Missions principales
Le quotidien et les responsabilités.
- Traduire une question métier en problème traitable, ou démontrer qu'elle est hors de portée
- Explorer les données disponibles et en évaluer honnêtement la qualité
- Construire, entraîner et comparer des modèles adaptés au problème posé
- Mesurer la performance sur des critères qui ont un sens pour le métier, au-delà du seul sens statistique
- Présenter les résultats et leurs limites à des interlocuteurs métier
- Préparer le passage en production avec les équipes d'ingénierie
Compétences
Ce qu'il faut maîtriser.
- Statistiques et apprentissage automatique, y compris ce que chaque méthode suppose
- Python et son écosystème d'analyse et de modélisation
- SQL solide : l'accès aux données reste la première contrainte du métier
- Esprit critique sur les données : biais de sélection, fuite de données, sur-apprentissage
- Capacité à expliquer un résultat et à en dire ouvertement les limites
- Compréhension du domaine métier, indispensable pour poser la bonne question
- Anglais technique courant : la documentation et la recherche s'y trouvent
Formation
Le parcours type.
École d'ingénieur, master en statistiques, mathématiques appliquées, économétrie ou informatique, parfois doctorat. Le diplôme dit peu de choses sur ce poste : ce qui distingue les candidatures est un portefeuille de problèmes réellement résolus, avec les contraintes de données du monde réel, plutôt qu'un enchaînement de certifications.
Étudiant ou jeune diplômé ? Entourage Club est notre accompagnement gratuit vers un premier poste en Finance ou en Tech.
Évolutions
Les évolutions possibles.
- Lead data scientist ou responsable d'équipe data
- Machine learning engineer, vers l'industrialisation
- Data analyst senior ou analytics engineer, vers la décision
- Product manager sur un produit à forte composante data
- Responsable data ou chief data officer à plus long terme
Conseils Entourage : Recruter
Recruter un Data Scientist.
Nous écrivons d'abord avec vous ce que la personne fera les six premiers mois, très concrètement. Si la réponse ressemble à des tableaux de bord et de l'analyse, le poste est celui d'un analyste, et un data scientist recruté pour l'occuper le quittera. Si elle ressemble à un modèle mis en production, l'ingénierie représentera une large part du travail, et nous le disons aux candidats. En entretien, nous préférons un cas réel avec des données sales à un exercice d'algorithmique : les candidats solides se reconnaissent à ce qu'ils demandent avant de modéliser, plus qu'à la méthode qu'ils citent.
Conseils Entourage : Candidater
Postuler pour un poste de Data Scientist.
Un projet où le modèle s'est révélé insuffisant, raconté avec ses raisons, sert mieux une candidature qu'une série de réussites. Reconnaître qu'une piste était une impasse, ou qu'un gain mesuré en test s'est perdu en production, vous distingue nettement des candidatures qui se contentent d'aligner des scores. La précision compte sur ce qui est allé en production et sur ce qui est resté un carnet d'expérimentation : la différence est immense pour un employeur, qui s'attend à ce qu'une partie seulement soit industrialisée. Enfin, l'accès aux données est une question à poser en entretien : il déterminera votre quotidien bien plus que la stack annoncée.
Ce que nous proposons aux candidats
- À télécharger : Préparer un entretien (fonctions Tech)
