Les organisations cherchant à recruter un data scientist se posent très souvent la question du type de profil nécessaire. Les data scientists sont des talents difficiles à trouver, souvent

chers, et il est donc important de bien définir les conditions et les objectifs de ce recrutement. Rechercher un data scientist ne fait pas que répondre à la mode du moment, la démarche doit

s’inscrire dans la stratégie et les besoins de l’entreprise, et permettre d’améliorer l’utilisation de données. Recruter un data scientist, c’est réfléchir aux enjeux de l’organisation et à

sa stratégie de transformation. De la donnée à la compétence métier, qu’est-ce qu’un data scientist ? Un data scientist est un spécialiste des données, capable d’extraire des informations

(clustering, statistiques, machine learning, réseaux neuronaux, Natural Language Processing, optimisation sous contrainte, prédiction, modélisation, etc.). En fonction des besoins, les

profils de data scientists peuvent être spécialisés sur différentes parties de la chaîne de valeur des données : les bases de données et leur conception/programmation, la préparation des

données, les classes de modèles d’analyse/prédiction, la visualisation des données. De plus, les data scientists peuvent avoir une expérience forte dans le métier ou le secteur, ce qui

pourra renforcer leur impact, leur capacité à comprendre les données de manière contextuelle, et avoir des visualisations personnalisées pour les utilisateurs de l’entreprise. Intégrer un

data scientist dans l’organisation D’une manière générale, avant de recruter un data scientist, il faut définir assez précisément les problématiques techniques, les types de données et les

tâches qu’il devra accomplir. Pour l’organisation, il vaut mieux être lucide sur la qualité et le volume des données qui seront disponibles, pour anticiper les étapes préalables de

préparation / nettoyage de bases de données, de gouvernance et d’homogénéité des données. Les équipes opérationnelles doivent être prêtes à intégrer les méthodologies particulières en data

science, et savoir définir un problème précis sur lequel le data scientist pourra travailler efficacement. Le type d’utilisateur sera également important. Si les résultats ont plutôt

vocation à être utilisés par les managers, les opérationnels pour comprendre l’information et prendre des décisions, la capacité à communiquer et mettre en place des visualisations adaptées

est clé ; Si au contraire les résultats sont destinés à être consommés par des processus informatiques, l’intégration sera toute autre. Les moyens de la réussite La question du placement

dans l’organisation est également importante : Le data scientist doit-il faire partie d’une organisation centralisée, de façon à concentrer ces compétences spécifiques acquérir plus

rapidement une masse critique interne ? Ou doit-il au contraire être positionné près des métiers pour avoir des échanges fréquents avec eux et maximiser la conduite du changement vers ces

nouvelles approches ? Quelle relation avec la DSI, et comment s’interfacer avec les besoins importants en accès aux données et à des capacités de calcul ? Dans un contexte de transformation

digitale de l’entreprise, ces questions sont essentielles. Par ailleurs, les data scientists ont des besoins spécifiques en termes d’outils, de développement informatique, et de puissance de

calcul. L’entreprise devra investir des moyens permettant de travailler dans les meilleures conditions, avec des mises en place de solutions pour gérer la qualité et le management des

données, la visualisation, l’accès simplifié aux différentes plateformes internes et externes, et une bonne culture générale sur la donnée pour savoir l’utiliser dans un contexte industriel

et opérationnel. _XAVIER BRUCKER_