Image de l’auteur
Avec 281 entreprises technologiques qui 80 628 personnes licenciéespourquoi seriez-vous intéressé à démarrer une carrière en science des données?
Il pourrait sembler que ce n’est pas le bon moment, avec la réduction des effectifs des entreprises. Oui, il y a des licenciements, mais le graphique ci-dessous montre que les récents licenciements ne sont rien comparés à fin 2022 et début 2023. Ce n’est donc pas si grave !
Source: licenciements.pour info
Une autre perspective rend la situation encore plus positive : les entreprises emploient toujours des data scientists. En fait, au cours du mois dernier, il y a eu presque 5 500 offres d’emploi sur Glassdoor seulement aux États-Unis.
Il existe un marché du travail plutôt dynamique pour les data scientists. Ce n’est que maintenant que les entreprises sont plus exigeantes. Ils recherchent davantage des spécialistes de la science des données que des généralistes. De plus, l’adoption des outils d’IA est désormais requise de la part des data scientists. Voici comment vous pouvez relever les défis tout en restant leader sur le marché du travail.
1. Parcours éducatifs
Il existe toujours deux approches distinctes lorsqu’il s’agit d’apprendre la science des données :
- Éducation académique
- Auto-apprentissage
Idéalement, vous combineriez les deux.
Éducation académique
Une formation universitaire n’est pas nécessaire pour devenir data scientist, mais elle vous donne des connaissances larges et structurées. Il est beaucoup plus facile de développer ces connaissances plus tard que de devenir data scientist à partir de zéro.
Les data scientists sont généralement titulaires d’un baccalauréat dans des domaines quantitatifs, tels que l’informatique, les statistiques, les mathématiques ou encore l’économie.
Avoir un master est une excellente idée pour augmenter ses chances d’obtenir un emploi. Avec cela, vous pouvez vous spécialiser. Quelques exemples de spécialisations sont l’apprentissage automatique, l’analyse de données, la business intelligence, etc.
Faire un doctorat n’est généralement pas nécessaire, sauf si vous êtes intéressé par des postes axés sur la recherche en entreprise ou dans le milieu universitaire.
Auto-apprentissage
Vous pouvez devenir data scientist en créant vous-même un programme. Cela peut inclure n’importe quel élément de la liste (non exhaustive) :
- Certifications
- Cours en ligne
- Camps d’entraînement
- Vidéos YouTube
- Livres
- Articles de blog
- Forums communautaires
Si le temps et les finances le permettent, je vous recommande de vous concentrer sur les certifications, les cours en ligne et les bootcamps. Ensuite, complétez-les avec d’autres ressources.
Certaines des certifications, cours et bootcamps que je suggère sont :
2. Compétences
Les compétences d’un data scientist peuvent être classées en compétences techniques et générales.
Compétences techniques
Ils découlent des principales tâches du data scientist : extraire et manipuler des données, créer, tester et déployer des modèles ML.
Les data scientists doivent utiliser divers langages et outils de programmation pour mettre toutes ces connaissances en pratique.
Voici un aperçu.
Cela devrait être votre point de départ pour une spécialisation plus poussée. Par exemple, vous pouvez vous spécialiser dans les outils BI ou vous concentrer sur les outils d’ingénierie de données, tels que Apache Kafka, Apache Spark, Talend, Flux d’airetc.
Compétences générales
Les compétences techniques doivent être complétées par les compétences générales indiquées ci-dessous.
Compétences en communication
Il s’agit notamment d’écouter les pensées des autres et de communiquer les vôtres.
Votre travail en tant que data scientist commence par l’écoute des problèmes des autres. Vous êtes le genre de psychothérapeute qui aide les autres à résoudre leurs problèmes en utilisant des données. Thérapeute des données ? En comprenant les problèmes métier, vous pouvez adapter votre solution technique aux besoins des utilisateurs.
Les data scientists doivent également être capables de traduire la complexité technique de leur travail à un public non spécialisé. Ils s’aident eux-mêmes des outils de visualisation, ce qui signifie qu’il est obligatoire de visualiser et de présenter efficacement votre travail.
Pensée analytique
Les problèmes commerciaux que vous devez résoudre vous seront souvent expliqués de manière très simple : « Oh, mon Dieu, notre fidélisation de la clientèle est en train de bombarder ! Salut, à l’aide ! Vous, le spécialiste de la science des données, trouvez quelque chose. »
Cela nécessite la capacité de décomposer le problème en blocs logiques et de le résoudre systématiquement. En outre, la créativité doit être répandue, car de nombreux problèmes nécessitent de trouver de nouvelles solutions.
Compétences collaboratives
La journée de travail idéale des data scientists serait de rester seuls, de travailler sur leurs modèles et de leur parler doucement (dans la voix de Gollum) : C’est le mien, je vous le dis. Le mien. Mon précieux. Oui, mon précieux.
Malheureusement, les data scientists doivent très souvent collaborer avec d’autres collègues de l’équipe data. Les projets incluent également des équipes interdépartementales.
