Une carrière en Data Science, toujours un bon choix?
#6 Revoyons les fondamentaux et la grille salariale
Salut pour cette nouvelle édition.
Avant de commencer, je tiens à te remercier, toi qui me lis. Nous sommes à présent 128, vivement la suite ❤️
Si ce n’est pas déjà fait tu peux :
Découvrir un aperçu de mon livre QueryBook
Cette semaine
Data Science is dead…
Les salaires en Data Science
Ne rate pas mon live sur le data storytelling
Data Science is dead…
“Data Science is dead, long live the data engineer”, c’était le titre de la conférence de Joe Reis à One Point la semaine dernière.
Il a mis en avant les problèmes qui reviennent souvent au niveau des projets incluant du machine learning en entreprise.
85% des projets big data échouent (Gartner, 2017)
87% des projets data science ne passent pas en production (VentureBeat, 2019)
Ces chiffres, bien que datant de quelques années, restent d'actualité et soulèvent une question cruciale : pourquoi tant d'échecs ?
➡️ La réponse est simple : trop souvent, les projets de data science se focalisent sur des solution difficiles à maintenir, qui n’apportent pas beaucoup de valeur ajoutée aux équipes business. On se lance tête baissée dans le machine learning, sans prendre le temps de réfléchir à comment l’impact sur les objectifs peut être mesuré.
➡️ Résultat : des projets qui ne répondent pas aux attentes, des modèles inefficaces et des investissements gaspillés. Nick Hotz en parle très bien dans l’article Why Big Data Science & Data Analytics Projects Fail.
C'est là que le rôle du data engineer devient crucial. Car avant de pouvoir exploiter la data, il faut d'abord la collecter, la nettoyer, la structurer et la rendre accessible. C'est un travail long et fastidieux, mais c'est la base indispensable de tout projet data science réussi.
Comme l'a justement souligné Monica Rogati dans l’article The hierarchie of needs, les entreprises ont avant tout besoin d'une infrastructure solide permettant de collecter, stocker et transformer facilement les données. C'est la base indispensable de tout projet data science réussi.
C'est pourquoi, entre 2020 et 2023, les entreprises françaises ont commencé à réorienter leurs recrutements. Elles ont privilégié les profils d'ingénieurs data, plus à même de répondre à ce besoin crucial d'infrastructure. Christophe Heng, manager chez One Point (il recrute en ce moment), a partagé ses difficultés à trouver des data engineers, alors qu'il reçoit chaque semaine de nombreux CV de data scientists.
Alors, la data science est-elle vraiment morte ?
la data science n'est pas morte, mais elle se réinvente. Elle se recentre sur les besoins concrets des entreprises et exige des data scientists une expertise technique accrue. Aujourd'hui, on demande au Data Scientist d'avoir des compétences techniques plus poussées. Il doit être capable de :
Faire de la virtualisation avec Docker
Gérer la mise en production
Travailler sur des systèmes distribués
En résumé, C'est en s'adaptant à cette nouvelle réalité que les data scientists continueront à jouer un rôle crucial dans l'exploitation de la data et le développement des entreprises.
Plus de compétence = Plus d’argent pour les data scientists?
La Carrière de Data Scientist
Avant de parler salaire, parlons carrière. Est-ce toujours le bon moment pour démarrer une carrière dans la data science?
Oui mais il faut noter que le nombre d'écoles formant au métier de Data Scientist a explosé ces dernières années. Cela signifie que la concurrence est rude pour décrocher un premier emploi dans ce domaine.
Le choix de l'école est crucial.
C'est malheureux à dire, mais il est parfois plus facile de trouver un poste de data scientist en sortant d'une école de commerce qu'en sortant d'une université. En effet, les écoles de commerce ont souvent un réseau et une réputation qui sonnent mieux auprès de certains recruteurs.
Le salaire en début de carrière.
Les salaires varient en fonction de la structure et de l'ancienneté. La médiane du salaire de data scientists en début de carrière est entre 37 500 € et 42 500 € brut annuels à Paris. Il existe un écart important entre les salaires annoncés dans les études et la réalité du marché.
La grille des salaires proposée par Harnham semble un peu élevée. Je connais des personnes occupant des postes de lead techniques dans de grands groupes comme Orange ou SNCF. Leur rémunération n'atteint pas les 70 000 € annuels.
En réalité, le salaire ne dépend pas seulement de l'entreprise où tu vas postuler mais également de l'impact concret du travail effectué sur les résultats de l’entreprise. Une entreprise sera prête à payer davantage un data scientist si son travail lui permet de générer des profits plus importants.
centres de coûts ou centres de revenu.
On peut distinguer 2 types d'emplois au sein d'une entreprise : les centres de coûts et les centres de revenu.
Les centres de coûts regroupent les fonctions qui génèrent des dépenses pour l'entreprise, comme la comptabilité ou les ressources humaines.
Les centres de revenu regroupent les fonctions qui génèrent des profits pour l'entreprise, comme la vente ou le marketing.
C'est pourquoi les data scientists et data engineers gagnent des salaires élevés chez des entreprises comme Amazon, Spotify, Netflix ou Google. Leurs algorithmes permettent d'améliorer la plateforme ou la fluidifier, ce qui attire davantage d'utilisateurs et génère plus de profits. De plus, le volume de données qu’ils manipulent requiert d’avoir de bons fondamentaux.
Attention, le machine learning en soi n'est pas un centre de revenu. Il s'agit d'un outil qui peut être utilisé pour générer des profits, mais il n'est pas suffisant en soi.
C'est l'application du machine learning à des domaines concrets, comme une bonne segmentation de la clientèle et une meilleure l'allocation des budgets publicitaires qui génère des profits.
En conclusion, le salaire d'un data scientist dépendra de plusieurs facteurs :
Ses compétences et son expérience
Le type d'entreprise
L'impact concret du travail sur les profits de l'entreprise
Prochain live sur le data storytelling
Benjamin Ejzenberg m'a de nouveau invité à intervenir sur le thème du Data Storytelling et de la Visualisation de données. Le programme n'est pas encore finalisé mais je peux te garantir qu'il sera tout aussi riche et instructif que le premier.
Si tu as manqué la première session, je t’invite à regarder la vidéo ci-dessous :
Lors de cette intervention, nous aborderons les points suivants :
Les principes fondamentaux du Data Storytelling
Comment créer des histoires captivantes avec vos données
Les outils et logiciels les plus populaires
Le live aura lieu le 19 avril, c’est par ici pour t’inscrire.
