Le métier de Data Scientist

Le Data Marketing Scientist est expert en analyse quantitative et qualitative, et son rôle est d’identifier les statistiques clés du marché, d’interpréter les résultats et d’aider les responsables marketing à comprendre et manipuler les chiffres derrière leurs stratégies marketing.

Ses missions :

• Définir différents outils d'analyse et concevoir des tableaux de bord qui aident à la prise de décision et au suivi de la performance commerciale.
• Traduire les données des différentes opérations pour les transformer en informations opérationnelles sous forme de synthèses, reporting et présentations.
• Mettre en perspective les données analysées avec les orientations business globales et/ou spécifiques de l'entreprise et mesurer leur impact stratégique à moyen et long terme.
• Définir des indicateurs décisionnels clés permettant de piloter et d'optimiser le cycle de vie du client dans un parcours multicanal.
• Présenter les données analysées de manière claire, visuelle et pédagogique.

Le Data Analyst a pour rôle d’analyser d’importantes quantités de données (Big Data).

Ses missions :

• Réaliser des analyses statistiques et exploratoires.
• Construire des dashboards de suivi des performances permettant la prise de décision efficace pour le business.
• Participer à la définition, à la mise en place et à l'analyse des tests A/B.
• Mener des études approfondies afin de mieux connaître les clients, l’offre et en proposer des modèles.

Le Data Architect est au cœur de la conception des plateformes de données de l’entreprise et des modèles apportés par le Data Scientist.

Ses missions :

• Apporter ses conseils sur les choix de solutions, plateformes et technologies data à mettre en œuvre.
• Cadrer et formaliser les besoins des clients pour les traduire en exigences techniques.
• Réaliser des études de faisabilité technique.
• Définir une architecture de données cible répondant aux exigences fonctionnelles et techniques.
• Prendre part à la rédaction de cahiers des charges, dossiers d’architecture technique.
• Garantir la cohérence technique des solutions à mettre en œuvre.
• Designer et prototyper des architectures de données adaptées aux problématiques SI.
• Accompagner les équipes de développement dans la mise en place des solutions préconisées.
• Assurer une veille technologique.
• Concevoir et animer des formations techniques sur les technologies Data.

Le Data Engineer développe des solutions sécurisées qui permettent de traiter un gros volume de data dans un temps limité. Il définit, développe, met en place et maintient les outils et infrastructures nécessaires à l’analyse des données.

Ses missions :

• Délivrer des projets Data Lake / Big Data (ingestion de sources, pipeline de traitements de données, modélisation, tests, déploiements) dans un contexte de plus en plus DevOps.
• Comprendre les besoins des équipes digitales, principalement associées aux projets Data Science et leurs technologies et outils.
• Évaluer les contraintes techniques (IT, sécurité, accès, outils) d’une DSI.
• Assurer la veille technologique sur les composants d’une plateforme Datalake, Cloud.
• Assurer la maintenance des environnements techniques et partager ses connaissances.
• Rédiger les documents projets : design, réalisation, déploiement, etc.

Le Data Quality Manager vérifie l’exactitude et les mises à jour des données collectées, stockées et utilisées par tous les métiers de l’entreprise. Il doit assurer la standardisation de la data en créant par exemple une structure commune pour référencer tous les produits de l’entreprise.

Ses missions :

• Mettre en œuvre une stratégie Data Quality autour des données de référencement produits et l’animer.
• Définir les indicateurs de qualité de données d’un périmètre et mettre en place les outils nécessaires à les superviser.
• Extraire et manipuler un ensemble de données provenant de différents systèmes d'informations afin de pouvoir les comparer et ainsi identifier les éventuelles erreurs d’intégrités.
• Être à l’écoute des équipes technico-fonctionnelles des processus de référencement afin de déterminer les besoins Data Quality.
• Suivre les incidents/problèmes de production liés à la qualité de données afin de faire évoluer la stratégie Data Quality.
• Construire un collectif pour réussir à élever significativement le niveau de qualité des données d’un périmètre.