Data Scientist vous avez dit ?

Bonjour la famille,

Alors pour ce premier article sur la Data Science, je vais vous parler d’un des métiers de ce domaine tant plébiscité en ce moment: le Data Scientist. En français (oui je me la joue un peu): scientifique de la donnée.

Le terme de data scientist a été inventé par deux ingénieurs des réseaux sociaux Facebook et Linkedin en 2008. Des magazines people américains l’ont également élu « métier le plus sexy de l’année ».

Remontons à l’origine : les mathématiques.

Discipline ayant toujours été perçu comme difficile, complexe et pas attrayante. Je suis d’accord, si on rate les bases, la suite risque d’être compliquée.

Les passionnés de mathématiques comme moi se demandaient ce qu’ils pourraient bien faire concrètement de ces formules d’algèbre et de probabilités. J’ai eu de la chance d’être fixé : je voulais faire de la statistique. C’était la seule application dans mon viseur.

En quoi faisant ? Arriver déjà à une Maitrise de Mathématiques Appliquées et Informatique pour ensuite prétendre à une spécialisation en Statistique. Sauf qu’en dehors de l’ENSAE Sénégal (admission sur concours) je ne trouvais pas cette filière dans mon pays. A un moment, je me suis mis  à envisager l’enseignement comme dernière option. Mais honnêtement, ç’aurait été pour travailler sans grande volonté derrière.

C’est finalement en France que j’ai pu faire cette spécialisation.

Au temps (y’a de celà 4 ans déjà), on se limitait  au titre d’ingénieur statistique ou de Data Analyst.

Aujourd’hui, on passe aux termes de Data Scientist, Data Manager, Chief Data Officer à quelques différences près sur leurs compétences.

La nouveauté de ce métier réside dans le fait de pouvoir exploiter toute sorte de donnée, peu importe son type et son format. Également de pouvoir traiter simultanément de gros volumes de données, ce qui était très fastidieux avant.

Les données de ce monde explosent. Elles sont collectées à la seconde en temps réel par des serveurs, des capteurs, etc. Les bases de données et systèmes d’information d’avant sont devenues moins robustes pour contenir toute cette masse d’informations, d’où la naissance des techniques de Big Data dont on parlera plus tard.

Jusque là rien ne vous semble abstrait ? Non?

Juste des exemples simples du pourquoi chaque entreprise devrait disposer d’un Data Scientist:

La marque de vêtements en ligne a besoin de cibler et de classer les utilisateurs se connectant sur son site pour mieux comprendre et anticiper leurs besoins.

Sur un plan plus humain et donc plus sensible, le médeçin a besoin de mesurer les chances de survie de son patient atteint de cancer à partir de ses données de diagnostic (âge, gravité des symptômes, stade de la maladie, etc…).

Le Data Scientist est donc celui qui va « faire parler » tous ces milliards de données brutes et en sortir une réponse adaptée à la problématique posée.

Il y’a aussi une fonction très importante dans ce métier : l’anticipation. Le Data Scientist doit être en mesure de prédire donc annoncer certains évènements du futur pouvant aider à la prise de la décision et anticiper la stratégie.

Attention: il n’est pas expert du domaine d’origine des données mais il est obligé de s’en imprégner. S’il travaille sur des données médicaux, le plus dur pour lui sera de savoir tenir un langage pédagogue et très simple pour se faire comprendre du médeçin. Ce dernier lui aussi en retour devra être en mesure d’expliquer les résultats qui lui seront présentés.

J’espère que cet article va convenir à tout public me lisant et même n’étant pas forcément initié au monde des sciences et vous donner envie de me relire sur ce sujet.

A très bientôt la famille.