Data Science : ces experts de la prise de décision stratégique en entreprise

Si par le passé la prise de décision en entreprise se faisait avec une bonne dose de flair et de pragmatisme, aujourd’hui elle s’appuie plus que jamais sur des données scientifiques. Nouveau graal des entreprises, le Big Data a propulsé les experts de la data sur le podium des métiers les plus convoités. On les appelle Data Scientist, AI Engineer ou Machine Learning Engineer. Qui sont ces différents professionnels de la Data Science ? Quelles sont leurs spécialités ? Quelles formations mènent à ces jobs d’avenir ? C’est parti pour une plongée au cœur de la Matrice.

La Data Science : une discipline en vogue

En 2012, il est qualifié de « job le plus sexy du XXIe siècle » par la Harvard Business Review. En 2023, il se situe tout en haut du classement LinkedIn des métiers les plus en demande dans le monde. L’expert en IA et en Data Science est depuis quelques années la rockstar du marché de l’emploi et l’un des profils les plus recherchés. En France, une étude de l’OPIIEC prévoyait une hausse de 59 % des demandes de spécialistes en IA et Data Science sur la période 2019-2023.

Cela n’a rien d’étonnant quand on sait que le volume de données générées à l’échelle mondiale a été multiplié par plus de trente au cours de la dernière décennie. Avec le développement rapide d’outils d’IA génératives, comme ChatGPT ou Dall-e, et des objets connectés : la Data Science a encore de beaux jours devant elle !

Mais qu’est-ce que la Data Science ou « science des données » ? Du fait de son appellation trompeuse, on pourrait penser qu’il s’agit d’observer des données au microscope. C’est presque ça… Il s’agit de traiter, d’analyser et d’interpréter les données pour prendre de meilleures décisions business. Selon Olivier Chotin, consultant et mentor chez OpenClassrooms, « le rôle de la Data Science est de donner du sens à la donnée, afin de créer de la valeur pour l’entreprise ».

La data science permet à toutes les entreprises, des grands groupes de distribution jusqu’aux start-ups tech, d’avoir une connaissance très pointue de leurs clients et des usages qu’ils font de leurs produits/services : qui achète quel produit, à quelle fréquence, dans quelle tranche de prix ? Quel type de promotions fonctionne le mieux ? Quels sont les signaux faibles et les tendances émergentes ?

Grâce à ces informations précieuses, les entreprises sont en mesure de prendre des décisions optimales, notamment dans les domaines du marketing et de la vente, pour améliorer leurs performances. Mais qui sont ces acteurs de la Data Science capables de transformer des grands volumes de données en or ?

Dessine-moi les métiers de la Data Science

Spoiler alerte : la Data Science ne comprend pas que des data scientists. En fait, c’est une grande famille qui réunit d’autres professionnels aux appellations un peu plus énigmatiques, comme le Machine Learning engineer et le AI engineer. Ces titres vous échappent ? Pas de panique : on vous aide à y voir plus clair.

Comme nous l’explique Olivier Chotin : « Le data scientist, le Machine Learning engineer et l’AI engineer ont tous comme point commun de mettre en place des algorithmes et de s’appuyer sur les possibilités offertes par le Machine Learning ou le Deep Learning (deux formes d’intelligence artificielle) pour créer des modèles et mieux tirer profit des données. Mais, au-delà de ça, ils ont des domaines de spécialité différents. » Zoomons tout de suite sur ce qui les rend uniques.

Le data scientist, l’interprète de la data

Véritable touche-à-tout, il intervient tout au long du parcours des données – de leur collecte à leur mise à disposition auprès des équipes. C’est un caméléon qui est capable de se glisser, tour à tour, dans la peau d’un statisticien, mathématicien, programmeur, chef de projet et consultant. Dans l’équipe, c’est lui qui collabore de manière étroite avec les métiers ; il se doit donc d’être un excellent communicant.

