Bien composer ses équipes pour aborder la science des données

Par La rédaction, publié le 16 janvier 2019

Sur fonds de pénurie des compétences dans ce domaine, de nombreuses entreprises mettent en place des équipes de scientifiques des données sans toujours bien comprendre l’étendue ou la richesse des compétences requises, à la fois techniques et non techniques. Il en résulte un décalage entre les attentes et les capacités qui entrave les progrès vers des résultats transformateurs pour l’entreprise.

Par Alecander Linden, Carlie Idoine, Jim Hare et Erick Brethenoux, Gartner

Les scientifiques des données, notamment ceux qui viennent d’obtenir leur doctorat en machine learning (apprentissage automatique), manquent souvent d’expérience et d’expertise dans les domaines d’applications et d’industries spécifiques. Ils n’ont pas non plus la compréhension opérationnelle suffisante des objectifs cruciaux de l’entreprise. Et souvent pas plus de connaissance des enjeux techniques liés aux infrastructures de traitement analytique.

L’objectif est alors de cartographier les besoins et de trouver la bonne correspondance entre les compétences – au niveau d’expérience requis – et les rôles à assurer. Dans le domaine de science des données, les compétences s’examinent selon quatre axes : celles, propres au domaine, liées à
l’analyse quantitative ; celles en informatique et en architecture soutenant l’exécution ; celles liées au secteur d’activité de l’entreprise et en stratégie d’entreprise ; enfin celles dites sociales ou humaines de leadership, de travail en équipe et de communication.

Ces compétences sont à mettre en face des tâches propres aux projets d’exploitation des données et aux rôles qui en découlent : le guidage et l’inspiration ; la formulation et la hiérarchisation des projets ; la collecte et l’intégration des données ; la préparation des données ; la compréhension et l’analyse des données ; la création de modèles de machine learning ; enfin la mise en œuvre de ces modèles.

En particulier le rôle de guidage et d’inspiration est loin d’être négligeable tant les entreprises manquent encore d’expérience en matière de sciences de données et, notamment, de machine learning. Rentrent dans ses attributions l’éclairage sur les cas d’usage possibles, le lancement de projets réalistes sur le plan financier, et la présentation des résultats des projets à la direction générale.

Idéalement, les équipes ne comprennent pas uniquement des scientifiques des données, mais donc, également, des profils aguerris en matière de gestion de projet, des ingénieurs des données, des experts du domaine, des analystes de données, des ingénieurs en logiciels et des architectes d’entreprise. Les ingénieurs des données ont notamment pour mission de rendre les données techniquement accessibles et disponibles, qu’il s’agisse de données opérationnelles, d’entraînement, de validation… Les analystes de données ont parfois des compétences équivalentes à celles des scientifiques des données mais, le plus souvent, ils sont essentiellement recrutés pour leurs compétences en analyse statistique.

La position centrale des scientifiques des données est à examiner selon la mission qui leur est confiée, à savoir : la transformation des données en connaissances capables de résoudre des problèmes opérationnels par des moyens que ne permet pas l’ingénierie logicielle traditionnelle.

On distingue couramment trois niveaux d’ancienneté ou d’expérience pour les scientifiques des données – débutant, intermédiaire et confirmé -, avec chacun ses points forts, dont ils devront faire la preuve au moment des entretiens d’embauche.
Si les débutants sortent la plupart tout juste du cycle d’enseignement, ils sont aussi de plus en plus recrutés en interne – on parle alors de scientifiques des données citoyens (citizen data scientists), avec un niveau de compétence technique alors plus limité. Ils réalisent une bonne partie du travail pratique de science des données. Leurs compétences seront ainsi exploitées dans les tâches d’analyse des données et de création des modèles, là où les profils confirmés montreront plus souvent leur savoir-faire dans les rôles d’inspiration et de hiérarchisation des projets. Entre les deux, les scientifiques des données intermédiaires sont ceux qui sont techniquement les plus au point, ont le plus d’expérience dans le domaine comme dans la contextualisation métier et du secteur d’activité, et même dans le management au jour le jour des projets.

Une telle organisation permettra une meilleure responsabilisation des personnes et des schémas de progression continue attractifs.