Dans cet article, on vous parle des différences entre Data Scientist et Data Analyst, de leurs rôles et responsabilités en start-up et de leur complémentarité.
Pour vous aider dans vos choix, ont vous donne aussi quelques conseils pour décider quels profils recruter en fonction de vos besoins et de votre stade d’avancement !
1. La Data, une mine de connaissance désormais à la portée de toutes les entreprises
Avec le développement du Cloud, il existe désormais de nombreuses solutions de traitement et de stockage de la donnée à un coût raisonnable. Alors qu’il fallait investir dans des serveurs physiques souvent disproportionnés par rapport aux volumes de données produites par les entreprises; on peut désormais stocker, traiter et analyser la donnée d’une multitude de sources à une vitesse folle grâce aux solutions des GAFA ou de spécialistes de la Data comme Snowflake (qui vient de s’introduire à la bourse de New York).
Avec cette vue holistique, les entreprises peuvent piloter finement leurs activités, leurs investissements et prendre de meilleures décisions. Mais encore faut-il avoir ces capacités analytiques en interne !
C’est pourquoi une nouvelle “famille” de métiers a fait son apparition depuis quelques années : celle des métiers de la Data et plus particulièrement les métiers de Data Analyst et de Data Scientist.
Des métiers d’avenir :
“Data Analyst et Data Scientist sont les deux métiers les plus recherchés en 2020”
World Economic Forum
La demande pour ces métiers est en très forte croissance, à tel point qu’ils occupent les deux premières places du classement des métiers les plus recherchés en 2020 par The World Economic Forum.
Et cette tendance n’est pas prête de changer à moyen terme.
Une étude d’Accenture montre que 86% des entreprises sont conscientes qu’elles doivent s’appuyer sur l’IA pour atteindre leurs objectifs de croissance mais aussi que 86% déclarent avoir des difficultés à le mettre en place.
2. Data Analyst & Data Scientist, quels rôles et quels profils ?
Ces deux métiers sont encore souvent confondus, à tel point qu’il n’est pas rare de voir des offres d’emploi maladroites user des deux noms.
Bien qu’ils aient tous deux pour but d’analyser et d’exploiter la donnée, leurs rôles et leur profil “type” sont pourtant bien différents. Commençons par le rôle du Data Analyst !
Data Analyst, le référent Data
Le Data Analyst a une double casquette, à la fois business et technique. Il est en charge de comprendre le métier des différentes équipes (marketing, produit, finance…) pour identifier leurs besoins en Data et en analyses qu’il peut réaliser grâce à ses compétences techniques (SQL, Python et outils Data principalement).
Le Data Analyst n’est pas seulement un “prestataire” interne : meilleur connaisseur de la Data de l’entreprise, il est aussi force de proposition d’analyses et d’améliorations business.
C’est LE profil à avoir dans son équipe quand on souhaite vraiment avoir une culture “data-driven”.
Ses principales missions sont généralement :
a. La réalisation de dashboards de suivi de KPIs.
Cela permet aux équipes de piloter plus facilement leur activité sans perdre de temps à mettre à jour les données. Par exemple, un Data Analyst peut créer un dashboard automatisé de suivi des performances et des budgets de tous les canaux marketing de l’entreprise et calculer ainsi un coût d’acquisition agrégé.
b. La réalisation d’A/B tests.
Il peut proposer des expérimentations (produit, marketing…), les mettre en place avec les équipes opérationnelles et mesurer leur impact sur un ou plusieurs indicateurs donnés.
c. La réalisation d’analyses ad-hoc.
Le Data Analyst peut aussi expliquer certaines variations dans les KPIs en croisant les données. Il mène l’enquête pour donner des recommandations.
Il peut, par exemple, réaliser des analyses de segmentation client : en croisant toutes les caractéristiques des utilisateurs, il dresse un portrait robot des utilisateurs les plus actifs, ou des utilisateurs “dormants”… Pour ainsi vous permettre de personnaliser vos actions commerciales ou Produit !
d. La gestion de la Data.
Il porte la connaissance de l’ensemble des données de l’entreprise et il doit gérer son organisation avec les équipes techniques.
Data Scientist, le technicien de la Data
Le Data Scientist a quant à lui un rôle plus spécifique, moins transverse, plus “mathématique” et plus technique. Il est celui à avoir dans son équipe quand on cherche à “prédire le futur”.
Ses principales missions sont généralement :
a. La création d’algorithmes de machine learning.
C’est-à-dire des algorithmes visant à prédire un phénomène à partir des données du passé. Apprendre à détecter les utilisateurs qui vont se désinscrire ou encore développer un système de recommandation en sont des exemples classiques.
b. L’analyse de la qualité des algorithmes développés.
