La data est un domaine en constante évolution. En 2020, de nouveaux métiers ont émergé comme celui de Data Engineer et Machine Learning Engineer tandis que les métiers de Data Analyst et Data Scientist restent toujours très populaires. Voyons donc ensemble la nomenclature des nouveaux métiers de la data.
Depuis plusieurs années, le secteur de la Data a énormément évolué. De nombreux et différents métiers sont apparus, devenant compliqué de tous bien les distinguer. Voici une liste de ces nouveaux métiers, à bien noter que cette liste est non-exhaustive !
Commençons par comprendre les besoins en Data. Il faut imaginer la Data comme une ressource d'énergie. Imaginez par exemple du minerai, du bois, ou certains parlent d'ailleurs de la Data comme étant le nouvel or noir. Pour puiser ces ressources, il vous faudra d'abord aller la chercher à sa source. Une fois que ceci est fait, il faudra polir le minerai, puis le stocker pour ensuite l'exploiter et en faire un joli bijou par exemple.
Le pipeline Data
Pour la Data, le même schéma peut se mettre en place ! Vous devrez d'abord collecter la donnée à sa source, par exemple du Web, d'un CRM ou encore d'outils d'analytics comme Google Analytics. Une fois collectée, il vous faudra stocker la donnée dans ce que l'on appelle un Data Lake. Vous allez ensuite puiser dans ce Data Lake pour extraire la donnée brute, la polir et la mettre dans des bases de données.
Le Data Engineer
Tout ce pipeline constitue une sacrée infrastructure ! En l'occurence, la personne chargée de construire cette infrastructure est souvent le Data Engineer ! Il s'occupera de créer et maintenir cette infrastructure pour que tous les autres métiers de la Data puissent puiser de la donnée propre. En fonction des entreprises, vous trouverez également le nom de Solution Architect, faisant souvent plutôt référence à des architectures Cloud. Ces deux métiers se recoupent. Formez-vous aux métiers de Data Engineering (avec le Machine Learning Engineer) avec notre formation Lead.
Le Data Manager
Autour de ce métier, vous trouverez aussi les Data Managers. Contrairement au Data Engineers, ceux-ci repensent l'architecture Data globale la plus adaptée à l'entreprise, lorsque les Data Engineers auront une vision moins globale mais aussi beaucoup plus technique.
Le Data Analyst
Une fois collectée et stockée, vous allez pouvoir commencer à l'explorer. Le Data Analyst va notamment créer des dashboards de suivi (de performance par exemple) qui serviront aux managers plus éclairées sur un sujet donné. Pour réaliser ces dashboards intéractifs, le Data Analyst devra utiliser de la donnée propre pour la présenter de manière bien compréhensible aux décideurs de l'entreprise.
Le Data Scientist
Après avoir exploré vos données pour en tirer les premiers insights, viendra le moment de l'exploiter pleinement. Vous allez ainsi construire des algorithmes de Machine Learning (le sous-domaine de l'Intelligence Artificielle) qui serviront par exemples à optimiser des process interne, faire de la détection d'objets, de l'analyse de texte, prédire la montée ou la baisse de prix, prédire un taux de churn...les applications en sont innombrables. Ces exactement ici qu'interviennent les Data Scientists ! Ils ont à la fois une bonne maîtrise du code et de la statistique pour construire les algorithmes, les adapter aux données à disposition et les expliquer à d'autres personnes non-techniques.
Le métier de Data Scientist peut souvent faire peur à première vue. On peut très souvent penser qu'une connaissance extrêmement poussée en Mathématiques est obligatoire. Il faut bien entendu être curieux et s'intéresser au fonctionnement d'un algorithme, et savoir l'implémenter avec du code. Dans ce sens, démontrer par les mathématiques n'est pas forcément nécessaire dans le métier. Le tout est d'avoir une bonne compréhension intuitive du fonctionnement d'un algorithme de telle manière à ce que vous puissiez les tester avec votre code sur les données que vous avez à disposition. En fonction de ces dernières vous trouverez des algorithmes plus adaptés que d'autres. Là est la compétences clé qui fera de vous un bon Data Scientist.
Le Machine Learning Engineer
Un métier pour le coup émergent est celui du Machine Learning Engineer. Nous pouvons dire qu'il est à la croisée entre le Data Scientist et le Data Engineer. Quand les Data Scientists sont connus pour s'occuper de la construction d'un algorithme l'intervention du Devops ou du Data Engineer se montrer nécessaire pour le mettre en production et le déployer à l'échelle d'une entreprise. Or, cela pouvait (et peu encore !)bien entendu causer des soucis d'incompatibilité ou de contrainte de ressources. Beaucoup de projets Data se retrouvent alors à l'eau ! De ce fait, avoir la double compétence est extrêment valorisé, afin de comprendre et créer des algorithmes de Machine Learning, puis de les mettre en production. Les Machine Learning Engineers sont nés de cette pensée-ci.
Le Big Data Engineer
Lorsque l'on parle de volume conséquent de données ou d'entreprises de taille importante, on doit parler de Big Data ! Pour gérer ce genre spécifique d'infrastructure devant supporter l'ingestion et le traitement de volumes de données énormes, on parle de Big Data Engineers. Cette problématique étant maintenant largement démocratisée pour les entreprises de toute taille, ce métier peut également se résumer à celui de Data Engineer.
Vous souhaitez démarrer votre carrière dans la data ? Venez vous inscrire aux meilleures formations data d'europe.
Si vous souhaitez acquérir les compétences en Data recherchées des recruteurs, n'hésitez pas à regarder les formations Data que Jedha Bootcamp propose.
