Présentation du métier
Contexte de travail
Conditions de travail
Compétences et niveaux attendus
Certifications
Proximité(s)/évolution(s) envisageables
Tendances nationales sur le métier
Pour en savoir plus
DATA SCIENTIST
Famille : Soutien de la prestation
Autres appellations en français
- Chargé de modélisation des données
- Explorateur de données
Autres appellations en anglais
- Data Scientist
Présentation du métier : Data Scientist
Finalité du métier
Le Data Scientist intervient en expertise auprès des métiers. Il introduit des techniques de Data Science et d'Intelligence Artificielle pour aborder la résolution d'une problématique métier, la prise d'une décision sur l'automatisation d'opérations. Afin de fournir une solution en adéquation avec la demande, il doit comprendre la finalité, les spécificités et les attentes des différents métiers.
Missions principales
Identifier et explorer la problématique à traiter :
Le Data Scientist collabore avec différents départements au sein d'une organisation pour analyser et interpréter les données. Il identifie les opportunités de traitement algorithmique sur tout ou partie d'une problématique métier (discipline, secteur). Il recense et agrège les sources de données disponibles ou non, massives (Big Data) ou non, homogènes ou hétérogènes, concentrées ou dispersées.
Concevoir et exploiter la solution de Data Science et d'Intelligence Artificielle :
Il conçoit et/ou assemble les blocs de solutions nécessaires au traitement des données. Il coordonne le développement, les tests de résultats et améliore la solution sur sa durée de vie. Il exploite des résultats pour les besoins métiers des utilisateurs.
Coordonner les aspects métiers et technologiques :
Il participe au dimensionnement des ressources humaines, technologiques et organisationnelles demandées par la solution et réadapte la solution d'ensemble selon ces ressources, dans le cadre de la stratégie d'organisation. Il anticipe l'équilibre des flux de données et ressources mises en oeuvre sur toute la durée de vie de la solution.
Contribuer à la réduction de l'empreinte écologique liée au numérique :
Il intègre la sobriété numérique dans le traitement et l'analyse des données en adoptant des pratiques responsables comme l'optimisation des algorithmes pour consommer moins de ressources informatiques, ou des solutions de stockage de données plus économes en énergie.
Le Data Scientist collabore avec différents départements au sein d'une organisation pour analyser et interpréter les données. Il identifie les opportunités de traitement algorithmique sur tout ou partie d'une problématique métier (discipline, secteur). Il recense et agrège les sources de données disponibles ou non, massives (Big Data) ou non, homogènes ou hétérogènes, concentrées ou dispersées.
Concevoir et exploiter la solution de Data Science et d'Intelligence Artificielle :
Il conçoit et/ou assemble les blocs de solutions nécessaires au traitement des données. Il coordonne le développement, les tests de résultats et améliore la solution sur sa durée de vie. Il exploite des résultats pour les besoins métiers des utilisateurs.
Coordonner les aspects métiers et technologiques :
Il participe au dimensionnement des ressources humaines, technologiques et organisationnelles demandées par la solution et réadapte la solution d'ensemble selon ces ressources, dans le cadre de la stratégie d'organisation. Il anticipe l'équilibre des flux de données et ressources mises en oeuvre sur toute la durée de vie de la solution.
Contribuer à la réduction de l'empreinte écologique liée au numérique :
Il intègre la sobriété numérique dans le traitement et l'analyse des données en adoptant des pratiques responsables comme l'optimisation des algorithmes pour consommer moins de ressources informatiques, ou des solutions de stockage de données plus économes en énergie.
Contexte de travail
Variables spécifiques au métier
Nature de la problématique métier :
Pour le Data Scientist, elle influe sur la nature des données et les caractéristiques de la solution mise en place. Une même solution est rarement réplicable pour deux situations analogues, mais des blocs de solutions sont fréquemment réutilisés.
Technologies d'IA et Data Science mobilisées :
Les technologies et langages de traitement des données sont différents selon les besoins de traitement (ex : Vision Artificielle, Traitement de la voix et du langage naturel, Robotique, IA du cloud comme l'IA générative). Le Data Scientist mobilise fréquemment des briques de solutions existantes, qu'il adapte et complète par des briques qu'il conçoit. La croissance d'outils comme les plateformes de développement Low code, No code lui permettent de gagner en efficacité opérationnelle par une mise en oeuvre rapide de programmes d'automatisation.
