Au début des années 2000, les premiers véritables scientifiques de la donnée étaient les mathématiciens, les physiciens et les statisticiens. Ces spécialistes, évoluant dans des services ultra-cloisonnés, codaient et extrayaient manuellement des données pour générer des informations commerciales. La science de la donnée reste une discipline particulièrement récente et il faut du temps, des ressources et des formateurs pour élaborer un programme d’enseignement en partant de zéro.
Ce fossé entre le paysage technologique actuel et les compétences enseignées est une problématique persistante. Nous traversons l’une des plus grandes périodes de génération de données de l’histoire, et les entreprises cherchent de plus en plus à en tirer parti pour prendre des décisions rapides et précises. Toutefois, le nombre de professionnels qualifiés qui arrivent sur le marché du travail, ou le réintègrent, ne parvient pas à satisfaire la demande d’intelligence décisionnelle et d’informations pertinentes.
Puisque les entreprises ont besoin de prendre des décisions plus éclairées, elles doivent pouvoir s’appuyer sur des données précises, et l’humain reste le moyen le plus efficace de construire ces bases. Il s’agit de mettre les bons outils entre les mains des bons employés, à savoir ceux qui possèdent non seulement les connaissances métier, mais qui comprennent également le contexte de la problématique à résoudre.
Un malentendu général
C’est probablement à cause de cette visibilité précoce dans un nouveau domaine que le scientifique de la donnée est devenu quelque peu synonyme « d’analytique des données », conséquence d’un manque de compréhension à la fois dans le monde de l’entreprise et parmi les professionnels de l’enseignement. Il en résulte un malentendu général, qui laisse penser que la solution à ces défis de l’analytique des données passe par le recrutement de scientifiques de la donnée hautement qualifiés, capables de coder manuellement des solutions pour générer de la valeur métier. Dans les faits, l’apprentissage du code ne pourra pas à lui seul combler ce déficit de compétences en analytique des données. La solution à ce déficit de compétences en sciences, technologie, ingénierie et mathématiques (STIM) ne dépend pas des codeurs, mais plutôt des experts d’autres domaines qui ont à la fois la curiosité et la maîtrise des données.
« Si vous étiez perdu, vous ne demanderiez pas votre chemin à une équipe de science des données, mais à un taxi »
Si vous étiez perdu, vous ne demanderiez pas votre chemin à une équipe de science des données, mais à un taxi. Cette expertise est irremplaçable. Dans la même veine, tous les apprenants n’ont pas besoin de savoir coder. Python ne transforme pas une personne lambda en un analyste de la donnée de haute volée, ce langage informatique ne devrait donc pas être une compétence obligatoire pour l’analytique des données. Faire appel à des collaborateurs experts dans un domaine et les former à des outils d’analytique accessibles signifie qu’ils peuvent travailler plus étroitement avec l’équipe de science des données et, bien souvent, qu’ils peuvent résoudre leurs propres problématiques à leur rythme.
Il vous reste 44.51% de cet article à lire. La suite est réservée aux abonnés.