Analyser des comportements d’achats, d’utilisateurs Web, de retombées de campagnes, la Data Science est maintenant un outil important pour l’aide à la décision. Dans ce webinar, Alison – Data Scientist @ Econocom – répondra à toutes vos questions sur le métier de Data Scientist et vous partagera son expérience. Vous pourrez aussi découvrir toutes les possibilités qu’offre la Data Science dans une stratégie marketing.
Est-ce que passer Data Analyst et progresser pour atteindre le job de Data Scientist est une bonne stratégie ?
Il faut d’abord bien faire la différence entre les 2 : le Data Analyst va plus être sur l’analyse statistiques, la visualization pour bien comprendre la problématique et la donnée. Le Scientist va aussi beaucoup travailler sur la partie analytique décisionnelle.
Passer Data analyst peut vraiment permettre de mettre un bon pied dans la Data Science pour continuer dans cette voie, notamment pour quelqu’un qui n’a pas un background statistiques ou mathématiques.
Quels sont les outils que tu utilises pour rester en veille technologique ?
-->MOOC sur coursera, Udemy ou OpenClassroom
–-> Je lis souvent des journaux comme lebigdata.fr ou usine digitale, ils présente des cas concrets en entreprises. Aussi avoir un réseau Linkedin qui partage régulièrement des nouvelles orientées Data est intéressant.
-–> Aussi dans les salons et forums, des applications concrètes en entreprises sont présentées
Quelle est la différence entre Machine Learning & Deep Learning ?
Grossièrement, le Machine Learning va plus être orienté sur l'apprentissage des bases de données relationnelles, par exemple des base de données avec des informations clients.
Avec le Deep Learning, on va beaucoup plus loin dans l’apprentissage puisqu’il se fait des manière automatique. Il va en général être appliqué sur des nouveaux supports que l’on n’a arrivait traditionnellement pas à exploiter, des supports du type image, son, audiovisuel.
On vous encourage à lire notre articles qui explique la différence entre le Machine Learning et le Deep Learning afin de mieux comprendre les notions.
Entre IA et Data Science quel est réel rapprochement à faire ?
On a tendance à utiliser partout ce terme d’Intelligence Artificielle, mais il faut garder en tête que ce n’est qu’un sous domaine de la Data Science. La Data Science est en effet un discipline très large, qui comprend beaucoup de notions et qui implique la maîtrise de diverses compétences, comme la Data Viz, Machine Learning & Deep Learning (IA), toute l’analyse de données au sens large.
Pareillement, quel rapprochement entre Big Data & Data Science ?
En quelques mots, le Big Data va concerner le stockage d’un gros volume de données, l’utilisation des données, de différents types (son, vidéo, excel), quelles soit structures, non structurées. La Data Science va plus concerner l’exploitation, l’analyse et le traitement de toutes ces données pour en sortir des résultats intéressants pour une entreprise ou entité.«
Compétences en Data Science » est très souvent lu sur les CV, parfois à tort, et les entreprises essayent de trouver les personnes ayant une expérience réellement pertinente.
Je donnerais quelques conseils : d’abord détailler l’expérience eue. Notamment dans les missions que vous avez eues et les process que vous avez mis en place. Il faut également se préparer aux questions techniques (différents types de Machine Learning, les outils à utiliser).
Quels sont les grands uses case de la Data Science en Marketing ?
–-> La recommandation de produits : on le voit partout, sur Amazon, ou Netfilx par exemple
–-> La fidélisation de clients : bon de réduction, bon d’achat, incitation d’achat pour un produit phare
–-> La prévision de ventes sur un produit en particulier : On parvient à prévoir si par exemple on a assez de stock face à la demande. Cela s’applique surtout dans des cas où il y a une saisonnalité dans les ventes
–-> Le taux d’attrition, le CHURN : prévenir du départ d’un client à la concurrence. Cela se fait beaucoup dans la téléphonie mobile, ou l’assurance par exemple.
Que se passe-t-il lorsque le volume de données est trop réduit ?
Cela arrive très souvent ! Les entreprises n’ont pas parfois pas une masse de données importante à partager. Mais il faut garder en tête que les statistiques existent depuis toujours et que l’on peut faire de la data science même sur de petits jeux de données. On peut citer par exemple le cas très démocratisé du Titanic sur Kaggle.
Si vous souhaitez acquérir les compétences en Data grâce à une formation 100% flexible, n'hésitez pas à regarder nos formations Data.
