Data Analyst – Margaux Lacroix

Le métier de Data Analyst en format REX avec Margaux Lacroix

La transcription de l’interview de Margaux Lacroix en format Retour d’Expérience.

Bertrand
Merci beaucoup Margaux d’avoir accepté à nouveau cette invitation du Gagne-Pain. Nous inaugurons avec toi un nouveau format d’interview qui revient cinq années en arrière, puisqu’on s’était rencontrés pour le premier épisode de ce podcast Data Analyst – Margaux Lacroix. Tu présentais déjà ton métier de Data Analyst. Avec ce nouveau format REX, Retour d’Expérience, nous allons compléter notre travail sur les Métiers du Digital et évidemment sur celui de Data Analyst. Avant ça, pourrais-tu te décrire en quelques mots ?

Margaux
Bien sûr. Déjà, merci de m’avoir réinvitée. Je suis très contente d’être là. Je m’appelle toujours Margaux, j’ai 32 ans maintenant et je n’habite plus à Paris, mais j’ai déménagé dans le sud, à Marseille, près du soleil et de la mer. Et dans la vie, j’adore le sport, la randonnée, la Formule 1.

Bertrand
Est-ce que tu pourrais nous présenter tes différentes expériences professionnelles ? Je crois qu’on avait listé les trois expériences professionnelles dans la data analyse pour que l’on comprenne bien ce métier.

Margaux
Tout à fait. La dernière fois qu’on s’était vu, je travaillais chez The Fork (anciennement La Fourchette), en tant que Data Analyst. Et donc à l’époque, j’avais démarré sur un scope « Sales Ops », avant d’élargir un petit peu ça au produit. Je suis resté trois ans chez The Fork pour arriver chez Jellysmack. C’est une entreprise de la creator economy, qui accompagne les créateurs de contenus à se développer sur d’autres plateformes que celles sur lesquelles ils sont déjà présents. Là-bas j’étais sur de la stratégie. Je suis resté un an et demi et ensuite, je suis parti chez Spendesk, qui a développé un logiciel de gestion des dépenses en entreprise. Et là-bas, j’étais plutôt Product Data Analyst, donc vraiment sur la partie compréhension de l’usage qu’avaient les clients de notre outil. Et j’y suis resté deux ans.

Bertrand
Margaux, dans ces différentes entreprises, il y avait des nuances, des choses différentes d’un poste à l’autre. Est-ce que tu pourrais essayer de rentrer dans ce détail ? Ça veut dire quoi les différentes nuances que tu as vues dans le métier de Data Analyst ?

Margaux
C’est une bonne question. Outre les domaines d’industrie qui étaient assez différents d’une entreprise à l’autre, ce qui a fait la différence, c’est d’être sur des périmètres distincts. Quand je disais tout à l’heure, quand je suis arrivé chez The Fork, j’étais côté Sales Ops et donc j’analysais les processus commerciaux. On essayait de voir où est-ce qu’on pouvait les optimiser, ce qui prenait du temps, pourquoi ils étaient « off target », etc. C’était très différent, du périmètre que j’avais chez The Fork. Où j’ai vraiment analysé la partie, comment les restaurateurs utilisent notre produit et comment est-ce qu’on peut segmenter notre base restaurant sur la manière qu’ils ont d’utiliser notre produit et orienter la stratégie en ce sens.

Bertrand
Est-ce que ça veut dire que le métier de Data Analyst est influencé par la personne à qui tu es rattachée ?

Margaux
Pas forcément la personne à laquelle je suis rattaché, mais les interlocuteurs qui sont les miens. En effet, quand j’étais Data Analyst en Sales Ops, j’étais en contact avec les Sales et les Sales Managers, etc. D’ailleurs, quand je suis passé côté produit, j’étais plus en contact avec les Product Managers, et les head of product, etc. L’idée, c’était d’orienter la stratégie produit en fonction de ce que nous, on identifiait dans la data.

Bertrand
D’accord. Donc, ça veut dire que ce n’est pas forcément ton supérieur, mais plutôt les personnes avec qui tu travailles ?

Margaux
Exactement, les personnes avec qui je travaille. Et du coup, les métriques que l’on regarde, ne vont pas être les mêmes, ni le même type de données et ça ne va pas non plus être le même type de problématique.