Être adaptable et flexible, créer une bonne atmosphère de travail et résoudre les conflits de manière efficace et respectueuse ? Oui, mon précieux !
Gestion de projet
Travailler sur un projet de science des données nécessite des capacités de gestion de projet, notamment la priorisation des tâches, la coordination d’une équipe de projet et le suivi de l’avancement et des délais du projet.
Ajoutez à cela le mentorat de collaborateurs juniors et la jonglerie entre plusieurs projets, et cette compétence devient cruciale.
Le sens des affaires
Tous les projets de données sont conçus pour résoudre des problèmes commerciaux. Pour y parvenir, vous devez avoir une solide compréhension de l’activité et du secteur d’activité de votre entreprise. Cela facilite la compréhension du problème métier et la conception d’une solution prenant en compte les dépendances qui n’ont peut-être pas été explicitement mentionnées.
3. Cheminement de carrière et salaire
La carrière en science des données commence généralement par l’obtention d’un analyste de données junior ou data scientist junior emploi.
De là, je vous propose d’aller dans l’un des rôles de spécialisation. Certains exemples sont les ingénieurs de données, les ingénieurs ML, les analystes commerciaux, les analystes de données ou les ingénieurs BI. Aujourd’hui, le poste de data scientist est également de plus en plus un rôle de spécialiste – davantage axé sur l’utilisation des statistiques dans l’exploration des données et le développement initial de modèles plutôt que sur la réalisation de projets de bout en bout.
En fonction du nombre d’années que vous passez dans un poste spécialisé spécifique et de vos intérêts, vous pouvez vous orienter dans deux directions distinctes : rôles de gestion ou rôles de spécialisation avancée.
Par exemple, rôles de gestion peut inclure un cadre supérieur ou un directeur dans l’une des spécialisations mentionnées précédemment. Ce chemin vous éloigne de la partie technique de votre travail et la gestion des personnes et des services devient votre point central.
L’autre option est de rester contributeur individuel et d’approfondir encore davantage votre spécialisation. Ceux-ci sont rôles de spécialisation avancée. Pour chacune des spécialisations mentionnées, les titres sont généralement Staff, Principal, Distinguished et Fellow.
4. Salaire
La science des données reste une profession très bien rémunérée. Cela ne doit pas être négligé lors du choix de votre parcours professionnel. Voici l’aperçu des salaires pour les rôles mentionnés précédemment.
Image de l’auteur, source des données salariales : Porte en verre
5. Obtenir un emploi
Maintenant, la question est de savoir comment passer de l’apprentissage de la science des données à gagner tout cet argent, autrement dit trouver un emploi.
Je ne dirais rien de nouveau si je disais : trouvez les offres d’emploi qui vous plaisent, postulez, défoncez l’entretien, trouvez un emploi. Et voilà, de rien !
Il y a cependant deux choses qui peuvent vous distinguer des autres candidats :
- Un portefeuille exceptionnel
- Expérience des entretiens d’embauche
Un portefeuille exceptionnel signifie avoir un nombre important de projets de données pertinent au travail. Les projets de données sont le meilleur moyen de développer et de mettre en valeur de manière globale vos compétences en science des données, car leur réalisation nécessite un niveau élevé de chaque compétence. Bien entendu, vous pouvez également travailler sur des projets spécialisés axés sur des compétences spécifiques, par exemple l’apprentissage automatique, l’ingénierie des données, etc.
Expérience des entretiens d’embauche peut être obtenu de deux manières. La première est de échouer à beaucoup d’entretiens avant de trouver un emploi. C’est une expérience légitime que beaucoup d’entre nous ont vécue. Je ne plaisante pas; acquérir de l’expérience vous habitue davantage au processus d’entretien, aux approches, aux sujets testés et, surtout, au codage sous pression de temps.
Cependant, il existe également un moyen moins pénible d’y parvenir : résoudre le codage réel et d’autres questions d’entretien technique sur les plateformes qui les proposent.
Conclusion
Même si cela ne semble pas être le cas, c’est le moment idéal pour se lancer dans la science des données. Deux raisons. Tout d’abord, si vous envisagez de commencer votre formation en science des données, foncez. Cela prendra du temps. Lorsque vous aurez terminé, la science des données pourrait à nouveau être en plein essor.
Deuxièmement, si vous remplissez déjà toutes les conditions, postulez aux emplois, car ils sont nombreux, malgré les licenciements.
Rappelons que la data science y reste toujours l’un des métiers les plus attractifs, malgré tous les bouleversements.
Nate Rosidi est un data scientist et en stratégie produit. Il est également professeur adjoint enseignant l’analyse et est le fondateur de StrataScratch, une plateforme qui aide les data scientists à préparer leurs entretiens avec de vraies questions d’entretien posées par les grandes entreprises. Nate écrit sur les dernières tendances du marché des carrières, donne des conseils en entretien, partage des projets de science des données et couvre tout ce qui concerne SQL.