Type de données exploitées :
Les types de données sont différents selon le secteur d'application et la finalité. Les expertises techniques vont donc varier selon ces points (données numériques, signal sonore ou visuel, métadonnées, etc.). L'aspect réglementaire et éthique intervient également pour certaines données (ex : RGPD).
Ressources mobilisées :
Les ressources techniques mises en oeuvre pour la solution (ex : puissance de calcul, sources et stockage de données, réseaux, flux de données ponctuels ou actualisés en temps réel) font varier les interlocuteurs et la structure du projet. Les ressources financières engagées modifient également ces paramètres de projet.
Pour le Data Scientist, elle influe sur la nature des données et les caractéristiques de la solution mise en place. Une même solution est rarement réplicable pour deux situations analogues, mais des blocs de solutions sont fréquemment réutilisés.
Technologies d'IA et Data Science mobilisées :
Les technologies et langages de traitement des données sont différents selon les besoins de traitement (ex : Vision Artificielle, Traitement de la voix et du langage naturel, Robotique, IA du cloud comme l'IA générative). Le Data Scientist mobilise fréquemment des briques de solutions existantes, qu'il adapte et complète par des briques qu'il conçoit. La croissance d'outils comme les plateformes de développement Low code, No code lui permettent de gagner en efficacité opérationnelle par une mise en oeuvre rapide de programmes d'automatisation.
Type de données exploitées :
Les types de données sont différents selon le secteur d'application et la finalité. Les expertises techniques vont donc varier selon ces points (données numériques, signal sonore ou visuel, métadonnées, etc.). L'aspect réglementaire et éthique intervient également pour certaines données (ex : RGPD).
Ressources mobilisées :
Les ressources techniques mises en oeuvre pour la solution (ex : puissance de calcul, sources et stockage de données, réseaux, flux de données ponctuels ou actualisés en temps réel) font varier les interlocuteurs et la structure du projet. Les ressources financières engagées modifient également ces paramètres de projet.
Contextes organisationnels
Type et taille d'entreprise :
En tant qu'indépendant, une expertise sectorielle et/ou métier pointue sera ici requise en complément des expertises métiers et gestion de projet ci-dessous. En plus de ses compétences techniques, il nécessite donc des compétences administratives, de positionnement marché et de prises de partenariats de commercialisation et/ou de production avec des sociétés susceptibles de capter ces demandes. Dans une société d'études, le besoin de connaissances sera ici multisectoriel. La dimension "traitement statistique" est accrue, dans l'optique d'une prise de décision marketing et stratégique. Une automatisation du traitement de certaines données pourra aussi générer des besoins de compétences spécifiques. Dans un cabinet de conseil en management, la finalité d'automatisation de process, de prédiction et de prise de décision sera ici privilégiée, générant des besoins de compétences complémentaires en accompagnement de projet, de décision et d'organisations. Pour les clients et entreprises de taille internationale, l'hétérogénéité des données et contextes nécessite une Data science plus complexe.
Type et taille de projet :
Le Data scientist travaille dans des secteurs variés et sur des projets d'une grande diversité. En relation étroite avec tous les services concernés par l'exploitation des données, il peut intervenir sur des projets spécifiques (développement d'une application spécifique à l'entreprise) ou au contraire travailler sur des missions transversales, par exemple pour répondre à des besoins liés à l'analyse en continu d'un marché.
En tant qu'indépendant, une expertise sectorielle et/ou métier pointue sera ici requise en complément des expertises métiers et gestion de projet ci-dessous. En plus de ses compétences techniques, il nécessite donc des compétences administratives, de positionnement marché et de prises de partenariats de commercialisation et/ou de production avec des sociétés susceptibles de capter ces demandes. Dans une société d'études, le besoin de connaissances sera ici multisectoriel. La dimension "traitement statistique" est accrue, dans l'optique d'une prise de décision marketing et stratégique. Une automatisation du traitement de certaines données pourra aussi générer des besoins de compétences spécifiques. Dans un cabinet de conseil en management, la finalité d'automatisation de process, de prédiction et de prise de décision sera ici privilégiée, générant des besoins de compétences complémentaires en accompagnement de projet, de décision et d'organisations. Pour les clients et entreprises de taille internationale, l'hétérogénéité des données et contextes nécessite une Data science plus complexe.
Type et taille de projet :
Le Data scientist travaille dans des secteurs variés et sur des projets d'une grande diversité. En relation étroite avec tous les services concernés par l'exploitation des données, il peut intervenir sur des projets spécifiques (développement d'une application spécifique à l'entreprise) ou au contraire travailler sur des missions transversales, par exemple pour répondre à des besoins liés à l'analyse en continu d'un marché.