Bertrand
Et dans les autres entreprises, comment ça s’est passé ?

Margaux
Chez Jellysmack, comme je disais, j’étais plus côté stratégie, on a fait des analyses pour savoir sur quel marché il y avait du potentiel pour traduire des chaînes qui existaient déjà. Et après, je suis passé côté prédiction. J’étais dans une équipe où il y avait beaucoup de Data Scientists. Et donc le but, c’était de prédire le revenu que pouvaient rapporter les créateurs qu’on souhaitait peut-être signer pour les prioriser en ce sens.

Bertrand
Donc là, il y avait déjà de la Data Science ?

Margaux
Il y avait de la data science, ce n’était pas moi qui la faisais, j’étais plus sur la partie analyse des performances, justement, des algorithmes qui étaient développés. Et essayer de comprendre où est-ce que l’on s’était planté. Comment est-ce qu’on pouvait améliorer ces algorithmes-là.

Bertrand
Pour bien expliquer à ceux qui nous écoutent, ça veut dire que dès qu’on y rajoute une petite dose de Data Science, on y rajoute quelque part de l’intelligence artificielle qui va faire des prédictions ?

Margaux
D’une certaine manière, il y a une différence assez subtile dans laquelle on ne va pas rentrer entre data science et intelligence artificielle. Mais effectivement, il y a toute une partie où on entraîne des algorithmes qui vont réussir à prédire des choses que nous, en tant que Data Analyst, on n’est pas forcément en mesure de prédire. Et tout ça repose effectivement sur de la science de données.

Bertrand
Dans une précédente interview, on parlait d’une analogie qui était la data analyse regarde dans le rétroviseur et la Data Science ou le Machine Learning regarde devant. C’est un peu cette même idée ?

Margaux
C’est un peu vrai. Et même si, selon les boîtes, la différence entre les deux métiers est assez ténue. Mais dans l’esprit, oui, la data analyse fait plutôt quelque chose de descriptif. On peut trouver des corrélations, faire rentrer un peu des considérations statistiques. La partie data science, c’est vraiment essayer de prédire, de dire effectivement ce qui va se passer à partir de la donnée qu’on a déjà à disposition.

Bertrand
Ok. Et donc, dans ta troisième expérience, ça se passait comment ?

Margaux
Chez Spendesk, je suis retourné sur le périmètre produit. Et là, j’étais directement intégré dans la squad onboarding. Et pour le coup, j’ai fait tout un tas d’analyses pour essayer de prioriser les développements produits à partir de ce qu’on avait identifié dans la data. Où étaient les points bloquants, qu’est-ce qui déterminait finalement la bonne performance de nos clients dans le futur et comment faire pour qu’ils aient une expérience « flawless » dans notre produit.

Bertrand
Flawless ?

Margaux
Flawless, pardon, sans accro.

Bertrand
D’accord, sans accro ou sans couture.

Margaux
Oui, exactement.

Bertrand
Dans tes différentes expériences, quand on les a regardées ensemble avant de faire cet entretien, on s’aperçoit quand même que tu as beaucoup travaillé dans la French Tech. Dans les startups, dans les Scale-up. Est-ce que tu peux en dire deux mots à ceux qui nous écoutent ? Quels sont les avantages de travailler dans ces entreprises en forte croissance ?

Margaux
Oui, c’est vrai que je m’y suis retrouvé un petit peu par hasard quand j’ai commencé chez The Fork, qui était quand même une Scale-up assez installée. Il y avait tout de même 1 000 salariés, ils avaient été rachetés par TripAdvisor, c’était une entreprise qui était déjà rentable, donc un petit peu différent. Je vais plutôt m’attarder sur Jellysmack et Spendesk, qui sont effectivement ces entreprises réputées pour être à forte croissance, donc ça recrute pas mal. Ce n’est pas comparable aux grands groupes qui sont déjà très structurés. Les avantages, c’est que l’on peut avoir un peu plus d’impact à notre niveau. Il y a beaucoup moins de process établis et donc il y a beaucoup moins de strates à traverser.

