Focus métier : data scientist ou analyste de données, quelles différences ?

La fonction du Data-Scientist représente une évolution du rôle de l’analyste de données (Data analyst, en anglais) au sein des organisations. Par ricochet, les deux fonctions se partagent les mêmes bases cognitives, surtout les solides savoir-faire en matière d’informatique, la modélisation, les statistiques, les analyses et les mathématiques.

Cependant, ce qui distingue le scientifique de données c’est son sens aigu des affaires, associé à la capacité de communiquer les résultats déduits de ses travaux à la fois aux entreprises et aux dirigeants, d’une manière qui peut influencer la façon dont ils gèrent les défis. Les bons scientifiques de données ne seront pas seulement capables de résoudre des problèmes d’affaires, mais ils vont choisir celles avec le plus grand ROI.

Des différences dans le traitement des données

Le rôle du scientifique de données a été décrit par plusieurs spécialistes comme « partie analyste, partie artiste ». Dans ce sens, il doit être quelqu’un de curieux, capable de regarder les données brutes et d’y repérer les tendances dans le but d’y établir une modélisation.

Alors qu’un analyste de données peut se contenter de données venant d’une source unique, un scientifique de données devra explorer et examiner les data provenant de multiples sources disparates. Le scientifique de données va passer au crible toutes les données entrantes dans le but de découvrir des indices cachés, qui à leur tour peuvent fournir un avantage concurrentiel à l’organisation ou répondre à un problème d’affaires pressant.

Compétences requises pour devenir un Data-Scientist

Comme nous l’avons déjà vu dans un précédent article, le data scientist doit pouvoir maîtriser un spectre large de compétences à savoir : des langages statistique de programmation, comme R ou Python, et un langage d’interrogation de base de données à l’instar de SQL.

De ce fait, le spectre des compétences de la personne intéressée par ce poste doit couvrir des domaines comme : les statistiques (y compris les outils informatiques permettant d’effectuer ces fonctions), les calculs multi-variables et algèbres linaires, la virtualisation et le Cloud computing, big data, etc.

Partant de ce constat, il faut pour ces deux métiers du web une bonne connaissance scientifique et informatique, ainsi qu’une grande maîtrise de l’environnement numérique.