Si la profusion des données numériques représente un potentiel de croissance certain pour les entreprises, il devient cependant indispensable que ces dernières recrutent les bons profils pour profiter pleinement de la valeur ajoutée du Big Data. Profils rares, les Data Scientists et Data Analysts sont au cœur des stratégies de data formation et de recrutement des organisations qui souhaitent devenir data driven, en vue de profiter pleinement des bases de données et tous l'écosystème data.
Mais qu’est-ce qui distingue exactement ces deux profils ?
Data Scientist et Data Analyst : deux expertises dans le monde du digitale.
Leurs expertises sont souvent synthétisées en une seule et même définition, réductrice : l’exploration et l’analyse de volumes importants de données pour en déduire des indicateurs-clés qui permettent de faire des choix éclairés dans une architecture décisionnelle régis par des analyses décisionnelles. Et pourtant, Data Scientists et Data Analysts seraient plutôt les deux faces d’une même pièce.
Avec la participation éclairée de Benjamin Riu, Data Scientist chez Reeport, intéressons-nous aux différences, mais aussi aux relations qu’entretiennent ces deux fonctions très distinctes.
Le Big Data, à la convergence de deux expertises
L’apparition massive de données numériques est la conséquence du terme « Big Data » (ou mégadonnées) qui représente l’ensemble des nombreuses données numériques provoquées par l’utilisation des nouvelles technologies dans des environnements complexes (Database) à analyser. L’arrivée de volumes importants de données brutes a fait émerger une nouvelle manière de découvrir le monde et à su développer une nouvelle approche de la relation-client et surtout de la connaissance client. En parallèle, l’apparition d’applications de visualisation des données ont permis d’accéder en temps réel à une multitude de données et de leur apporter du sens. Logiquement, de nouveaux métiers de l’analyse de la data ont découlé de la web intelligence.
Data scientist, data analyst… il n’est pas toujours simple de comprendre la différence entre ces métiers en apparence fortement similaires. Effectivement, ces deux expertises sont en charge d’explorer un nombre considérable de données brutes afin d’en extraire des informations pertinentes et utiles pour le monitoring des décisions stratégiques d'une entreprise, cependant, il est nécessaire de discerner la nuance entre ces deux disciplines pour mieux comprendre le rôle de chacune dans l'architecture Big data et des solutions de business intelligence.
Qu’est-ce qu’un Data Scientist au coeur de la transformation digitale ?
Ce scientifique de la donnée examine en profondeur un nombre important de données de production brutes provenant de sources hétérogènes dans une architecture data complexe, en utilisant des modèles statistiques et mathématiques afin d’en faire ressortir (et souvent d’en révéler) des insights pertinents et exploitables.
A la manière du célèbre Indiana Jones, son rôle est d’explorer la jungle des données hétérogènes / données disparates et de les analyser sous de nombreux angles afin de découvrir de nouveaux indicateurs qui peuvent être déterminants pour la prise de décision des entreprises.
Dôté d’une double compétence en Machine Learning et en développement software, un bon Data Scientist doit également posséder des compétences en communication et savoir faire le lien entre théorie et pratique, pour partager les informations pertinentes aux bonnes équipes et in fine de fluidifier les systèmes décisionnels.
« Pour être data scientist, il est nécessaire d’avoir un background en mathématiques appliquées, quel que soit le domaine d’où l’on vient » - Benjamin Riu, Data Scientist
Bien que ce métier fasse rêver bon nombre de personnes, la simple appétence pour cette discipline n’est pas suffisante. Le Data Scientist vient souvent d'école d'ingénieur et est avant tout un technicien dont les compétences avancées en mathématiques apparaissent comme la porte d’entrée vers l’univers de la data science.
Qu’est-ce qu’un Data Analyst ?
Quand bien même Harvard Business School a qualifié le métier de Data Scientist comme le plus sexy du 21e siècle, le Data Analyst est expert dans l’utilisation d’outils spécifiques à l’exploration des données opérationnelles numériques. Son objectif est d’analyser des masses de données ciblées sur un sujet donné afin de répondre à des questions et de transformer les données en KPIs actionnables.
Le Data Analyst doit comprendre les enjeux de son entreprise et l’industrie dans laquelle il évolue : en plus d’avoir de solides compétences en statistiques, son travail consiste à restituer une analyse opérationnelle et ses conclusions aux autres départements de l’entreprises sous différents formats de lecture (présentations, data visualisations, etc.) dans le but de faire des recommandations pertinentes issue du travail d'exploration de données.
Quand la différence entre ces deux disciplines n’est pas synonyme de hiérarchie
Comme l’affirme Benjamin Riu, beaucoup d’entreprises ne sont pas encore assez matures pour faire la distinction entre Data Scientist et Data Analyst – notamment au niveau du recrutement et des tâches à accomplir - même si elles affirment le contraire. Cette confusion a fini par altérer la distinction entre ces deux métiers qui requièrent pourtant des compétences très distinctes pour la bonne gestion des données.
Alors qu’une connaissance avancée en mathématiques n’est pas nécessaire pour un Data Analyst, elle est indispensable dans le travail d’un Data Scientist. Tandis que le Data Analyst est un expert qui exploite les données fonctionnelles dans un objectif précis, le Data Scientist est un technicien qui utilise des méthodes mathématiques dans le but d’extraire des informations issues des sources de données du Big Data qui seront par la suite des informations utiles pour la chaîne décisionnelle des équipes. Toute la nuance repose dans la manière de procéder et le but à atteindre.
Internet regorge de clichés sur l'analyse des données qui confortent les internautes dans certaines généralités qui n’ont rien de réel. Alors qu’un grand nombre d’articles laissent à penser que le métier de Data Analyst n’est qu’une étape pour arriver au statut de Data Scientist, en réalité il n’en est rien.
« Passer de Data Analyst à Data Scientist est illusoire à moins de faire cinq ans d’études en mathématiques appliquées. » - Benjamin Riu
Pour autant, cela ne veut pas dire qu’il y a une hiérarchie entre les deux fonctions. Ces deux compétences se complètent. Souvent, on attend d’un Data Scientist qu’il soit un expert dans le domaine dans lequel il évolue (extraction de données, Analyse des solutions analytics, déterminer les points bloquants dans les outils de reporting...), ce qui est le rôle du Data Analyst. Parce qu’il possède une connaissance parfaite du métier, ce dernier doit communiquer son expertise au Data Scientist afin de compléter son travail. Le Data Analyst s’appuie également sur les modèles prédictifs mathématiques du Data Scientist pour affiner son analyse prédictive.
Bien que la confusion entre les deux disciplines soit fréquente, il est donc primordial de les particulariser pour mieux comprendre leurs expertises et la relation qu’ils entretiennent au sein des grandes entreprises et des PME.
En s'appuyant sur l'expertise d'un Data Analyst et d'un Data Scientist, vous donnez à votre entreprise la capacité d'analyser les données pertinentes pour piloter l'activité de l'entreprise, tout en fluidifiant le processus d'aide à la décision.
Pour en savoir plus :
- Réussir sa campagne Data Driven marketing : prioriser les campagnes
- Réussir sa première campagne Data Driven marketing : analyser
- Réussir sa campagne Data Driven marketing : métriques et opportunités
- 7 step guide for Data Driven marketing
- Data Democratization at Airbnb
- Une entreprise Data Driven, concrètement c'est quoi ?
- Un collaborateur Data Driven, concrètement c'est quoi ?
- En quoi le Data Driven marketing est-il efficace ?
- Etre un marketeur Data Driven, ça veut dire quoi ?
- La RGPD devient data driven
COMMENTAIRES