Bertrand
Ça veut dire que tu peux sortir un peu de la boîte ? Tu peux lever la main et dire : On va faire des trucs auxquels je pense et ça peut se mettre en place dans la structure ?

Margaux
Je pense que oui. Déjà parce que généralement, il y a moins de personnes pour un même poste. Donc forcément, on a plus de périmètre et on a plus d’impact. Après, il n’y a pas que des avantages à être dans ce type de boite. Il y a notamment le fait que les choses changent vite. Parfois, ça peut être un peu déstabilisant. Il faut y être préparer et il faut faire preuve de résilience. Et l’autre désavantage, et surtout avec le contexte actuel, c’est que ces entreprises ne sont pas toujours rentables. Donc, forte croissance ne veut pas forcément dire rentabilité. Et malheureusement, quand la croissance décélère un peu, on s’inquiète de la rentabilité. Et souvent, un des moyens pour l’atteindre rapidement, c’est de licencier massivement.

Bertrand
Donc, ça veut dire que c’est moins stable en termes d’emploi ?

Margaux
C’est moins stable, oui, exactement.

Bertrand
Est-ce que tu vois quelque chose aussi en termes de qualité de travail ou d’interaction avec les autres ? Parce que c’est aussi quelque chose qui me remonte de temps en temps dans les interviews ?

Margaux
Oui, je dirais que culturellement, et en même temps, je peux pas vraiment parler de ce que je ne connais pas, puisque je n’ai pas été dans des grands groupes. Mais culturellement, c’est vrai qu’on a l’impression que c’est plus cool, que c’est un peu moins strict, un petit peu moins rigide, peut-être, dans le cadre. Il y a plus cette liberté, effectivement, d’être qui on a envie d’être. Et puis, même dans le travail, on est souvent incités à prendre des initiatives, à faire des propositions, etc. Je trouve que ça fait partie des points positifs de cette structure-là.

Bertrand
Ce sont aussi des structures plus jeunes ?

Margaux
Souvent, les équipes sont plus jeunes, effectivement. Après, il y a aussi dans les startups, les entreprises qui vont essayer de vous vendre, le fait que comme on a un baby-foot, vous comprenez, on ne peut pas payer aussi bien qu’ailleurs. Donc, il faut aussi identifier parmi tout l’écosystème de startup et scale-up, celle qui fonctionne de manière saine versus celle pour laquelle il y aura peut-être un petit peu d’abus. Mais jusque-là, moi, j’ai plutôt eu de la chance.

Bertrand
Ok, c’est clair. En préparant l’entretien, tu as aussi dit que tu postulais maintenant pour un nouveau poste de Data Full Stack. Ça m’intéresse beaucoup parce que c’était aussi une découverte pour moi. On a déjà interrogé pas mal de gens dans l’univers de la data, mais celui-là, on ne l’a pas encore fait. Donc ça m’intéresse que tu expliques un peu l’évolution de ce métier.

Margaux
Bien sûr. En fait, ce qu’il faut imaginer, c’est que dans la donnée, on va dire qu’il y a un peu une sorte de chaîne de la donnée. Donc dans un premier temps, on va avoir les data ingénieurs qui sont là pour s’assurer que la donnée et que les pipelines sont bien en place pour la récupérer d’où qu’elle vienne et qu’elle soit accessible. Dans un second temps, il y a nous, les Data Analysts qui analysons ce qui existe déjà. Et puis, il y a les Data Scientists qui sont sur de la prédiction. Est-ce que l’on peut prédire les clients qui vont être les plus intéressants et se concentrer sur ceux-ci. Et l’idée, c’est que ces métiers-là, il y a une continuité, finalement, de l’un à l’autre. Il y a des ponts qui existent. Il y a un Data Analyst qui est passé Data Engineer chez Spendesk par exemple. Il y a aussi des ponts, comme on disait, entre Data Analyst et Data Scientist. Et l’idée, c’est d’être de moins en moins spécifique dans le travail et au contraire d’être de plus en plus complet. Et donc d’avoir un poste de Data Full Stack est de pouvoir faire un peu ces trois spécificités en fonction des problématiques, en fonction des besoins. Donc, on n’aura pas forcément besoin de tout faire tout le temps. Mais on peut monter en compétence rapidement sur de la Data Engineering pour résoudre un problème qui se soulèverait.

