Les compétences d’un bon Data Scientist

Vous souhaitez devenir Data Scientist ? Disons-le tout de suite, c’est un métier nécessitant des compétences très solides dans des domaines assez variés : programmation, statistiques, machine learning, génie logiciel, Data Visualization, etc. On ne s’improvise pas Data Scientist. Dans cet article, nous allons vous présenter les 8 compétences clés que tout Data Scientist qui se respecte doit maîtriser.

	Data Analyst	Machine Learning Engineer	Data Engineer	Data Scientist
Programmation
Data Visualization et Communication
Intuition
Statistiques
Préparation des données
Machine Learning
Génie logiciel
Calcul multivariable et algèbre linéaire

Les 8 compétences clés que doit posséder un bon Data Scientist

Vous vous demandez ce qu’est un Data Scientist et surtout quelles sont les compétences qu’il doit réunir  ? Voici les 8 compétences que doit posséder tout Data Scientist qui se respecte !

#1 Des compétences en programmation

Quelle que soit l’entreprise dans laquelle il est engagé, un bon Data Scientist doit maîtriser les outils du marché. C’est-à-dire au moins :

• Un langage de programmation permettant d’organiser des jeux de données afin d’y appliquer des tests statistiques et de se représenter les données graphiquement : R, Python…
• Un langage de programmation permettant de piloter des bases de données, de formuler et d’exécuter les requêtes : SQL…

#2 Des compétences en statistiques

Un bon Data Scientist doit avoir une bonne compréhension des statistiques. Il doit être familier avec les tests statistiques, les distributions, les estimateurs…Les statistiques sont utiles pour faire du machine learning, mais l’intérêt d’être calé en statistiques est surtout que cela permet de déterminer les bonnes techniques d’approche et d’analyse. Les compétences en statistiques sont indispensables quelle que soit l’entreprise, mais elles sont d’autant plus indispensables si vous travaillez dans une entreprise data-driven.

#3 Des compétences en Machine Learning

Le Data Scientist sera de plus en plus amené à l’avenir à se familiariser avec les méthodes de machine learning : méthode des k plus proches voisins, forêt d’arbres décisionnels, méthodes ensemblistes, etc. Le machine learning est de plus en plus utilisé par les entreprises gérant de gros volumes de données ou encore par les entreprises proposant des produits data-driven (Netflix, Uber, Google Maps…).

Une grande partie des méthodes et techniques de machine learning peuvent être implémentées directement en utilisant les bibliothèques R ou Python. Du coup, le Data Scientist n’est pas obligé de devenir un expert en algorithmes. Le plus important est de comprendre leur fonctionnement dans les grandes lignes et d’avoir acquis un niveau de compréhension du sujet suffisant pour connaître les méthodes à utiliser selon les situations rencontrées.

#4 Des compétences en algèbre linéaire et en fonctions de plusieurs variables

Maîtriser ces deux disciplines est surtout important lorsque l’entreprise propose un produit défini par la donnée et que de petites améliorations en performance prédictive ou en optimisation algorithmique peuvent générer de gros progrès dans les performances du produit. Le calcul multivariable et l’algèbre linéaire sont à la base de beaucoup de techniques de calcul statistique et de machine learning. C’est pourquoi, logiquement, ces techniques seront plus souvent exigées par les entreprises faisant beaucoup de statistiques et de machine learning.

Vous vous demanderez peut-être pourquoi un Data Scientist doit posséder ces compétences alors qu’il existe des langages comme Python (sklearn) ou R qui permettent de s’en passer. En fait, à un certain niveau, il devient plus intéressant pour une équipe de Data Scientists de développer ses propres implémentations maison pour améliorer les algorithmes ou les performances prédictives.

Découvrez comment choisir la bonne architecture Data Warehouse (approches traditionnelles vs cloud) pour votre organisation.

#5 Des compétences en préparation des données

Souvent, les données manipulées par un Data Scientist sont désordonnées et donc difficiles à travailler. Le Data Scientist doit savoir comment faire pour y mettre de l’ordre et corriger les imperfections dans les données à disposition. Ces imperfections peuvent être de différentes sortes : des valeurs manquantes, des chaînes de caractères incohérentes (par exemple « New York » VS « new york » VS « ny »), des manques de cohérences dans le formatage des dates (« 2018-05-28 » VS « 18-05-28 » par exemple), etc. Cette capacité à mettre de l’ordre dans les données sera particulièrement recherchée par les entreprises de petite taille ou celles dont le produit n’est pas data-driven. Mais ce sont des compétences que tout Data Scientist qui se respecte doit acquérir.

L’analyse des data repose sur des outils. Découvrez la boîte à outils du Data Analyst.

#6 Des compétences en Data Visualization et en communication

Un bon Data Scientist doit maîtriser l’art de représenter les données visuellement. C’est tout particulièrement important pour les Data Scientists dont le rôle est d’accompagner les décideurs dans leurs prises de décision ou, plus généralement, pour les Data Scientists qui travaillent pour des entreprises qui basent leurs décisions sur l’analyse data. Le Data Scientist doit également être un bon communicant, c’est-à-dire qu’il doit savoir décrire à ses collaborateurs ou à sa hiérarchie les résultats de ses recherches, son approche, les raisons de ses choix, etc.

Pour un Data Scientist, maîtriser des bibliothèques de Data Visualization (comme matplotlib, ggplot ou d3.js) ou des outils comme Tableau peut représenter une vraie valeur ajoutée. Il est important de ne pas juste être familier des outils permettant de représenter les données mais aussi de bien comprendre les principes permettant de générer des représentations graphiques pertinentes et parlantes.

#7 Des compétences en génie logiciel

Si vous êtes Data Scientist et que vous cherchez à être recruté par une petite entreprise et que vous êtes le seul Data Scientist de l’organisation, il peut être important d’avoir un bon background en génie logiciel. Vous devrez faire beaucoup d’enregistrements de données et serez potentiellement amené à développer des produits data-driven.

#8 De l’intuition

Last but not least : l’intuition. Ce n’est pas la moindre des compétences d’un Data Scientist. Un Data Scientist est quelqu’un qui résout des problèmes, qui a l’intuition de ce qu’il faut faire pour tester une hypothèse ou pour développer / améliorer un produit. Le Data Scientist sait distinguer par instinct l’important de l’accessoire. Il devine les méthodes à utiliser face aux problèmes qu’il doit gérer.

Le développement du Big Data aidant, le métier de Data Scientist est en plein essor. C’est un métier d’avenir. Mais devenir Data Scientist ne s’improvise pas. Cela nécessite des compétences diverses et très poussées. Ce job vous fait rêver ? Vous savez quels talents développer !

CRM / Data - Plus de 15 ressources & templates gratuits à télécharger.

Découvrir