Le domaine de la data science connaît un taux de turn over généralement plus élevé que les autres secteurs de l’ingénierie. Le groupe Safran, par exemple, enregistrait un turn over 10 fois plus important dans les secteurs liés aux données, avant de s’intéresser à cette problématique et d’initier une restructuration.
Est-il possible d’expliquer ce phénomène? Il est avant tout évident que chaque entreprise possède des enjeux différents et des structures propres. Certaines particularités ont cependant tendance à se retrouver. En voici quelques éléments.
La data science arrive progressivement dans les entreprises. Ainsi, pour bon nombre d’entre elles, il n’existe pas encore une structure solide ou un département s’y consacrant. Le data scientist peut alors souffrir de solitude étant l’unique expert dans sa branche. Aussi, la mise en place d’infrastructures pour utiliser les données d’une manière optimale peut prendre un certain temps, bloquant le data scientist dans des tâches basiques qui l’empêchent d’exploiter le maximum de ses capacités.
Ajoutons encore que le profil d’un data scientist est actuellement très difficile à définir. A-t-on besoin de solutions d’analyse? de stockage? de gouvernance? Le plus souvent, les entreprises recherchent une licorne, un super ingénieur spécialiste de tout le cycle de vie de la donnée: de l’extraction à la mise en pratique des résultats, en passant par les systèmes de serveurs, de sécurité et d’analyse. Un tel spécialiste dans tous ces domaines n’existe pas, même si certains ingénieurs ont une bonne connaissance globale de toutes ces professions. De plus, une grande richesse de la data science réside dans ses possibilités d’applications à des domaines très divers, ce qui en fait un secteur propice aux échanges avec d’autres spécialistes. Entraînés à gérer des variétés de situations, les data scientists se retrouvent souvent relégués à un unique domaine d’application, ce qui provoque parfois une sensation de confinement.
En résumé, le haut taux de turn over en data science est sans doute une conséquence du jeune âge de ce domaine. Les data scientists se font une fausse idée de la réalité du métier, de la spécialisation dans un domaine d’application alors que les entreprises ne possèdent généralement pas d’écosystème stimulant leur permettant d’évoluer. La cohabitation entre les data scientists et l’entreprise ne saura cependant que s’améliorer durant les prochaines années. Dans l’immédiat, la meilleure option pour les entreprises reste certainement l’appel à des services de conseil dans des bureaux d’ingénieurs spécialisés. En effet, ceux-ci offrent un cadre privilégié pour les échanges entre spécialistes, ainsi qu’une diversité et une liberté dans la réalisation des projets. Ils proposent également des équipes aux profils variés, permettant une maîtrise optimale du cycle de vie de la donnée.
Auteur : Xavier Bays, co-fondateur chez Swiss-SDI.
Le domaine de la data science connaît un taux de turn over généralement plus élevé que les autres secteurs de l’ingénierie. Le groupe Safran, par exemple, enregistrait un turn over 10 fois plus important dans les secteurs liés aux données, avant de s’intéresser à cette problématique et d’initier une restructuration.
Est-il possible d’expliquer ce phénomène? Il est avant tout évident que chaque entreprise possède des enjeux différents et des structures propres. Certaines particularités ont cependant tendance à se retrouver. En voici quelques éléments.
La data science arrive progressivement dans les entreprises. Ainsi, pour bon nombre d’entre elles, il n’existe pas encore une structure solide ou un département s’y consacrant. Le data scientist peut alors souffrir de solitude étant l’unique expert dans sa branche. Aussi, la mise en place d’infrastructures pour utiliser les données d’une manière optimale peut prendre un certain temps, bloquant le data scientist dans des tâches basiques qui l’empêchent d’exploiter le maximum de ses capacités.
Ajoutons encore que le profil d’un data scientist est actuellement très difficile à définir. A-t-on besoin de solutions d’analyse? de stockage? de gouvernance? Le plus souvent, les entreprises recherchent une licorne, un super ingénieur spécialiste de tout le cycle de vie de la donnée: de l’extraction à la mise en pratique des résultats, en passant par les systèmes de serveurs, de sécurité et d’analyse. Un tel spécialiste dans tous ces domaines n’existe pas, même si certains ingénieurs ont une bonne connaissance globale de toutes ces professions. De plus, une grande richesse de la data science réside dans ses possibilités d’applications à des domaines très divers, ce qui en fait un secteur propice aux échanges avec d’autres spécialistes. Entraînés à gérer des variétés de situations, les data scientists se retrouvent souvent relégués à un unique domaine d’application, ce qui provoque parfois une sensation de confinement.
En résumé, le haut taux de turn over en data science est sans doute une conséquence du jeune âge de ce domaine. Les data scientists se font une fausse idée de la réalité du métier, de la spécialisation dans un domaine d’application alors que les entreprises ne possèdent généralement pas d’écosystème stimulant leur permettant d’évoluer. La cohabitation entre les data scientists et l’entreprise ne saura cependant que s’améliorer durant les prochaines années. Dans l’immédiat, la meilleure option pour les entreprises reste certainement l’appel à des services de conseil dans des bureaux d’ingénieurs spécialisés. En effet, ceux-ci offrent un cadre privilégié pour les échanges entre spécialistes, ainsi qu’une diversité et une liberté dans la réalisation des projets. Ils proposent également des équipes aux profils variés, permettant une maîtrise optimale du cycle de vie de la donnée.
Auteur : Xavier Bays, co-fondateur chez Swiss-SDI.
Lien à l’article sur notre page LinkedIn