Bertrand
Data full stack, ça permettrait de collecter la donnée et de l’organiser proprement. Ça permettrait aussi de l’analyser et pourquoi pas de la projeter. Ces 3 missions sont inclues dans Data Full stack ?

Margaux
Oui, tout à fait. Ce que ça permet, c’est d’éviter les dépendances trop fortes des Data Analysts envers les Data Engineers. Parce que parfois, on a un besoin qui est très simple, d’ajouter une certaine métrique dans des tables qui existent déjà. Donc, c’est facile de pouvoir le faire nous-mêmes. De la même manière, on va avoir besoin d’utiliser des régressions ou des concepts un petit peu plus avancés dans le cadre du métier de Data Analyst. Et on va être content de faire appel à des notions de data sciences. Tout ça permet d’avoir un peu plus d’indépendance dans le métier.

Bertrand
Margaux, tu as décidé de te reformer, de te spécialiser, notamment dans la data science. Est-ce que tu peux nous dire pourquoi et comment ?

Margaux
Avec plaisir. En fait, moi, ça fait plusieurs années, déjà chez The Fork où j’avais été proche de la data science. On avait construit un score, justement, pour classer les restaurants qui étaient parmi nos prospects, pour voir qui avait le plus grand potentiel de revenus. J’avais bossé là-dessus avec une data scientist sur la partie vraiment exploration de la donnée de préparation du data set, etc. Et j’avais trouvé ça hyper intéressant. Plus tard, chez Jellysmack, où j’avais analysé a posteriori les performances des algorithmes, j’avais trouvé ça génial. Et encore chez Spendesk, j’ai été au contact des projets de data science. Et en fait, je trouve que ç’a un pouvoir énorme. Et même moi, il y a eu des moments où dans mon travail, je me suis retrouvée limitée sur de la Data Science et où j’aurais voulu avoir les compétences pour faire de la segmentation par exemple. Donc ça, c’est le tout début de la data science. Mais en faisant cette formation, j’ai appris le Machine Learning, j’ai appris le Deep Learning, qui est globalement tout ce qui alimente ChatGPT, etc. Et effectivement, j’ai appris à entraîner des agents et à les paramétrer.

Bertrand
Où est-ce que tu as fait cette formation ?

Margaux
Je l’ai faite avec Le Wagon, qui fait des bootcamps. Il y a différents formats. Moi, j’ai fait la version Express où pendant deux mois, on voit tout un tas de notions. Mais il existe aussi une version part-time en des cours du soir.

Bertrand
D’accord. Donc là, tu as vraiment exploré la data science et tu te sens mieux armé pour postuler dans des nouveaux jobs, notamment de Data Full Stack ?

Margaux
Je me suis mieux armé, effectivement. Alors, on ne va pas mentir, en deux mois, on a survolé un petit peu tous ces sujets. C’est impossible de tout couvrir et c’est impossible d’aller non plus hyper en profondeur de chacun des topics. Mais quand on sait un peu vers quoi on a envie de se spécialiser, et moi, c’est plutôt la partie Machine Learning que la partie Deep Learning et agent, etc. En fait, on est quand même assez armé. Et moi, j’ai la chance d’avoir le background en data qui me permet aussi de faire des ponts entre analyse et sciences. Et qui me permettent de postuler à ces jobs-là, même si j’ai encore énormément à apprendre.

Bertrand
Ok. Excellent. Avec toute cette expérience que tu as, il y a une question qui revient maintenant constamment dans le podcast, c’est qu’est-ce que l’IA change à ton métier ? On peut commencer par le métier de Data Analyst ? Et puis évidemment, qu’est-ce que ça change pour la gestion de la data ?

