Les entreprises ont des besoins croissant en data scientists et ont du mal à recruter. Les data scientists, déjà peu nombreux, préfèrent de plus en plus souvent travailler en dehors des structures traditionnelles, en free-lance ou dans des start-up attractives. De surcroît il ne suffit pas d’être diplômé pour être un bon data scientist, qui doit non seulement avoir une formation théorique et technique mais aussi une connaissance approfondie des problématiques métier. Tout ceci concourt à des niveaux de salaire élevés.
Dans le secteur du data marketing pourtant, les data scientists contribuent à développer la connaissance clients, optimiser la relation client, identifier de nouvelles niches, augmenter le revenu… et sont donc devenus indispensables. Une solution : faire monter en compétence des profils internes… Découvrez comment.
Qu’est-ce qu’un bon data scientist ?
Un bon Data Scientist n’est pas seulement un mathématicien, un dataminer, un super-codeur. C’est avant tout quelqu’un qui doit résoudre des problématiques spécifiques à un secteur d’activité, à partir des données dont il dispose. En Marketing, ceci implique la connaissance approfondie des offres, des enjeux, des circuits de ventes, de la gestion des achats, des bases de données, etc. Ces compétences essentielles demandent un temps d’apprentissage important. Les jeunes diplômés ont souvent besoin de plusieurs années en entreprise pour parvenir à mettre en pratique leurs acquis théoriques pour résoudre les problèmes concrets de l’entreprise.
Data marketing : où trouver le data scientist idéal ?
Plusieurs solutions sont possibles pour disposer de bons profils data scientists :
- la plus évidente : embaucher un data scientist ayant plusieurs années d’expérience en data marketing. Mais, on l’a vu, ce sont des profils rares et chers.
- la plus économique : guetter les jeunes diplômés à la sortie des grandes écoles ou des nouvelles formations qui voient le jour, et d’investir sur une formation métier en interne. Mais ici encore l’offre est anémique au regard des besoins, et on mise là sur le temps, donc la fidélité du jeune embauché.
- la plus efficiente : trouver un candidat data scientist en interne ! Mais quel est son profil idéal ?
Il faut d’abord identifier un (e) collaborateur (trice) qui a la volonté d’évoluer dans son poste. Les data scientists étant âprement convoités par les entreprises, c’est une belle opportunité. Il y a ensuite deux options. Aller chercher un profil métier, un analyste marketing, ou un chargé de campagnes par exemple. Ou bien un profil IT, pour qui les données n’ont pas de secret. Chacun de ces deux profils a des avantages. Le choix dépend du contexte de chaque entreprise.
Quels outils pour le candidat data scientist ?
Une fois le candidat data marketing identifié , il faut lui donner les outils lui permettant de déployer son talent en devenir. Un candidat data scientist interne n’est pas data scientist de formation, il n’a pas suivi des années de cours théoriques et de stages pratiques. Sauf à lui faire suivre une formation longue et technique, qui peut le décourager, les outils qu’il utilisera ne peuvent pas être pris dans la panoplie classique. Et pour cause, ce n’est pas tant la facilité d’utilisation qui doit être recherchée, que la facilité de conception du process analytique complet, de la transformation des données au déploiement final des modèles prédictifs. La facilité de mise en œuvre du process ne venant que dans un second temps. Paradoxalement, les outils destinés aux utilisateurs métier présupposent un dataset déjà constitué, qui représente pourtant à lui seul 80% de la charge de travail. Il en émane une impression de simplicité qui ne résiste pas à l’épreuve de la réalité.
La solution idéale devrait répondre aux exigences suivantes :
- sécurité : l’outil doit guider le nouvel utilisateur, pour lui éviter toute manipulation dangereuse, pour l’alerter sur les anomalies dans les données, pour éviter les erreurs méthodologiques,
- simplicité : on ne peut demander à un néophyte de faire des choix parmi les algorithmes de machine learning, encore moins de réaliser les paramétrages nécessaire, Il faut donc des choix optimaux par défaut
- métier : c’est à l’outil de s’adapter, et apporter nativement les réponses aux problématiques les plus fréquentes : suivre des KPI, mais aussi construire et déployer des segmentations marketing, des scores d’appétence, des recommandations produits …
- intuitivité : c’est une qualité générale, mais encore plus nécessaire pour des novices
La plate-forme KNOWLBOX®, solution pour faire face à la pénurie de data scientists
La plate-forme data marketing KNOWLBOX a été initialement conçue comme l’assistant du data scientist. Elle automatise toutes les tâches habituellement réalisées par un data scientist expert et intègre même des « réflexes experts« . Elle combine des alertes, des profils clients, des modèles prédictifs éprouvés et performants. En automatisant les tâches les plus chronophages mais essentielles, en réduisant le process analytique en 5 étapes clés, elle facilite, accélère et sécurise les projets de data science quotidiens.
Outil expert, KNOWLBOX est apprécié des data scientists chevronnés. Mais c’est aussi la solution idéale du data scientist néophyte.
Reposant sur du code SQL, un des 3 langages les plus demandés aux data scientists, elle permet de plus aux profils IT d’avoir « la main sur le code », pour réaliser les traitements et les extractions de données les plus complexes.
La plate-forme KNOWLBOX permet aux data scientists novices de prendre confiance et d’évoluer sereinement vers des compétences plus pointues. Adaptée à la fois aux deux profils marketing et IT, elle offre aussi la possibilité de constituer des binômes de nouveaux data scientists, qui s’épauleront et deviendront une véritable data science dream team .
