Le métier de « data scientist » a connu une ascension fulgurante dès son émergence au début du nouveau millénaire. Avec des données qui s'imposaient désormais comme l'un des ingrédients clés du succès des entreprises, et devenaient plus accessibles que jamais, les professionnels qui ajoutaient ce nouveau titre à leur CV voyaient leurs prétentions salariales augmenter en un instant.

Les spécialistes des bases de données, les mathématiciens, les statisticiens et les physiciens ont été parmi les premiers à se tourner vers la Data Science. Ils écrivaient du code à partir de zéro et exploitaient des données provenant de sources relativement limitées. L'un de leurs plus grands défis consistait toutefois à rassembler les données appartenant à différents départements, contrôlées par différentes personnes et stockées dans différents silos difficiles d'accès.

Étant donné qu'il n'existait aucune formation officielle en Data Science pour améliorer leurs compétences, ces spécialistes ont dû s'appuyer sur leurs propres connaissances en codage pour fournir des insights orientés data. Leur travail leur conférait une très grande liberté et exigeait un niveau exceptionnellement élevé d'expertise technologique pour libérer de la valeur métier - les attributs parfaits pour un boom de popularité. C'est ainsi qu'en 2012, Thomas H. Davenport et D.J. Patil ont déclaré le métier de « data scientist » comme étant le « job le plus sexy du 21e siècle », et que les temps étaient favorables pour la profession.

20 ans après : qu'est-ce qui a changé ?

La demande en data scientists continue d'augmenter et atteint un niveau record en 2022. Les annonces publiées sur LinkedIn pour des postes de data scientists en France se comptent par milliers voire dizaines de milliers. Des insights orientés data étant désormais indispensables pour améliorer l'efficacité et les performances des entreprises, la Data Science continue de figurer parmi les domaines de spécialisation les plus convoités. Une déclaration sans surprise quand on voit la croissance exponentielle du volume de données qui devrait atteindre 180 zettaoctets d'ici 2025.

Le besoin d'exploiter des données brutes non structurées pour générer des insights n'a jamais été aussi crucial. Avec les perturbations sur la supply chain mondiale engendrées par la pandémie, les initiatives « net zéro » dans tout le monde occidental et la crise énergétique actuelle qui exige de repenser les standards d'efficacité, les entreprises posent des questions plus précises que jamais. Ces questions nécessitent également un plus grand degré de compétences en matière de données, d'expérience et de connaissance du domaine pour développer les insights correspondants. Le cabinet Gartner le confirme, soulignant que les compétences en matière de données sont un moteur essentiel et nécessaire de la valeur métier.

Cette demande d'avantage concurrentiel basé sur la data augmente depuis un certain temps. Analyste chez Forrester Research, Brandon Purcell déclarait en 2019 que « l'essor de l'IA et du machine learning peut également expliquer la hausse spectaculaire de la demande en data scientists... C'est en grande partie une affaire d'image de marque. Beaucoup d'entreprises voient les data scientists comme la clé pour adopter l'IA ou le machine learning, les deux technologies incontournables du moment. »

Data Science : l'exode

La demande en croissance permanente d'insights orientés data, combinée au manque de compétences en Data Science, au nombre de postes à pourvoir et aux charges de travail insoutenables, a un véritable effet d'entraînement. Bien que les entreprises aient souvent accès aux données dans leur forme brute, elles ne disposent pas toujours d'une infrastructure robuste ou encore d'experts aux compétences avancées pour matérialiser la valeur de ces données de façon innovante et efficace. Au final, les professionnels en place s'épuisent et envisagent de quitter leur poste.

Malgré une hausse massive de la demande en data scientists au cours de la dernière décennie, 97 % des professionnels de la data déclarent « se sentir épuisés dans leur travail au quotidien ». Selon une étude mondiale d'une plateforme consacrée aux carrières dans la Data Science, les data scientists ne restent désormais à leur poste que 1,7 an en moyenne, bien en deçà de la moyenne de 4,2 ans enregistrée pour les développeurs de logiciels. Pipelines de données défectueux, recherche et correction de problèmes de données, attentes irréalistes des entreprises, culture du blâme... l'étude a mis en évidence plusieurs facteurs clés à l'origine de ce burnout - un défi qui concerne l'ensemble des professionnels de la data.

