Le data scientist sera-t-il "le métier le plus sexy du XXIe

siècle", comme l’affirme la Harvard Business Review ?

Traditionnellement, les statistiques détaillent les
caractéristiques de la population, déterminent des
méthodes de recueil des données, effectuent des
collectes spécifiques à une question précise et dressent
une analyse, généralement pour repérer des tendances.
Ce paradigme évolue.
Comment changer de paradigme d’analyses compte tenu des nouvelles
caractéristiques des bases de données ?

Le changement de paradigme d’analyses ne remet pas en cause en bloc l’ensemble

des approches scientifiques préexistantes. L’IMPACT cycle, qui se décline dans les
six étapes suivantes, reste un cadre analytique pertinent :

- Identifier les questions (identify) ;

- Maîtriser les données au niveau de la technologie (master) ;

- Apporter du sens et contextualiser (provide the meaning) ;

- Formuler des recommandations opératoires (actionnables recommandations) ;

- Communiquer (communicate insights) ;

- Suivre l’application des recommandations (track outcomes).

Toutefois, de nouveaux paramètres entrent dans la pratique du data scientist. Ainsi,

l’effort de contextualisation revêt une importance bien plus forte qu’hier. Les
techniciens en statistiques formés à l’ancienne école sont-ils en mesure d’y procéder
? On peut en douter. Désormais, la personne en charge de l'analyse statistique en
entreprise ne peut plus se contenter d’appliquer une technique, aussi sophistiquée

http://www.lesechos.fr/
soit-elle, de façon relativement isolée et en se donnant le temps de l’analyse. Il doit
s’adapter à un rythme proche du temps réel, intégrer une vision globale de
l’entreprise et communiquer ses résultats de façon lisible et frappante. En outre, il ne
peut plus se cacher derrière une trop faible disponibilité de données.

En 2011, McKinsey a estimé que l’on manquerait de 140 000 à 190 000 data
scientists à l’horizon de 2018. Qui est ce data scientist tant recherché ? C’est un
professionnel certes doté de compétences techniques, mais aussi d’une solide
curiosité et d’un désir de faire des découvertes dans le monde des big data. Or
aujourd’hui, l’offre de programmes formant spécifiquement de tels profils n'est pas
large. Il n’y a pas non plus de consensus sur le rôle d’une telle fonction dans
l’organisation, ni sur la mesure de sa performance.

Cependant, le rôle pivot de l’Analytics est reconnu. Rappelons-nous le film Moneyball

(Le Stratège pour le titre en français), basé sur une histoire vraie, où le personnage
joué par Brad Pitt parvient, grâce à l’analyse de données de jeu, à conduire une
piètre équipe de base-ball jusqu’à la victoire en championnat national. Là où la
qualité des joueurs et les moyens financiers ne suffisaient pas, il a su interpréter les
statistiques pour comprendre comment faire jouer son équipe différemment des
autres. Celle-ci a gagné grâce à cet avantage compétitif. Ne peut-il pas en être de
même pour l’entreprise ?

Le data scientist doit avoir des connaissances mathématiques et statistiques, voire

technologiques, mais aussi une expertise de terrain — ce qui est relativement
nouveau. Surtout, il doit être malin, voire manipulateur, une sorte d'hacker sur les
données... Un statisticien classique travaille souvent sur des jeux de données qui,
suite à un traitement préliminaire, sont complètes et nettoyées, tandis qu’un data
scientist doit toujours exploiter des données incomplètes et brutes.

Le premier a l'habitude de dresser son analyse et établir un rapport figé, tandis que
le second continue à explorer ses données pour identifier de nouveaux phénomènes.
Les résultats du premier souvent aident à mesurer la performance du passé, alors
que ceux du second ont l'objectif d'aider à prendre des décisions opérationnelles sur
les produits stratégiques futurs, et parfois même en temps réel.

Le développement de cette fonction se heurte à un certain nombre d’obstacles dans

les organisations. Ainsi, les entreprises ne disposent pas nécessairement des
compétences nécessaires, ni des moyens afférents. Toutes n’ont pas une structure
organisationnelle adaptée à cette nouvelle approche. D’autres encore souffrent de
lacunes technologiques ou d’une absence de soutien de la direction générale.

http://www.lesechos.fr/
À mon avis, l’innovation la plus importante, et par conséquent la plus difficile à mettre
en œuvre, ne tient ni à la technologie ni à la méthodologie, mais à la culture de
l’organisation. L’entreprise ne peut plus se contenter d’investir dans une technique,
dans une technologie et dans des données. Le big data l’oblige à opérer une
véritable révolution organisationnelle qui implique aussi une collaboration plus étroite
avec le monde de la recherche académique précédée par une forte sensibilisation à
ces thématiques au niveau du board et de l'équipe dirigeante de l'entreprise.

http://www.lesechos.fr/