Margaux
C’est une bonne question. Moi, je vais plutôt parler dans le quotidien de ce que j’ai pu observer. Ce qui est cool, c’est qu’on est beaucoup moins limité techniquement. Quand je suis bloqué parce que je ne sais pas coder tel ou tel truc en Python. Finalement, une recherche sur ChatGPT ou Copilot, ça fait gagner un temps fou. Donc, je pense qu’en termes de productivité, c’est hyper précieux. Il y a des gens qui parlent du fait que l’on va être remplacé du fait de la montée en puissance de l’intelligence artificielle. Je ne pense pas pour l’instant parce que justement, il y a toute la dimension analytique que nous apportons. Il y a toute la partie où on peut prendre une problématique sous tel ou tel prisme. Et ceux qui se sont déjà servi de ChatGPT, savent que si on ne lui donne pas un cadre hyper spécifique. Et qu’on ne lui dit pas déjà presque ce qu’il faut faire, il peut vraiment partir dans tous types de directions, y compris les mauvaises et y compris nous sortir des erreurs. Donc, je pense qu’on a quand même encore toute notre approche, notre compréhension du business et tout ça qui vaut plus que ce qu’apporte l’intelligence artificielle.

Bertrand
Ça me fait penser à une question que l’on avait préparée en introduction de cet entretien et qui était : quelle a été ta plus grande surprise ? J’ai l’impression que ça fait écho à ce que tu viens de dire. C’était quoi ta plus grande surprise dans ce métier ?

Margaux
Ma plus grande surprise dans ce métier, ça a été… Comment dire ? À quel point les gens veulent réellement de la data. Effectivement, ils sont friands de data, ils en veulent pour appuyer leurs décisions, etc. Mais ils sont pleins d’intuitions et c’est normal, on ne peut pas leur enlever. Et en fait, c’est très difficile d’aller contre leurs intuitions. Et souvent, les gens viennent nous voir avec : Est-ce que tu peux me prouver quelque chose plutôt que : Que montre la donnée sur tel sujet ? Et c’est vrai que parfois, c’est difficile de les convaincre ? En fait, je ne peux pas te prouver quelque chose. Peut-être qu’on va découvrir quelque chose de totalement différent. Et quand ce n’est pas forcément ce à quoi ils s’attendent, il y en a qui peuvent être un peu réfractaires.

Bertrand
Ça fait écho avec ce que tu viens de dire sur l’IA. Si on pose la question à l’IA et que cette question est biaisée, l’IA va forcément avoir une réponse qui nous correspond ?

Margaux
D’autant que l’IA est entraînée pour aller dans l’autre sens. Le but, c’est qu’on parle le plus longtemps possible avec elle pour qu’elle se nourrisse de nos inputs. Donc forcément, elle n’est pas du genre à aller contre nous, bien au contraire. Et moi, ça m’est arrivé sur des sujets que je connaissais bien. Et sur lesquels je m’étais déjà beaucoup documentée, de lui poser des questions et de la voir me répondre des fausses choses avec du coup beaucoup d’aplomb…

Bertrand
Ça, c’est sûrement ça le plus déstabilisant ?

Margaux
C’est ça qui est très difficile et c’est pour ça que je pense que le plus grand garde-fou, pour l’instant, contre l’IA, c’est le fait qu’on lui fasse pas entièrement confiance. Et si on veut prendre des décisions qui sont appuyées sur la data. Je pense qu’on préfère le confier à quelqu’un dont on sait qu’il aura vérifié plusieurs fois ses résultats, qu’il aura fait des « sanity check », etc. Plutôt que se remettre à l’IA où il y a un côté un peu black box, où on ne sait pas trop d’où sort ce résultat.

Bertrand
Est-ce qu’il y a quelque chose que tu changerais dans ton parcours actuel ? Et si oui, quoi ?

Margaux
Honnêtement, non. Ça a été un parcours parfois chaotique. Parce qu’effectivement, les deux dernières entreprises dans lesquelles j’ai été ont toutes les deux fait des plans de départ. Donc j’ai dû rebondir, j’ai dû réfléchir à ce que j’avais envie de faire par la suite. Mais réellement, là où je me retrouve aujourd’hui, je pense que je suis hyper bien, alors aucun regret.

Bertrand
Ok, excellent. Et il y a aussi une autre question à propos projet sur lequel tu as le plus aimé travailler. Je sais que tu avais quelque chose qui était un peu cher à ton cœur.

