Comment ne pas se perdre dans l’océan des rôles de la Data Science ?

Source : Unsplash.com

Lorsque la Data Science a commencé à émerger, la définition des rôles était extrêmement simple. Il n’y avait que trois rôles : le Data Engineer, le Data Analyst et le Data Scientist. Autant de rôles que de repas dans une journée.

Puis au fil des années de nouveaux rôles ont été créés pour répondre à des besoins spécifiques ou recruter des personnes qui maîtrisent des outils tout aussi spécifiques. Cet accroissement du nombre de rôles liés à la Data Science est cependant naturel. En effet, la Data Science, comme tous les domaines du numérique, est perpétuellement en évolution. De nouveaux outils sont inventés, des nouvelles méthodes se popularisent, des nouvelles lois liées à la Data sont votées, et cetera.

De ce fait, il y a un réel besoin de catégoriser qui fait quoi en rôle et de les nommer, notamment pour les entreprises, pour mieux s’y retrouver. Aujourd’hui on compte plus de 30 rôles liés à la Data Science ! Pour n’en citer que quelques uns : on retrouve bien évidemment notre trio de départ, l’AI Developer, l’AI Specialist, le ML Engineer, le ML Specialist, le Data Storyteller, le Deep Learning Specialist, le Data Protection Officer, le Data Ops, le Data Steward, et cetera. Certains rôles ont des noms explicites faisant référence à l’outil nécessaire ou à la mission principale mais d’autres sont bien clairs comme le Data Steward.

Avec autant de rôles possibles, il est normal de se demander : Quoi choisir ? Comment choisir ? Pour vous aider dans votre choix et votre évolution professionnelle, voici quelques indications qui pourraient vous être utiles.

Vous allez faire un choix mais en aucun cas cela veut dire que le rôle que vous allez choisir pour commencer sera le dernier de votre carrière. Il est tout à fait possible de passer d’un rôle à l’autre une fois qu’on acquiert les connaissances et compétences nécessaires à ces rôles.

Cependant ce premier choix de rôle est tout de même important. En effet, choisir un rôle proche des connaissances et/ou compétences que vous avez déjà, permet de mieux appréhender le milieu de la Data Science mais surtout d’acquérir de nouvelles connaissances et compétences plus facilement.

Une fois que vous vous serez immergé dans ce nouveau rôle vous pourrez voir si ce dernier vous plait ou pas. Dans le cas où ce rôle ne vous convient pas, vous pouvez alors basculer lentement vers un autre rôle. Mais ne vous précipitez pas vers cet autre rôle trop rapidement ou à faire une fixation dessus car certaines choses que vous apprendrez pourront vous être utiles dans un futur plus ou moins proche.

Vous, en tant que personne, n’êtes pas un rôle. Le rôle sert de cadre. Mais fondamentalement vous allez produire des travaux, et ces travaux vont apporter des solutions à des problèmes. Par exemple, si vous êtes data analyst, vous allez répondre à des problèmes. Comment ? En aidant des personnes avec vos capacités d’analyse. Un autre exemple est si vous êtes data engineer, vous répondez également à des problèmes mais cette fois-ci en aidant des personnes grâce à vos capacités d’ingénieurs. Mais notre façon de vouloir résoudre des problèmes dépend de nos préférences. Toujours avec les deux exemples, certains préféreront l’analyse et d’autres l’ingénierie.

Cependant il n’y a pas de solution miracle pour savoir ce que l’on préfère, il faut essayer et pour cela il existe plusieurs types de formation pour s’imprégner d’un métier. Il peut s’agir de formation en vue de devenir data engineer, data analyst, data scientist, ou bien grâce à des bootcamps orientés vers un ou plusieurs métiers.

Source : Unsplash.com

De plus, ne vous limitez pas à la définition d’un rôle ou à sa fiche métier. La plupart des rôles sont récents et complexes à définir pour bien les distinguer. À cela s’ajoute la définition donnée par les entreprises pour tels ou tels rôles, mais leurs définitions sont construites pour répondre à leurs besoins et leurs attentes. De ce fait, il est parfois difficile de saisir la différence entre deux métiers.

Pour pallier ce problème, il est préférable de se concentrer sur les compétences nécessaires pour faire le métier que vous visez. Par exemple savoir se servir de l’outil MySQL Workbench ou faire du Machine Learning vous sera utile peu importe si vous voulez être Data Engineer, Data Analyst ou Data Scientist.

Enfin comme nous l’avons déjà dit dans notre article “Changez de carrière, devenez Data Scientist ! (Ou pas?)”, il est préférable voir même obligatoire de découvrir et d’apprendre toujours plus de choses sur la Data Science. La Data Science est un milieu qui évolue continuellement et rapidement, de nouvelles technologies émergent, de nouvelles méthodes se popularisent, de nouveaux outils se démocratisent, etc. Être dans la Data Science c’est comme être dans la Finance, il faut rester à l’affût de ce qui se fera demain pour pouvoir saisir les bonnes opportunités.

Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data Science, vous pouvez nous suivre sur Medium, Facebook, LinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !

Cette article a été inspiré par : The explosion of roles in Data Science de Antony Henao

Kickstart your Data Career and become a Data Rockstar. www.datarockstars.ai

Kickstart your Data Career and become a Data Rockstar. www.datarockstars.ai