Il faut étudier les prédictions qui sont faites et s’assurer que l’algorithme est toujours aussi performant dans le temps. L’algorithme arrive-t-il toujours aussi bien à détecter les utilisateurs qui s’en vont ?
c. La mise en production.
L’ensemble des algorithmes doivent communiquer avec le reste de la stack technique et doivent donc obéir à des standards de qualité et de disponibilité (cf. article Tribes sur comment choisir sa stack dat-analytics). Combien de fois va s’exécuter l’algorithme ? Ou seront sauvegardés les résultats ?
Des parcours académiques globalement différents
Ces deux rôles nécessitent de solides compétences en analytique. Néanmoins, le profil de Data Scientist requiert un niveau en mathématiques et en informatique plus élevé pour être en mesure d’implémenter ces algorithmes mais surtout pour en interpréter les résultats ! Sans formation initiale en mathématique ou en tant qu’ingénieur, il sera plus difficile d’occuper ce poste.
3. De quels profils ai-je besoin pour mon entreprise et à quel stade de développement ?
Il est important de distinguer deux types d’entreprises, celles dont le cœur du produit est un algorithme d’IA versus les autres.
Entreprises IA, des Data Scientists seront nécessaires
Évidemment, si le cœur d’activité de votre entreprise est un produit reposant sur de l’IA avec du machine learning, des profils de Data Scientists vous seront alors très rapidement nécessaires. Leur niveau technique leur permet d’être de véritables couteaux suisse dans l’entreprise. Vous gagnerez donc en agilité en les intégrant dans vos projets mais attention à ne pas les “perdre” en leur proposant trop d’analyses et pas assez “d’algorithmes”.
Les Data Analysts sont les garants d’une culture “Data-driven”
Dans la grande majorité des entreprises, le profil de Data Analyst sera à privilégier.
Leur double casquette business / technique leur permet d’être pertinents et de délivrer rapidement là où vous en aurez le plus besoin. Ils pourront également inculquer la culture Data dans vos équipes en place et concevoir l’architecture pour la supporter.
A titre d’exemple, la licorne française, Doctolib, a d’abord capitalisé sur des Data Analysts pour développer leur produit et fournir à chaque équipe les ressources nécessaires en Data. Ce n’est que récemment qu’elle a construit son équipe de Data Scientists pour créer des algorithmes prédictifs.
4. Quelle synergie entre ces deux métiers ?
L’équipe de Data Analysts aide les Data Scientists à identifier les données les plus pertinentes à utiliser pour leurs algorithmes. Les Data Analysts peuvent également mesurer l’impact de leurs algorithmes en production sur tous les KPI de la société.
Réciproquement, les Data Scientists aident les Data Analysts dans leurs analyses en leur apportant tout un set de nouvelles techniques.
Ensemble, ils contribuent à l’évangélisation de la Data dans l’entreprise en co-construisant ce que l’on appelle la Data gouvernance qui désigne à la fois :
- La formation en interne des autres équipes à la Data
- La création d’un “répertoire” des métriques utilisées et de leurs calculs dans leurs entreprises
- La documentation sur les données disponibles ainsi que leur accessibilité : qui a accès à quelle donnée dans l’entreprise ?
- La réglementation RGPD
C’est main dans la main qu’ils développent ainsi la culture Data de l’entreprise et en définissent son organisation.
5. Quelles évolutions pour ces métiers ?
A long terme, je pense que c’est toute l’entreprise qui devra monter en compétence en Data : les équipes Produit, Marketing, Sales Ops, Account Management et Finance devront être capables de faire leurs propres analyses elles-mêmes et de créer leurs dashboards. C’est la vision derrière le mouvement de la “self data” porté par des produits comme Looker (racheté en 2019 pour 2,6 Mds de dollars par Google).
De la même façon que l’anglais est devenu une compétence obligatoire pour beaucoup de postes, le “parler Data” deviendra aussi une compétence obligatoire pour décrocher un poste dans beaucoup de métiers du digital.
C’est pour cette raison que j’ai créé le programme Data For Pro d’Emil : pour permettre à toutes les personnes qui manipulent de la donnée au quotidien sans être Data Analyst de devenir vraiment autonome dans leurs analyses. En 45h de formation, vous pouvez faire vos propres requêtes SQL, analyser vos données en Python et automatiser vos Dashboards avec Google Data Studio.
Le Data Analyst aussi, montera en compétence. Il aura à sa disposition de plus en plus d’outils qui utiliseront de façon automatique l’intelligence artificielle. Sa palette technique sera alors plus proche de celle d’un Data Scientist d’aujourd’hui et ses missions, plus axées sur l’analyse transversale et moins sur la mise en place de tableaux de bord.
Le métier de Data Scientist deviendra alors un métier de “niche” très technique et tourné à 100% vers le développement de nouveaux algorithmes de machine learning avec une spécialisation sur leurs mises en production.
