ils sont particulièrement appréciés par les PME qui se remettent en question et cherchent une nouvelle proposition de valeur autour d’une nouvelle approche, liée à la data. Ils apportent une culture de l’innovation, absente jusque-là souvent, et sont capables de mettre en place un processus de recherche, du fondamental à l’application. Ce sont de véritables ambassadeurs scientifiques pour ces sociétés qui n’ont pas de département R&D. Grâce à leur maturité, ils permettent à l’entreprise de faire les bons choix et rapidement.
D’où viennent-ils ?
Évidemment de cursus de maths appliquées ou d’informatique, ainsi que d’un tas de domaines comme l’astrophysique, les sciences pour l’ingénieur, la sociologie, l’économétrie, la biomodélisation… autant de profils qui n’ont pas forcément de grosses compétences en machine learning ou en informatique, qui n’ont pas conçu d’algorithmes, mais qui savent les utiliser, préparer les données et en brasser de grosses quantités.[/vc_cta][/vc_column][/vc_row][vc_row][vc_column][vc_empty_space][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
Rechercher l’adéquation
Ce n’est pas forcément plus facile de trouver l’entreprise de ses rêves côté candidats. Et cela même si ce marché, qui remonte seulement au début des années 2010 et touche tous les domaines d’activités ou presque, assure plusieurs offres d’emploi aux jeunes diplômés, souvent avant même la fin de leurs études. Quelques acteurs peuvent les aider à s’y retrouver, comme Data recrutement ou Upward data, qui publie chaque année son Guide des entreprises qui recrutent en data. Le site web du cabinet de recrutement fourmille également d’informations, tant pour les entreprises que pour les candidats : témoignages, conseils en recrutement, description de postes ou encore coaching en ligne…
Dans quel type d’entreprise postuler ? Pour un candidat junior, en sortie d’école, il peut être intéressant de rejoindre un grand groupe. Ceux-ci disposent en général de moyens financiers importants, de jeux de données et d’une infrastructure conséquente. S’ils ont une stratégie en matière de transformation digitale, les projets peuvent être en nombre. Et l’encadrement de seniors est un gage d’évolution. Les start-up actives autour de la data ont moins de moyens, mais disposent, en général, d’expertises techniques pointues d’un excellent niveau. Leurs projets sont nécessairement plus ciblés, et on y industrialise plus souvent les solutions. Tout dépend de ce que l’on cherche.
Côté entreprise, il faut avant tout être capable d’analyser le parcours d’un data scientist. « On nous missionne pour différents profils, nous avons notamment développé une expertise sur le recrutement de data scientists qui ont entre cinq et dix ans d’expérience, précise Kawtar Benyoussef. Notre rôle est de décoder les CV. Nous savons sur quels sujets un data scientist a travaillé selon les entreprises où il a été et les projets auxquels il a participé. Cela nous permet souvent d’avoir une idée du niveau technique du candidat. Nous sommes aussi capables d’anticiper les tendances et les évolutions du marché. » Beaucoup de chasseurs de tête tentent également de débaucher les data scientists en poste.
Des métiers en évolution
Toutes ces spécificités expliquent que les processus de recrutement en data science ne ressemblent à aucun autre. Ils sont particulièrement lourds pour un data scientist pur en raison de sa double casquette de technicien et de consultant. Le marché devrait continuer à être porteur longtemps, avec une diversité de secteurs et d’entreprises. Ce qui pourrait changer d’ici trois ou quatre ans, lorsque le marché aura atteint un stade de maturité, c’est l’apparition de data experts spécialisés par branche métier : télécoms pour les uns, e-commerce pour les autres, etc. Et peut-être des profils plus stabilisés tant en termes de métiers que de dénomination.
Isabelle Bellin
[/vc_column_text][/vc_column][/vc_row]
