logo
Populate the side area with widgets, images, navigation links and whatever else comes to your mind.
18 Northumberland Avenue, London, UK
(+44) 871.075.0336
ouroffice@vangard.com
It’s working
Follow us
It’s working
Yeahhh
Data_scientist interview

Data scientist, meilleur métier au monde ?

Docteur en sciences de l’informatique, Arlind est data scientist depuis maintenant sept ans. Intervenu sur des missions pointues au sein de grandes sociétés internationales notamment avec Brandsetter à Toulouse, Arlind a accepté de nous livrer sa vision du métier de data scientist et sa place dans les entreprises.

Partons à ses côtés à la découverte de ce métier en vogue, considéré comme le meilleur métier au monde par Glassdoor, où la donnée est reine !

• • • Comment définirais-tu la data science en quelques mots ?

Les entreprises, les organisations et les individus laissent aujourd’hui de nombreuses traces de forme digitale. Il s’agit de la data. Ces traces peuvent être mises à la poubelle ou être utilisées. Et c’est là que la data science intervient ! La data science s’intéresse à la valeur des données qu’elles soient analytiques et/ou prédictives. Avec une quantité et une qualité suffisante de données, nous pouvons apprendre beaucoup. On n’est pas là sur de la simple surveillance de données mais plutôt sur de la compréhension et de la projection vers l’avenir. 

• • • Les entreprises déploient de plus en plus une stratégie « data centric ». Quels en sont leurs enjeux ?

On utilise la data comme un miroir pour mieux se voir, mieux se cerner. La récolte de données et leurs exploitations permettent d’avoir un regard sur notre activité, notre fonctionnement … Les données permettent de poser des questions difficiles, complexes et d’avoir une vision sur du long-terme. 

Pour se faire, il faut une stratégie bien réfléchi. On a besoin de collecter des data informatives, avec une bonne qualité et quantité. Si nous avons des incohérences ou des trous d’information, le risque de mal analyser et donc de mal comprendre et par conséquent d’apporter de mauvaises recommandations est important.

L’autre axe très important est la connaissance métier. Les experts data ne connaissent pas ou peu les besoins métier. L’analyse data, sans les bons filtres et les bonnes intentions, peut s’avérer inutile. 

• • • Quels sont les domaines d’application de la data science ? 

La data science s’applique aujourd’hui dans tous les domaines où il y a des données : la finance, les banques, l’industrie, le commerce, le marketing, la science, le sport, les paris sportifs, le pharmaceutique …  

Les grands acteurs du Web ont été les pionniers de la data science. Google stocke et analyse des milliards de pages web, mais aussi toutes les traces des ses utilisateurs. Avec ces données, ils offrent un moteur de recherche difficile à battre, des services de traduction, un service payant de référencement, un assistant vocal… Quant à Amazon, ce géant du e-commerce trace les transactions sur son site de vente pour ensuite réaliser des recommandations produit intelligentes. Sans cette grande base de données acquise au fil des années, Amazon, Google, Facebook n’en seraient pas là aujourd’hui.

Prenons maintenant l’internet des objets (Internet of Things). Les objets connectés permettent  aux sociétés d’accéder à des données inédites. On connait désormais nos performances sportives avec les smart watches, nos déplacements avec le systèmes GPS de nos téléphones. L’IoT nous permet d’imaginer des villes intelligentes … Avec des capteurs connectés, on pourra demain par exemple surveiller la propreté de nos villes, de nos piscines. Analyser pour mieux prédire, voilà la clé.

• • • Peux-tu expliquer la différence entre le machine learning et le deep learning ? 

Le machine learning est une branche de l’intelligence artificielle, où l’objectif est d’apprendre automatiquement des modèles à partir de data collectées. 

