Les data scientists développent des soft skills pour faire évoluer leur entreprise.
Les data scientists ont le vent en poupe. Dans son rapport de 2017, « U.S. Emerging Jobs Report » (Les métiers émergents aux États-Unis), LinkedIn révèle que « les postes de data scientist ont augmenté de 650 % depuis 2012 » et que « des centaines d'entreprises ouvrent ce type de poste » dans de nombreux secteurs. Et la demande commence à suivre : « les ingénieurs machine learning, les data scientists et les ingénieurs Big Data se classent parmi les premiers métiers émergents ».
Mais, étant donné que davantage de services et de rôles sont amenés à travailler avec les données, les entreprises assistent à une augmentation générale de la connaissance des données et à l'apparition de davantage de data scientists ordinaires. Gartner définit le data scientist ordinaire comme étant « une personne qui crée ou génère des modèles utilisant des analyses diagnostiques avancées ou des fonctionnalités d'analyses prédictives et prescriptives, mais dont le cœur de métier n'appartient pas aux domaines des statistiques et de l'analytique ». Ces employés ne remplacent pas les data scientists. Au contraire, ils deviennent leurs partenaires pour le développement et le test d'hypothèses.
Ce phénomène fait évoluer la définition de la data science et brouille les frontières entre les employés disposant d'une expertise classique en matière de données et ceux disposant d'une bonne connaissance des unités métier. Sonic Prabhudesai, responsable des analyses statistiques chez Charles Schwab explique : « De plus en plus d'employés des unités métier se familiarisent avec les données, tandis que les data scientists comprennent de mieux en mieux les mécaniques des unités métier ».
Aujourd'hui, on attend des data scientists qu'ils aient des compétences poussées en matière de statistiques et de machine learning, mais également un bon esprit stratégique pour prendre des décisions métier, et une connaissance approfondie de leur secteur d'activité. « La data science ne se résume pas à décortiquer des chiffres : c'est la mise en application de nombreuses compétences afin de résoudre un problème particulier dans un secteur spécifique », explique N. R. Srinivasa Raghavan, Chief Data Scientist Monde chez Infosys. « Les data scientists ont besoin de bien comprendre le domaine dans lequel leurs découvertes vont être appliquées ».
Les résultats produits par les algorithmes et les modèles sont efficaces uniquement s'ils permettent de résoudre le bon problème dans le bon contexte. Il faut donc collaborer avec les intervenants pour identifier et redéfinir la problématique, ainsi que l'hypothèse, dès le début du processus et les impliquer tout au long du workflow. Puis, à la fin du workflow, il faut savoir communiquer les résultats aux partenaires de façon pertinente et exploitable.
« Aujourd'hui, la connaissance des modèles statistiques et du machine learning sont des prérequis pour devenir data scientist », explique Sonic Prabhudesai. « Ce qui fait la différence, c'est votre capacité à communiquer vos résultats de manière simple mais exploitable. » Les data scientists ne se contentent plus de transmettre des résultats. Au contraire, ils ont un rôle central à jouer dans l'application de ces résultats dans les unités métier.
Grâce aux outils d'analytique en libre-service, les utilisateurs expérimentés peuvent, tout comme les data scientists, explorer et mieux comprendre leurs données. Cela permet de découvrir des informations exploitables qui peuvent orienter le reste de l'analyse et, au final, faire évoluer l'entreprise.