Les résultats d'un infobrief IDC rédigé pour Alteryx ont corroboré cette conclusion, soulignant que 100 000 vies humaines de données et d'heures de travail analytique sont perdues chaque année dans le monde par l'utilisation de tableurs d'ancienne génération parmi les professionnels de la donnée. Selon cette même étude, 91 % des organisations auraient signalé « quelques lacunes en matière de données et d'analytique », avec une pénurie particulière de compétences impliquant l'apprentissage prédictif, prescriptif et automatique.

Il est clair que ce manque de compétences ne se limite pas à un seul domaine de la Data Science. En plus d'une forte hausse de la demande en data scientists hautement qualifiés, et par conséquent d'une pression accrue sur ces derniers, cette tendance se répercute sur les ingénieurs, opérateurs et autres professionnels de la donnée. Ces profils cités dans l'étude comme souffrant de burn-out maîtrisaient principalement les langages Python et SQL. Et plus de la moitié étaient titulaires d'une maîtrise.

Sans cette référence fondamentale de talents en matière de données et une mise à niveau continue des compétences sur l'ensemble du continuum des données (professionnels data-native, ingénieurs de données, data scientists, etc.), on assiste à un effet coup de fouet où le manque de capacité ou d'expérience des professionnels moins expérimentés est relevé par ceux plus d'expérimentés.

Rétention des data scientists : le besoin de compétences fondamentales

Le secteur de la science et des analyses des données se trouve aujourd'hui à un carrefour similaire à celui devant lequel étaient les équipes informatiques au milieu des années 1900 - un point pivot entre les spécialistes dans leur tour d'ivoire et ceux qui font vivre les entreprises. Ces défis ont été résolus en renforçant les compétences dans les entreprises et en tirant un trait sur le modèle de travail en silo.

En 1981, IBM lançait le tout premier ordinateur personnel grand public, contribuant ainsi à démocratiser la puissance de l'informatique. Le « Mark 1 » a été largement utilisé en 1944, mais il mesurait 15 mètres de long et 2 mètres de haut. Compte tenu du coût impliqué et de la barrière expérientielle à l'entrée, des compétences exclusives pour accéder à cette machine et l'utiliser étaient une nécessité absolue. Au fur et à mesure de son évolution, plus le système Mark 1 devenait accessible et convivial, plus ses avantages en matière de productivité devenaient évidents. La poursuite de la démocratisation de la technologie et l'élargissement des compétences étaient donc une étape claire vers le succès.

Avec le recul, les niveaux d'efficacité et de productivité dont nous bénéficions aujourd'hui grâce au PC auraient été impossibles si le Mark 1 était resté cloisonné au sein de l'équipe informatique. Si ces équipes avaient conservé une approche cloisonnée, nous aurions assisté à un burnout similaire, à un exode massif du personnel et à une myriade d'autres défis associés à une charge de travail insoutenable, ainsi qu'à une monopolisation exponentielle de leur temps... comme on le constate aujourd'hui dans la Data Science.

Bien que la pénurie de compétences soit certainement mieux comprise dans les entreprises, l'un des défis actuels les plus urgents dans le secteur de la Data Science est le manque de compréhension. Simplement parlant, pour freiner l'exode de la Data Science, la solution ne consiste pas pour les entreprises à embaucher plus de data scientists - le changement doit être fondamental. Demander à un maître mécanicien d'effectuer les vidanges d'huile n'est pas une manière efficace d'utiliser les ressources dans un garage.

La stratégie de base pour atténuer le burnout dans le secteur de la Data Science et fidéliser le personnel consiste à développer une équipe plus robuste, composée d'analystes, d'ingénieurs, et dirigée par des data scientists. Mais aussi et surtout, cette équipe doit être portée par un solide ensemble de compétences fondamentales apportées par des professionnels data-native internes. Des équipes dotées d'un niveau d'expérience leur permettant de franchir un niveau supérieur pourront capitaliser sur ce que leurs données leur disent. Elles pourront ainsi veiller à ce que des volumes importants de données complexes et non structurées soient affinés dans des pipelines standardisés de données pertinentes, opportunes et de qualité, porteuses de valeur pour l'entreprise.