Conditions de travail
Le rythme de travail
Il varie selon la phase de conception ou de test de la solution, mais reste soutenu dans la phase d'exploitation. La durée de vie d'une solution peut demander des ajustements sur toute la durée de vie d'une organisation et le mode projet n'est donc pas le seul mis en oeuvre.
Déplacements
Ils sont occasionnels, notamment pour les rencontres clients ou les autres sites de l'organisation. Ils peuvent être plus fréquents lorsque les données sont uniquement accessibles sur le site d'exploitation.
Les relations professionnelles
Relations internes
- Chef de groupe
- Business / Data Analyst
- Directeur d'études
- Chargé d'études
- Manager - Responsable de mission
- Directeur-Associé
- Chef de projet
- Directeur clientèle
Relations externes
- Chef de projet client
- Responsable métier clients
- Responsable marketing
- Dirigeants
- Autres Data Scientist
Compétences et niveaux attendus en 4 niveaux cumulés
Macro compétences
Niveaux et compétences attendues
Exemple concret d'activité pour le niveau attendu
Macro compétences :
Intégrer des outils IA/Data Science
Niveaux et compétences attendues :
1
Identifier les outils de Data Science applicables selon le contexte et les objectifs
2
Préconiser, concevoir ou intégrer un outil IA/Data Science adapté à la problématique métier
3
Anticiper l'intégration d'outils IA/Data Science dans l'organisation du travail
4
Déterminer l'opportunité de l'intégration d'outils IA/Data Science dans le modèle d'affaires
Niveau attendu : 4
Exemple concret d'activité pour le niveau attendu :
Lors d'une réponse sur un appel d'offres d'un client, le Data Scientist détermine le meilleur équilibre entre les capacités d'investissement de l'organisation, la finalité du projet, les technologies et ressources mobilisées.
Macro compétences :
Anticiper l'impact économique d'une solution technique
Niveaux et compétences attendues :
1
Repérer l'ensemble des postes de dépenses et intervenants d'une solution
2
Dimensionner les coûts de déploiement et d'exploitation de chaque étape du cycle de vie de la solution ou de l'équipement
3
Piloter une décision économique d'ensemble équilibrée et adapter les étapes
4
Donner du sens à une décision d'investissement sur son impact économique et le service rendu aux parties prenantes
Niveau attendu : 2
Exemple concret d'activité pour le niveau attendu :
Il rédige le volet technique de Data Science d'une proposition de conseil en marketing ou organisation.
Macro compétences :
Gérer et exploiter des données massives
Niveaux et compétences attendues :
1
Identifier les outils Big Data applicables selon le contexte et les objectifs
2
Adapter des outils Big Data pour exploiter des données massives de sources multiples
3
Délivrer une analyse synthétique et une préconisation
4
Coordonner le stockage de données, la puissance de calcul et anticiper l'évolution des besoins de données
Niveau attendu : 3
Exemple concret d'activité pour le niveau attendu :
Dans le cadre d'une rédaction de cahiers des charges, il anticipe le besoin de rafraîchissement des données sur l'ensemble de la durée de vie des données ou de la solution d'IA/Data Science.
Macro compétences :
Mettre en place et exploiter une étude
Niveaux et compétences attendues :
1
Analyser la cohérence de résultats d'un questionnaire quantitatif ou qualitatif
2
Concevoir un questionnaire quantitatif ou qualitatif selon les objectifs et le contexte
3
Produire un conseil et un plan d'accompagnement à partir de résultats
4
Définir une stratégie d'étude multi-outils (enquête, données, entretiens…)
Niveau attendu : 2
Exemple concret d'activité pour le niveau attendu :
Lors de la phase de conception, il articule une enquête statistique en fonction des résultats issus de la solution de Data Science.
Macro compétences :
Mener et exploiter une analyse stratégique
Niveaux et compétences attendues :
1
Identifier les éléments différenciants et facteurs clés de succès d'une organisation
2
Interpréter et rédiger les résultats d'une analyse stratégique
3
Définir plusieurs options stratégiques, projeter leurs conséquences selon le contexte
4
Piloter une transformation stratégique sur la durée
Niveau attendu : 3
Exemple concret d'activité pour le niveau attendu :
Il participe à la définition d'un conseil stratégique sur la base des résultats de la solution de Data Science et des autres moyens de l'étude lors de la phase de conception.