Le deep learning est une forme de machine learning. La différence est qu’il se base sur plusieurs couches de réseaux de neurones. C’est une branche du machine learning qui évolue beaucoup aujourd’hui et qui trouve des applications dans des champs comme la classification d’images, la reconnaissance vocale, les véhicules autonomes …  

• • • Qui se cache derrière le métier de data scientist ?  

👉 un matheux, un statisticien, un scientifique

👉 un bon communicant doté d’une facilité à appréhender les besoins métier

👉 un informaticien, avec une palette d’outils tels que le machine learning, l’analyse statistique …

👉 un curieux avant tout !

• • • Quels types de projets sont propices à la data science ?

👉 là où on veut/peut améliorer les processus

👉 là où il est important d’être compétitif à une virgule près

👉 là où le problème est complexe et la data abondante

👉 là où l’intuition humaine ne suffit pas

• • • Quels sont les pré-requis au lancement d’un projet de data science ? 

Il n’y pas de règles prédéfinies. Les projets de data science commencent avec de la data et des besoins métiers.

Parfois les entreprises ont un capital data qu’elles exploitent seulement pour faire de la surveillance de processus. Ces données peuvent s’avérer très importantes pour comprendre pourquoi les choses vont mal ou bien. Ainsi, on peut les utiliser pour anticiper des risques, choisir des stratégies, …

Quand les données n’ont pas été collectées par l’entreprise, il n’est pas trop tard pour réunir autour de la table des experts métiers et data et mettre en place une stratégie de recueil de la data, qui permettra ensuite d’améliorer potentiellement les services existants ou d’en créer de nouveaux.

Enfin, il faut savoir que la data science dans certains cas ne s’applique pas, notamment si la qualité ou la quantité des données n’est pas au rendez-vous.

• • • L’agilité appliquée à la data science, ça donne quoi ?

L’agilité s’applique à la data science comme sur les projets software et permet de recueillir des retours utilisateur sur des temps réduits. Les projets de data science peuvent être très couteux en temps et en argent, de par notamment leur complexité. Dans ce contexte, le suivi et le découpage sont essentiels.  On évite ainsi de passer des mois avant de comprendre qu’on est partie dans la mauvaise direction et/ou qu’on est loin des besoins business. 

• • • Qu’est-ce qu’un bon data scientist, selon toi ? 

👉 c’est un informaticien qui fait de la bonne data science 😀

👉 c’est quelqu’un qui a souvent résolu l’équation: data + contexte métier + outils = valeur

👉 c’est quelqu’un qui parvient à mettre au service des besoins du quotidien des outils complexes

👉 c’est quelqu’un qui arrive à comprendre les besoin business et qui parvient à bien expliquer ces apports souvent complexes

👉 c’est quelqu’un qui sait qu’il faut essayer plein d’options et qu’il faut être systématique

👉 c’est quelqu’un qui n’est pas dans la data juste seulement parce que c’est la mode

• • • Selon Glassdoor, le métier de data scientist est considéré comme le meilleur au monde, tu confirmes ? 

C’est un métier intéressant et valorisant. Les défis et les besoins sont au rendez-vous. Si l’intelligence artificielle n’a pas réussi dans les années 80, 90, et 2000, aujourd’hui on y croit. 

On demande à la data science de faire la différence, d’améliorer les performances des entreprises, de personnaliser les services offerts, de recommander des produits, de prédire la bourse, de détecter la fraude bancaire, de dessiner des oeuvres d’arts … 

Il y a bien sûr des limites, mais c’est déjà génial d’en être arrivé là. Les data scientists sont aujourd’hui catapultés au coeur de la compétitivité des entreprises. Il nous ait demandé de contribuer à concevoir l’entreprise/la société du demain où l’homme sera assisté, voire remplacé… La data science ne remplacera pas l’homme, …mais la data peut lui faciliter la vie.

👋 Vous êtes à la recherche d’un Data Scientist pour une mission de courte ou longue durée ? Contactez-nous, nous serons ravis d’échanger avec vous autour de vos besoins !

No Comments

Post a Comment