Son rôle ? Récupérer des données brutes, les traiter et les interpréter.
Son but ? Rendre une information exploitable et la valoriser pour apporter des réponses aux métiers (ex : marketing, ventes, logistique…).
Ses compétences ? Selon Olivier Chotin : « Ce métier demande des compétences variées : il faut savoir coder, élaborer des modélisations d’algorithmes mais aussi rédiger des rapports et les communiquer aux responsables d’une entreprise… En fait, c’est un vrai mouton à 5 pattes. » Les « social skills » sont essentielles dans ce poste axé sur la capacité à comprendre les besoins, à communiquer des résultats et à travailler de manière transversale avec tous les métiers. Cette vision globale de l’entreprise, couplée à une expertise pluridisciplinaire (ex: algorithmique, statistique, analytique, stratégique…), fait du data scientist un acteur clé de l’entreprise. Un profil idéal pour chapeauter les équipes data.
Exemples de projets ? Il peut être amené à traiter les données pour implémenter un modèle de crédit scoring dans une banque et restituer les résultats aux chargés de clientèle sous forme de dashboard.

N.B : Attention à ne pas confondre le data scientist avec le data analyst. Ce dernier est moins généraliste, et se concentre sur l’analyse de données une fois que celles-ci ont été récoltées et traitées par le Data Scientist. Voilà… Maintenant vous savez !

Machine Learning engineer, l’entraîneur d’algos

Tel un coach qui préparerait un athlète pour une compétition, le Machine Learning engineer entraîne des algorithmes à faire des prédictions ou à automatiser certaines tâches avec toujours plus de précision. La machine « apprend » à devenir meilleure au fil du temps, c’est pourquoi on parle de Machine Learning. Doté de compétences techniques plus avancées que le Data Scientist, c’est un vrai pro des algos !

Son rôle ? Entraîner et déployer des modèles d’apprentissage automatiques en utilisant une palette d’algorithmes : supervisés, non supervisés ou encore réseaux de neurones profonds (Deep Learning).
Son but ? Faire des prédictions/recommandations et automatiser des tâches.
Ses compétences ? « Par rapport au Data Scientist, il est moins orienté métier et est plus pointu sur la conception de modèles auto-apprenants et la mise en place d’algorithmes complexes en Deep Learning », comme l’explique Olivier Chotin. Il doit savoir implémenter une démarche MLOps complète de gestion du cycle de vie des modèles de bout en bout, pour automatiser les processus d’entreprise et améliorer leur efficacité. Ainsi, il doit posséder des compétences avancées en modélisation de données et en architecture des données, maîtriser les langages de programmation (Python, R et Java) et les frameworks de Machine Learning (TensorFlow ou Keras).
Exemple de projets ? Il peut, par exemple, être amené à faire des prédictions pour améliorer les ventes d’une entreprise ou réaliser un moteur de recommandations pour une plateforme de vidéos à la demande.

AI engineer, le connecteur de neurones

À la question « les machines peuvent-elles penser comme un être humain ?», l’AI engineer répond par un grand oui. Pourquoi ? Parce qu’il est capable de créer des programmes informatiques intuitifs qui imitent l’intelligence humaine. Un métier très technique, parfait pour tous les passionnés d’IA qui rêvent d’un monde où humains et machines vivraient (et communiqueraient) en parfaite harmonie.

Son rôle ? Concevoir, mettre en place et optimiser des systèmes d’IA.
Son but ? Apprendre aux machines à raisonner comme un être humain.
Ses compétences ? Selon Olivier Chotin : « On lui demande autant qu’un ingénieur Machine Learning au niveau technique, mais avec une plus forte spécialisation en intelligence artificielle ». Ainsi, il doit posséder une expertise variée en développement logiciel, programmation, science des données et ingénierie des données. Un profil très complet et de haut niveau, qui doit être en mesure de concevoir et mettre en œuvre des modèles d’algorithmes sophistiqués qui utilisent des réseaux neuronaux (Deep Learning). Il doit aussi avoir de bonnes capacités de communication pour travailler en équipe et expliquer les concepts techniques aux non experts.
Exemple de projets ? Il va, par exemple, participer à la conception d’une voiture autonome ou d’un outil d’IA générative comme ChatGPT.