Macro compétences :
Animer une démarche agile et innovante
Niveaux et compétences attendues :
Exemple concret d'activité pour le niveau attendu :
Lors du démarrage du projet, il articule les itérations entre besoins et propositions des acteurs, techniques et métiers.
Macro compétences :
Influencer et convaincre
Niveaux et compétences attendues :
1
Identifier et décrypter les positions des différents interlocuteurs et les relais d’influence
2
Adapter son discours, ses arguments et l'organisation des échanges aux interlocuteurs à convaincre
3
Synthétiser une argumentation percutante et anticiper les objections
4
Equilibrer un discours fidèle à la finalité partagée par les parties prenantes
Niveau attendu : 3
Exemple concret d'activité pour le niveau attendu :
En soutenance de projet, il produit un conseil orienté client à partir d'une solution technologique.
Macro compétences :
Utiliser l'anglais en contexte professionnel
Niveaux et compétences attendues :
Exemple concret d'activité pour le niveau attendu :
Il dirige une réunion de projet pour un client multinational.
Macro compétences :
Analyser et gérer les risques
Niveaux et compétences attendues :
1
Actualiser le référentiel des risques et analyser leurs impacts potentiels
2
Rédiger un plan de gestion des risques selon les objectifs et le contexte
3
Piloter l'ensemble des ressources face aux risques
4
Donner du sens aux mesures et accompagner les acteurs internes/externes impliqués
Niveau attendu : 1
Exemple concret d'activité pour le niveau attendu :
Il analyse les risques juridiques de l'exploitation d'un type de données lors de la phase d'identification.
Macro compétences :
Concevoir et déployer un algorithme
Niveaux et compétences attendues :
1
Identifier les usages d'une solution algorithmique et les technologies existantes (ex: IA générative, robotique)
2
Assembler des solutions algorithmiques existantes, les adapter et les tester
3
Créer et tester une nouvelle solution algorithmique sur mesure
4
S'assurer de l'usage conforme juridiquement (ex : RGPD) et éthique de la solution par tous les usagers
Niveau attendu : 2
Exemple concret d'activité pour le niveau attendu :
Durant le déroulement du projet, il coordonne l'adaptation des paramétrages en fonction des besoins qualitatifs et structurels des données à exploiter.
Macro compétences :
Manager la connaissance
Niveaux et compétences attendues :
1
Identifier et catégoriser les connaissances à transmettre
2
Concevoir une architecture de classification des connaissances exploitable selon les usages
3
Piloter l'intégration de la connaissance dans les processus métiers
4
Valoriser et pérenniser les connaissances au sein d'une organisation
Niveau attendu : 4
Exemple concret d'activité pour le niveau attendu :
Lors de la phase de conception, il organise une architecture de la connaissance exploitable par les métiers de l'organisation, à partir des données massives.
Macro compétences :
Gérer un projet
Niveaux et compétences attendues :
1
Suivre les étapes, délais et coûts d'un projet et analyser les écarts par rapport à la demande
2
Adapter et optimiser les caractéristiques d'un projet selon les évolutions d'objectifs et de contexte
3
Piloter une ou plusieurs phases et équipes projets
4
Coordonner plusieurs projets stratégiques et développer les relais de gestion de projet
Niveau attendu : 3
Exemple concret d'activité pour le niveau attendu :
Il adapte sa conception de l'organisation du projet et du développement de la solution selon les besoins stratégiques de l'entreprise.
Certifications
Liste des certifications
Hors branche
Proximité(s)/évolution(s) envisageables
La proximité des métiers
Axes de mobilité professionnelle
Sens d'évolution
Sélection de secteur
Numérique
Ingénierie
Études & Conseil
Évènement
Transverses
Autre
Cliquer sur un secteur pour afficher
uniquement les provenances et les
évolutions depuis et vers ce secteur
Cliquer sur les flèches pour accéder à la comparaison des métiers.
Provenances possibles
Evolutions envisageables
Autres provenances
Autres provenances
Provenances lointaines
Provenances lointaines
Provenances moyennes
Provenances moyennes
Proximité forte
Proximité forte
Evolutions moyennes
Evolutions moyennes
Evolutions lointaines
Evolutions lointaines
Autres évolutions
Autres évolutions
Data Scientist
Chargé d'études
Chargé d'études statistiques
Expert en Intelligence Artificielle
Directeur clientèle
Directeur d'études
Chef de groupe
Business - Data analyst
Data Scientist
Data Scientist
Consultant senior en management
Ces mobilités sont données à titre indicatif, sans valeur d’obligation pour les entreprises et les salariés qui doivent les adapter à leur situation particulière.
