Data science : qu'est-ce que c'est ?

La définition de la data science peut être résumée à l'extraction et transformation de données brutes et inorganisées en information traitée et exploitable par les entreprises. La data science, ou science des données, est une discipline scientifique visant à établir des modèles statistiques et mathématiques afin d'analyser et extraire de gros volumesvolumes de données en vue de leur exploitation. Multidisciplinaire, la science des données fait appel notamment aux mathématiques, aux statistiques, à l'analyse de données, à la programmation informatique, à la théorie de l'information...

Les objectifs et usages de la data science

La data science a pour but d'extraire des données exploitables à partir d'un gros volume de données brutes. L'objectif principal est de dégager, à partir de ces données, des tendances et des prédictions. Avec l'essor du big data, la data science se développe de plus en plus, dans tous les secteurs d'activité.

• Dans la vente, la data science va être utilisée comme un outil d'aide à la décision afin de dégager les futures attentes des consommateurs par exemple. Sa finalité sera essentiellement marketing.     
• Dans l'environnement, la data science va permettre de modéliser des phénomènes climatiques et d'établir des projections d'impacts liés à ces phénomènes.   
• Dans les transports, la data science va être utilisée pour adapter la fréquence des transports au flux de voyageurs à certaines heures.     
• Dans la santé, la data science va être utilisée en toxicologietoxicologie ou en épidémiologie par exemple. Elle est d'ailleurs utilisée actuellement pour lutter contre l'épidémieépidémie de Covid-19Covid-19.     
• Dans la banque et l'assurance, la data science va être utilisée pour analyser la perte clients par exemple ou pour proposer des produits en fonction des besoins clients.
• Sur les réseaux sociauxréseaux sociaux, la data science va permettre d'organiser des campagnes publicitaires ciblées, de proposer des recommandations de vidéos ou films à regarder, d'analyser les données pertinentes pour mesurer les retombées statistiques.      
• Dans l'industrie, la data science va être utilisée pour générer de l'innovation, pour faire de la maintenance prédictive, pour analyser des images et vidéos, pour faire du text mining... Cela va leur permettre d'améliorer des produits déjà existants ou de proposer de nouveaux produits adaptés aux attentes des clients.
• Dans la logistique, les entreprises vont utiliser la data science pour améliorer leurs délais de livraison, réduire les coûts, analyser le trafic ou les conditions météorologiques.       
• Dans l'automobileautomobile, la data science est de plus en plus utilisée grâce au développement des véhicules autonomesvéhicules autonomes. Le déploiement de l’intelligence artificielle va permettre d'analyser une grosse quantité de données permettant de rendre autonome une voiture au niveau du freinage d'urgence par exemple ou encore du stationnement automatique.

La data science fait appel aux statistiques et aux mathématiques afin de dégager des modèles prédictifs. © Gorodenkoff, Adobe Stock.

La data science, un secteur en perpétuelle évolution

Avec l'essor du big data, les entreprises ont pris conscience de l'importance du rôle de la data science dans leur stratégie marketing et commerciale et de la nécessité d'assurer une formation d’ingénieur en data. L'explosion des données, éparpillées sur de multiples supports en ligne, a permis à la data science de se développer et de créer de nouveaux métiers. Parmi eux, les data scientistdata scientist, les data engineerdata engineer, les data miner, les data analystdata analyst, les data architect... Les formations dans ce secteur se multiplient favorisant l'arrivée sur le marché du travail de personnes expertes et formées aux dernières évolutions technologiques.

Pourquoi investir dans la data science ?

Effective depuis le 25 mai 2018, la nouvelle loi européenne RGPD (Règlement général pour la protection des données) oblige les entreprises à modifier l'exploitation des données personnelles qu'elles faisaient jusque-là. Les data scientist sont donc d'autant plus nécessaires au sein des entreprises pour mettre un frein à la surexploitation des données personnelles et surtout pour mettre en place un traitement des données respectant la nouvelle réglementation. Deux obligations sont notamment apparues depuis la mise en place de la RGPD : l'obtention obligatoire du consentement, par la personne concernée, de la collecte de ses données personnelles, ainsi que l'obligation de définir des restrictions d'accès à ces données aux personnes concernées. Si certains voient une incompatibilité entre RGPD et data science, d'autres y voient plutôt l'opportunité de la nécessité de la présence de data scientist dans les entreprises. En effet seules des personnes expertes et formées à l'utilisation des données personnelles, en conformité avec le RGPD, pourront traiter ces données. Les entreprises vont donc devoir repenser leur organisation et mettre en place des solutions adaptées.

Les enjeux de la data science pour les entreprises

La data science représente un poste clé au sein d'une entreprise, tant celle-ci peut être source de retour sur investissement. Permettant de prendre des décisions stratégiques capitales dans des marchés de plus en plus concurrentiels, la data science et les data scientist ont un bel avenir devant eux. Les profils experts étant encore rares sur le marché du travail, les recruteurs doivent savoir se montrer persuasifs pour engager les profils les plus adaptés et surtout pour les conserver au sein de leur entreprise. Le salaire annuel est d'ailleurs très souvent élevé afin de motiver les profils les plus compétents.

Data science : des profils exigeants pour des emplois polyvalents

De plus en plus de formations consacrées à la data science voient le jour en France. Ces formations, de niveau bac + 5 forment des professionnels polyvalents. Mathématiques, statistiques, algorithmes, langages de programmation sont des compétences nécessaires pour exercer ce métier mais pas seulement. Il est indispensable de maîtriser également le machine learning, le deep learning, l'ingénierie logicielle, la modélisationmodélisation de données, le marketing et avoir une vision business très développée. À la croisée de différents métiers, le data scientist pourra être rattaché à la direction des systèmes d'information, à la direction marketing, voire à la direction financière. Il travaille en mode transverse et collabore avec de nombreux autres métiers comme les informaticiens, les webmarketerswebmarketers, les data analyst, les data miner, les chefs de produit, les responsables marketing... Le data scientist doit savoir raconter des histoires en utilisant des graphiques et via la visualisation de données. Ce pouvoir de narration fait partie des qualités principales du métier, au même titre que toute autre compétence technique. Il doit enfin faire preuve d'une grande curiosité intellectuelle, savoir se poser lui-même des questions et faire une veille active afin d'être au courant des évolutions récurrentes en data science.

Article réalisé en collaboration avec les équipes de DataScientest.