Comme vous l’aurez compris : alors que le data scientist a une approche généraliste et orientée métier, le Machine Learning engineer et l’AI engineer ont des profils plus spécialisés et techniques. Tandis que le rôle du Machine Learning engineer sera de concevoir des programmes auto-apprenants, celui de l’AI engineer sera d’apprendre aux machines à réfléchir comme un être humain. Ainsi, selon votre tempérament et vos affinités (plus métier ou plus technique), il est possible de vous orienter vers des métiers aux spécialités différentes au sein même de la data science.

Un parcours adapté aux nouveaux enjeux

Après avoir lu tout cela, vous réfléchissez sérieusement à vous former à un métier de la Data Science ? Ça tombe bien : chez OpenClassrooms, nous venons tout juste de lancer une nouvelle version de notre formation Data Science qui comprend trois parcours d’apprentissage distincts. On vous explique…

Vous avez le choix entre trois formations 100 % en ligne : data scientist (9 mois), Machine Learning engineer (9 mois) et AI engineer (12 mois). Que vous soyez passionné de nouvelles technologies, en reconversion ou que vous souhaitiez vous former à un métier d’avenir ; chaque formation est accessible à partir d’un BAC+3 et délivre un titre RNCP de niveau 7.

Co-développées avec des experts du secteur, qui ont mis en commun leurs compétences et leurs expériences, nos formations répondent aux nouvelles attentes des entreprises. Ainsi, les trois parcours intègrent de nouveaux modules sur :

La mise en production (MLOps). Avec les avancées dans le domaine du Machine Learning et de l’intelligence artificielle, les professionnels de la data science doivent avoir des compétences techniques toujours plus poussées pour assurer l’automatisation des modèles et leur déploiement à grande échelle. C’est pourquoi, ils doivent être mieux formés aux pratiques MLOps.
La gestion de projet. Alors que les équipes data ne cessent de croître et que les projets deviennent de plus en plus complexes, les entreprises recherchent des spécialistes de la data science toujours mieux formés aux méthodes de gestion de projet (Agile et Scrum) ainsi qu’à la gestion des risques, notamment en matière de protection des données et d’éthique.

Pour vous donner une idée plus précise du contenu des programmes de formation, le tronc commun des trois cursus couvre l’ensemble des compétences que tout expert en Data Science se doit de posséder à l’heure actuelle, à savoir :

Préparation des données : collecter, pré-traiter, analyser des données et créer des variables pertinentes (feature engineering) pour l’entraînement d’un modèle.
Élaboration de modèles : concevoir des modèles d’apprentissage automatique à partir de données structurées (ex : noms, adresses, numéros de téléphone…) et de données non structurées (ex : textes et images).
Mise en production : gérer le cycle de vie et le déploiement en production d’un modèle (MLOps) ou d’une application dans des environnements classiques et Big Data.
Gestion de projet/d’équipe : manager des projets IA et de data science complexes en intégrant les contraintes légales et les valeurs d’éthique.

En fonction du cursus (data scientist, machine learning engineer ou AI engineer), vous approfondirez certains enseignements liés à votre domaine de spécialité aux côtés d’un mentor, expert du métier. Des sessions individuelles d’échanges sont même organisées toutes les semaines en parallèle des cours en ligne : de quoi vous aider à dépasser vos blocages, progresser plus vite et surtout rester motivé !

Dernier point (et non des moindres !) : chaque parcours repose sur des projets concrets d’entreprise, qui vous permettent de mieux assimiler les connaissances et de développer rapidement toutes les compétences essentielles au métier choisi. Par exemple, le cursus data scientist comprend 10 cas pratiques, parmi lesquels :