Citizen data scientist vs expert data scientist

Publié le 06/03/2020 par Caroline Rousseau et Lauren Maffeo

citizen data scientist

Au début de l’année 2019, LinkedIn a nommé le métier de data scientist “emploi le plus prometteur de 2019”. Avec un salaire annuel médian de base de 130 000 dollars et 56 % de postes supplémentaires ouverts cette année par rapport à l’année dernière, difficile de ne pas avoir envie de décrocher ce type d’emploi. Mais pour de nombreuses entreprises, le rêve de s’offrir les services d’un spécialiste des données reste inaccessible.

La plupart d’entre nous ne sont pas capables de créer les algorithmes nécessaires à l’analyse prédictive, au data mining et autres techniques d’analyse des données indispensables aux entreprises. C’est pour cette raison que la science des données exige une formation pointue en mathématiques et en informatique.

La demande de profils présentant ces compétences est énorme et ne peut pratiquement pas être comblée par les candidats disponibles.

Heureusement, tout n’est pas perdu pour les entreprises qui veulent s’appuyer sur la science des données mais ne peuvent pas débloquer le salaire correspondant. La demande de data scientists évolue parallèlement à la quantité d’outils de business intelligence (BI) accessibles. En renforçant la science des données par l’association de bons logiciels et de bons collaborateurs, les entreprises peuvent créer un nouveau profil, tout aussi crucial : le citizen data scientist.

Qu’est-ce qu’un citizen data scientist ?

Les citizen data scientists sont des utilisateurs intensifs capables de réaliser des tâches d’analyse des données. Ils ne se substituent pas aux expert data scientists, mais ils exploitent des fonctionnalités comme les outils en glisser-déposer, les modèles et les pipelines de données pour créer des modèles sans code.

Au contraire des expert data scientists, vous n’avez pas besoin de recruter vos citizen data scientists. En effet, ils font déjà partie de votre entreprise. Ils connaissent votre activité dans les moindres détails : stratégie, clients, points d’amélioration, tech stack, etc.

Grâce à leur maîtrise du terrain et des outils logiciels, ils permettent aux entreprises et aux secteurs qui les emploient de mieux profiter des fonctionnalités avancées d’analyse des données. Leurs compétences sont complémentaires de celles des expert data scientists, plus axés sur l’informatique et les mathématiques. Les deux profils obtiennent des résultats particulièrement remarquables quand on les associe.

fonctions data scientist

Qu’est-ce qu’un expert data scientist ?

Les expert data scientists récoltent et nettoient une grande variété de données avant de les analyser pour résoudre des problèmes opérationnels. Les données analysées peuvent être structurées (analysables par de simples algorithmes) ou non structurées (dans ce cas, elles impliquent plus d’éléments linguistiques et doivent être traitées par des algorithmes plus robustes).

De nombreux spécialistes des données créent les algorithmes qu’ils utilisent pour analyser des données structurées. Ils recourent aussi à des outils externes (comme Elasticsearch ou Cluvio) pour analyser de grands ensembles de données non structurées comme des textes extraits d’e-mails ou les réponses à des questions ouvertes.

Pour ce faire, ils doivent concevoir des requêtes de recherche associées à des mots et des phrases particuliers avant d’analyser manuellement les données non structurées. En tant que telle, la science des données n’est pas accessible à tous.

La plupart des entreprises exigent une expérience dans les langages de programmation conçus pour les statistiques comme R et Python. Elles demandent aussi des connaissances dans les outils tiers d’analyse de données tels que Google Analytics, ainsi qu’un diplôme de master ou de doctorat en mathématiques, informatique ou autre domaine lié au secteur quantitatif. La majorité des expert data scientists (88 %) ont au moins un master et près de la moitié ont un doctorat.

Quel profil choisir ?

Les citizen data scientists et les expert data scientists ont des compétences communes, mais ils ont chacun leurs particularités. Dans l’idéal, votre budget suffira pour repérer des citizen data scientists au sein de votre entreprise avant d’engager des expert data scientists pour réaliser des analyses plus poussées.

Avant de publier vos offres d’emploi, vérifiez les besoins réels de votre entreprise (à court terme et pour les cinq prochaines années). Le dernier Hype Cycle de Gartner consacré à la science des données et au machine learning (disponible en anglais) indique que différentes techniques incontournables entrent dans la phase de “Trough of Disillusionment” (“creux de déception”) et enchantent donc moins les utilisateurs.

De l’analyse prédictive au deep learning, nombre des techniques les plus en vogue du secteur s’approchent dangereusement de ce “creux de déception”. Si vous n’avez pas de raison valable d’incorporer ces techniques dans votre stratégie commerciale, ou pas assez de données nettoyées prêtes à être analysées, vous n’obtiendrez pas les résultats escomptés en engageant un expert data scientist.

Vous ne savez pas par où commencer ? Voici une infographie GetApp pour comprendre en un clin d’œil les différences essentielles entre citizen data scientist et expert data scientist.

citizen data scientist

Découvrez tous les logiciels de business intelligence et d’analytics du catalogue GetApp !

Cet article peut faire référence à des produits, programmes ou services qui ne sont pas disponibles dans votre pays, ou qui peuvent être limités par les lois ou règlements de votre pays. Nous vous suggérons de consulter directement l'éditeur du logiciel pour obtenir des informations sur la disponibilité du produit et le respect des lois locales.


Partager cet article