En 2019, le Data Scientist a été nommé “le poste le plus prometteur” par LinkedIn. Que ce soit une entreprise du CAC 40 ou bien une PME / TPE, la constitution d’une équipe de professionnels de la data science était une priorité dans leurs stratégies business. En effet, l’année 2019 a battu tous les records d’investissements en IA et en data science !
Malgré toutes ces tendances positives, les Data Scientists finissent souvent par démissionner et changer d’entreprise rapidement. Comment cela se fait-il ? Analysons la situation.
Ils ne passent pas leur temps à faire ce pour quoi ils ont été engagés
Malheureusement, de nombreuses entreprises qui embauchent des data scientists ne disposent pas d’une infrastructure d’IA adaptée. De nombreuses enquêtes suggèrent qu’environ 80% du temps des data scientists est consacré à nettoyer, organiser et trouver les données d’entreprise (au lieu de les analyser), ce qui fait partie des tâches qu’ils apprécient le moins ! Dans l’article « How We Improved Data Discovery for Data Scientists at Spotify« , Spotify explique qu’au début, « les jeux de données manquaient de documentation claire, ce qui rendait la recherche de données difficile ». Comme quoi, même les data scientists travaillant pour les Géants du Web ont déjà ressenti de la frustration dans leur recherche de données !
La plupart des data scientists décident de partir de leur entreprise parce qu’ils finissent par filtrer les déchets dans leur écosystème data. Avoir des données propres et bien documentées est essentiel pour que vos data scientists puissent non seulement mieux trouver, découvrir et comprendre les données de l’entreprise, mais aussi gagner du temps sur des tâches fastidieuses et produire des informations exploitables.
Les objectifs business et data science ne sont pas alignés
Avec toutes les tendances d’IA et de machine learning, les dirigeants et investisseurs veulent présenter leurs projets de data science à la pointe des dernières avancées technologiques. Ils engagent souvent des experts en IA et data en pensant qu’ils atteindront leurs objectifs commerciaux en deux fois plus de temps. Or, c’est rarement le cas ! Les projets de data science impliquent généralement beaucoup d’expérimentation, de méthodes “test and learn” et d’itérations du même processus avant d’atteindre le résultat final.
Beaucoup d’entreprises augmentent leur embauche de data scientists afin d’accroître la production d’analyses data. Cependant, cette recherche n’a souvent qu’un « impact local » dans des parties spécifiques de l’entreprise, passant inaperçue aux autres départements qui qui pourraient finalement la prendre en compte dans leurs décisions !
Il est donc important que les deux parties travaillent ensemble en établissant une communication solide. L’alignement des objectifs commerciaux avec les objectifs de la data science est clé pour ne pas perdre vos data scientists. En utilisant une approche de Data Ops, les data scientists sont capables de travailler dans un environnement agile, collaboratif et propice au changement, qui favorise la communication entre les départements métiers et informatiques.
Ils ont du mal à comprendre et à contextualiser les données au niveau de l’entreprise
La plupart des organisations ont mis en place de nombreuses solutions complexes, généralement mal comprises par la majorité de l’entreprise, ce qui rend difficile la formation de nouveaux employés dans le domaine de la data science. Sans une solution centralisée unique, les spécialistes des données se retrouvent à passer par différentes technologies, perdant de vue quelles données sont utiles, à jour et de qualité pour leurs usages.
Ce manque de visibilité sur les données est frustrant pour les data scientists qui, comme mentionné ci-dessus, passent la majorité de leur temps à chercher des données dans de multiples outils et sources.
En mettant en place une source unique de vérité, les experts en data science sont en mesure de visualiser les données de leur entreprise et de prendre des décisions basées sur les analyses data.
Accélérez le travail de vos data scientists grâce à une solution de gestion des métadonnées
La gestion des métadonnées est une discipline essentielle pour les entreprises qui souhaitent soutenir l’innovation ou les initiatives de conformité réglementaire sur leur patrimoine de données. En mettant en œuvre une stratégie de metadata management, dans laquelle les métadonnées sont bien gérées et correctement documentées, les data scientists sont en mesure de facilement trouver et extraire des informations pertinentes à partir d’une plateforme intuitive. En leur fournissant les bons outils, vos équipes de data science seront capables de créer de nouveaux algorithmes de machine learning pour leurs projets data et donc, de produire de la valeur pour votre entreprise.
Découvrez nos conseils pour commencer une gestion des métadonnées en seulement 6 semaines en téléchargeant notre nouveau livre blanc « Le guide du metadata management ».
