Le data scientist est un spécialiste de l’analyse des données qui combine statistiques, programmation et apprentissage automatique pour construire des modèles capables d’expliquer ou de prévoir un phénomène à partir de volumes importants de données.
Son travail suit un cycle. Il formule la question avec les équipes métier, puis collecte les données utiles dans des bases, des fichiers ou des serveurs. Il les nettoie, les met au bon format et écarte celles qui sont inexploitables. Il explore ensuite les variables, choisit une méthode et entraîne un modèle. Il teste ce modèle sur des données qu’il n’a pas utilisées pour l’apprentissage, l’ajuste, puis restitue les résultats sous forme de rapports, de graphiques ou d’applications.
Ses outils de fond sont la modélisation statistique, le machine learning et, pour les données peu structurées comme les textes ou les images, le deep learning. Il programme dans des langages de traitement de données et travaille souvent sur des environnements de big data. Il doit aussi comprendre le métier de l’entreprise pour traduire un résultat statistique en décision.
Le data scientist se distingue du data analyste, qui décrit et explique l’activité à partir d’indicateurs et de tableaux de bord. Il se distingue aussi de l’ingénieur de données, qui construit et maintient les flux et les infrastructures qui alimentent les modèles. En marketing, il intervient sur la prévision des ventes, le scoring prédictif, l’anticipation du churn, la segmentation de la clientèle ou la recommandation de produits. Il exerce dans une direction des données, une direction marketing, un cabinet de conseil ou chez un éditeur de logiciels.
Un data scientist ne crée de la valeur que si trois conditions sont réunies : des données accessibles, une question métier précise et une équipe prête à changer sa façon de décider. Sans elles, il passe l’essentiel de son temps à reconstituer des fichiers. À notre avis, c’est la première cause de déception après un recrutement de ce type. Nous recommandons de faire un état des lieux des données disponibles avant d’ouvrir le poste, et de désigner un responsable métier qui portera le premier projet.
Le métier a aussi une trajectoire. Selon la fiche métier de l’Onisep, le data scientist débute souvent comme data analyste sur un périmètre réduit. Il peut ensuite devenir chief data scientist et, dans une grande structure, chief data officer.
Deux niveaux de mesure coexistent et se confondent souvent. La performance statistique indique si le modèle prédit bien sur des données de test. L’effet métier indique si son usage change le résultat : chiffre d’affaires, coût évité, clients conservés. Un modèle très précis peut n’avoir aucun effet si personne ne l’utilise. Nous recommandons de suivre aussi le taux d’adoption par les équipes et l’écart entre groupe traité et groupe témoin.
Dès que le modèle porte sur des personnes, le RGPD s’applique. La CNIL, dans sa page « Profilage et décision entièrement automatisée » (2018), rappelle qu’une personne a en principe le droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé, lorsqu’elle produit des effets juridiques ou l’affecte de manière significative. Cette décision reste possible avec le consentement explicite de la personne, pour conclure ou exécuter un contrat, ou si la loi l’autorise. La personne doit alors pouvoir obtenir une intervention humaine et contester la décision. Un scoring qui fait varier un tarif ou refuse un service relève de cette vigilance.
Advalians diagnostique vos services marketing et communication et propose une organisation cible, avec un plan de transition et des rôles clairs.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
Le data analyste décrit et explique ce qui s’est passé, le data scientist construit des modèles qui prévoient ou recommandent. Le premier produit des tableaux de bord, des analyses d’écarts et des réponses à des questions ponctuelles. Le second travaille sur des projets plus longs : il prépare les données, entraîne un modèle, le teste puis le fait intégrer à un outil.
Critère pratique : si votre besoin est de comprendre vos chiffres chaque mois, recrutez d’abord un analyste. Si vous devez décider à grande échelle, client par client ou produit par produit, le data scientist devient pertinent.
Choisissez un cas d’usage limité, mesurable et soutenu par un responsable métier. Rédigez une fiche de cadrage d’une page : la décision visée, les données disponibles, le résultat attendu et la date du premier test.
Prévoyez trois étapes. Un état des données en quelques semaines. Un premier modèle simple, qui sert de référence. Un test sur un périmètre réduit, avec un groupe témoin. Ne lancez la mise en production qu’après ce test. Un premier projet trop ambitieux épuise le crédit du poste avant d’avoir produit un résultat visible.
Mesurez l’effet de ses modèles sur les décisions, pas seulement leur précision. Pour chaque projet, comparez un groupe traité selon le modèle à un groupe témoin traité comme avant, puis chiffrez l’écart : ventes, clients conservés, coûts évités.
Suivez aussi trois indicateurs de pilotage : le nombre de modèles réellement utilisés par les équipes, le délai entre la demande et le premier test, et la dégradation de la performance dans le temps. Un portefeuille de modèles précis mais inutilisés signale un problème d’organisation plus qu’un problème technique.
La plus coûteuse est la fuite d’information : le modèle apprend avec une donnée qui ne sera pas disponible au moment de la décision. Exemple type : prévoir le départ d’un client à partir d’une variable enregistrée après sa résiliation. Les résultats de test sont alors excellents, puis le modèle échoue en production.
Pour l’éviter, datez chaque variable et vérifiez qu’elle existe au moment où la décision sera prise. Testez le modèle sur une période postérieure à celle de l’apprentissage. Méfiez-vous d’un résultat trop beau : il appelle un contrôle avant toute présentation.
Recrutez quand vous avez plusieurs cas d’usage récurrents et des données déjà accessibles. Le poste interne capitalise alors sur la connaissance du métier et maintient les modèles dans la durée.
Passez par un prestataire pour un premier projet exploratoire, un besoin ponctuel ou une compétence rare. Dans ce cas, exigez la documentation du modèle, le code et les jeux de données de test, pour ne pas dépendre du prestataire. Renoncez aux deux options tant que vos données ne sont ni centralisées ni fiables : commencez par un chantier de qualité des données.
Modèles, grilles et guides prêts à l’emploi pour vos projets marketing et communication.
Longtemps perçu comme le département des « belles images » ou des dépenses..
Les directions marketing se trouvent aujourd’hui à un tournant décisif. Alors que la..