Margaux
Oui, c’est quand j’étais chez Spendesk, je bossais avec une squad qui était en charge de l’onboarding d’acquisition de clients. Pour faire en sorte qu’ils utilisent correctement notre produit. Et en fait, je les avais accompagnés et j’avais guidé un peu toute l’analyse sur les points de blocage que rencontrent les clients dans l’adoption de notre outil. Comment est-ce qu’on peut faire pour que ce soit vraiment fluide et qu’ils puissent le faire seuls. Parce que l’idée, c’était qu’ils puissent s’authentifier, s’abonner à notre produit et tout faire sans l’intervention ni d’un sales ni d’un onboarding manager. J’avais fait toute une analyse qui permettait de mettre en relation le temps qu’ils mettaient dans le parcours d’onboarding et leur performance future. Ça avait alimenté toute la refonte de ce parcours-là. C’était cool et c’était un des moments où j’ai eu le plus d’impact, finalement, dans mon métier, donc c’était chouette.

Bertrand
Très bien. On a une question qui nous vient d’Emeline Cheffe de projets web – Émeline Parizel, qui nous a demandé de poser cette question aux futures interviewées. Qu’est-ce qui donne du sens à ton travail ?

Margaux
C’est une bonne question. C’est vrai que moi, à mon échelle, je n’ai pas travaillé dans des entreprises qui changent le monde ou qui sauvent des vies. Néanmoins, je pense que ce qui donne du sens à mon travail, c’est justement d’apporter de la rationalité, dans les décisions qui sont prises. On le disait tout à l’heure, les gens ont des intuitions. Et c’est très bien d’avoir des intuitions, mais c’est encore mieux quand c’est confirmé par de la data. Et moi, c’est vraiment mon rôle de leur apporter des preuves, que l’on a raison d’aller plutôt dans telle direction. Et peut-être qu’on se sera trompé. Ça n’empêche pas, on peut toujours se tromper parce que quelque chose va arriver qu’on n’avait pas vu venir, qu’on n’avait pas anticipé, etc. Mais au moins, au moment où on prend la décision, on sait pourquoi on la prend.

Bertrand
Donc apporter du rationnel dans un monde qui, parfois, ne l’est pas ?

Margaux
Exactement.

Bertrand
Il y avait aussi des choses intéressantes qu’on avait évoquées à propos des ressources qui peuvent aider ceux qui nous écoutent pour comprendre la Data Analyse et la Data Science. Je crois que tu avais des ressources à nous proposer ?

Margaux
Oui, ce sont des ressources qui nous avaient été partagées quand on faisait le bootcamp du Wagon. Il y avait deux chaînes que j’avais particulièrement aimées sur YouTube. Qui sont accessibles gratuitement et qui vulgarisent les mathématiques, les statistiques et les concepts de Machine Learning et même de Deep Learning. Les deux chaînes, c’est Machine Learnia et 3Blue1Brown en anglais. Et franchement, le travail de vulgarisation est incroyable. Ce sont des super ressources.

Bertrand
Dans les dernières questions, c’est d’avoir ton avis sur la formation et notamment, je crois que tu voulais beaucoup parler de l’alternance qui t’avait été utile ?

Margaux
Oui, tout à fait. On avait discuté en préparant l’interview du « grand saut » entre la vie étudiante et la vie professionnelle. Moi, j’ai eu la chance de faire plusieurs petits sauts. Parce que dans un premier temps, j’ai fait une année de césure et puis ensuite, en Master 2. J’ai fait une alternance et c’est dans la même boite que j’ai eu mon premier CDI. Donc tout s’est fait très progressivement. J’ai eu le temps de voir la différence entre le savoir très théorique qu’on apprend à l’école. Et comment on peut utiliser ça dans l’entreprise et aussi tout ce qu’on apprend en entreprise qui est finalement 90% de tout ce que je sais aujourd’hui. Et franchement, si vous avez la possibilité de faire un parcours en alternance, un million de fois, foncez. Vraiment, aucun regret.

Bertrand
Et puis, dans les petits conseils que tu m’avais aussi suggérés, il y avait tout ce qui tournait autour de la recherche d’emploi. Tu avais cité le Networking, LinkedIn et la cooptation. Est-ce que tu peux en dire quelques mots pour aider ceux qui nous écoutent ?

Margaux
Oui, tout à fait. C’est vrai que moi, LinkedIn, c’est le canal numéro un sur lequel je recherche du travail. La plupart du temps, les offres sont disponibles sur les sites des entreprises. Mais en fait, l’avantage de LinkedIn, c’est que tout est au même endroit. La plupart du temps, les entreprises les publient aussi sur LinkedIn. C’est aussi un endroit où on peut être vu. Et il ne faut pas le négliger. Parce qu’il y a beaucoup d’offres d’emploi ou de process dans lesquelles je suis actuellement qui viennent de recruteurs qui m’ont trouvé et qui m’ont écrit sur LinkedIn. Donc vraiment, n’hésitez pas à avoir une empreinte digitale sur ce réseau, c’est hyper important. Et c’est aussi là-dessus qu’on peut étendre son réseau. Et le pouvoir du réseau est important. Moi, je me souviens avoir mis un post qui disait que je cherchais du travail. Et puis, on a quelqu’un de notre cercle qui va liker ou qui va commenter. Par la suite, ça va arriver sur la page de quelqu’un de son cercle à lui et ainsi de suite. Ça fait un effet boule de neige et à la fin, il y a quelqu’un que l’on connaît ni d’Ève ni d’Adam qui nous contacte. Donc non, franchement, LinkedIn, hyper important.

Bertrand
Tu as parlé aussi de cooptation. Donc ça vaut peut-être le coup d’expliquer ça, parce que ce n’est pas toujours clair pour tout le monde ?

Margaux
Oui, bien sûr. La cooptation, c’est hyper intéressant car c’est finalement quelqu’un qu’on connaît qui va faire passer notre CV ou notre candidature pour un poste qui est ouvert au sein de l’entreprise dans laquelle il travaille. Et donc, il y a plusieurs avantages. Il y a le fait que généralement, on passe directement dans la pile des CV qui sont effectivement regardés, parce qu’il y a toute une phase de screening à passer quand on fait sa candidature en ligne. La deuxième partie, c’est toute la partie financière, habituellement, il y a des primes pour la personne qui coopte. Mais l’autre partie dont on parle moins souvent, c’est le fait d’arriver dans une entreprise où on connaît déjà quelqu’un. La personne est en mesure de nous raconter vraiment comment ça se passe. On est capable de se faire une image assez fidèle de comment c’est de travailler dans cette entreprise, ce qui n’est pas toujours facile à faire en amont. Et pour l’intégration des personnes qui sont cooptées.

Bertrand
Donc c’est l’extension du networking ?

Margaux
Oui, totalement. C’est complètement du networking.

Bertrand
Ok, excellent. Merci beaucoup Margaux. Est-ce que tu voudrais ajouter quelques conseils, derniers conseils à ceux qui nous écoutent ?

Margaux
Oui, avec plaisir. Je pense qu’un conseil hyper important que je donnerais en tant que Data Analyst un peu plus senior maintenant, c’est réellement de ne pas se concentrer uniquement sur la partie technique de l’analyse de données. Mais d’essayer de comprendre pourquoi on fait les choses. Pourquoi est-ce que le service marketing vient nous voir avec telle question ? Pourquoi est-ce que les sales viennent nous voir avec telle question ou le produit ? Quelles sont les décisions qu’on cherche à prendre ? Et vraiment de ne pas rester sur de l’exécution, sur des problématiques très spécifiques et très niche. Mais plutôt d’essayer de voir la « big picture » derrière tout ce qu’on fait pour être un conseiller et pas juste un exécutant.

Bertrand
Donc bien comprendre le brief, bien comprendre la question ?

Margaux
Ne pas hésiter à chercher plus loin, à poser aussi des questions et pas seulement se positionner en tant que partenaire donné et pas uniquement la personne qui va taper sur les petites touches de son clavier et qui sait faire une requête SQL et qui va nous sortir un joli fichier Excel à la fin…

Bertrand
Merci, c’est très clair. Pour ceux qui nous écoutent et qui souhaiteraient prolonger cette très agréable discussion qu’on vient d’avoir ensemble, comment peuvent-ils faire ?

Margaux
Ils peuvent me contacter sur mon compte LinkedIn, je réponds avec grand plaisir. Sinon, ils peuvent aussi t’écrire ?

Bertrand
Oui, merci beaucoup Margaux. À très bientôt.

Margaux
Merci Bertrand.