page title icon ÉPISODE 14 – Data Scientist, Lorélie Mani

Épisode 14 : Lorélie Mani, Data Scientist chez Rakuten.

Dans ce 14ème épisode, nous avons l’honneur de recevoir Lorélie Mani, Data Scientist chez Rakuten. Lorélie nous décrypte tous les aspects de son métier afin d’en savoir plus sur les outils d’un Data Scientist. Plongez dans l’univers de l’intelligence artificielle et des prédictions mathématiques.

Merci à Lorélie, pour sa participation et nous espérons que l’écoute vous plaira ! Si vous aimez l’épisode, mettez-nous 5 petites ⭐️⭐️⭐️⭐️⭐️ pour nous encourager.

Vous travaillez dans le digital et vous souhaitez faire connaître votre métier, partagez votre expérience ? 

N’hésitez pas à nous contacter pour nous proposer votre profil pour une prochaine interview en nous contactant via l’adresse legagnepain @gmail.com

Notes du podcast et liens utiles :

Notre invité : Lorélie Mani – Profil Linkedin

Interview faite par : Bertrand Jonquois – Profil LinkedIn

La retranscription de l’épisode 14 :

Bertrand
Bonjour Lorélie,

Lorélie
Bonjour Bertrand,

Bertrand
Lorélie, on est ravis d’accueillir, on va parler de data science et c’est un métier extrêmement intéressant que la communauté du Gagne-Pain nous a beaucoup demandé. Mais d’abord, j’aimerais d’abord que tu te décrive en quelques mots.

Lorélie
Alors moi, je m’appelle Lorélie, j’ai 30 ans, je viens de Paris où j’ai fait la majorité de ma scolarité. J’ai eu mon bac S en 2009. Après, j’ai enchaîné sur une classe préparatoire aux écoles de commerce avant de faire une école de commerce.

Bertrand
Lorélie, peux tu nous décrire ton parcours professionnel avant l’entreprise dans laquelle tu travailles aujourd’hui?

Lorélie
J’ai eu un parcours qui est très orienté data. Très tôt, j’ai commencé par un stage chez Canal+ aux études d’audience. Ensuite, j’ai fait une alternance chez BearingPoint en tant que Business Analyst. BearingPoint, c’est un cabinet de conseil. Après, j’ai eu une première expérience en CDI dans un cabinet de conseil en tant que business analyst aussi, puis en tant que data analyste marketing chez Google. Puis à mon compte.

Bertrand
OK, bravo, beau parcours. Est ce que tu peux nous dire maintenant dans quelle entreprise du travail et quel métier tu exerces ?

Lorélie
Aujourd’hui, Je suis data scientist chez Rakuten sur des sujets essentiellement marketing et business, depuis à peu près un an. Rakuten, c’est une entreprise japonaise qui a été fondée en 1997, qui est présente dans 30 pays avec 80 services différents qui vont de la fintech à la télécommunication en passant par une plateforme e-commerce orientée économie circulaire, service sur lequel je suis plus particulièrement impliqué.

Bertrand
Et donc, tu es data scientist chez Rakuten. Ça veut dire que tu gères quel type de données, quels types de services aujourd’hui ? Je suis sur la market place, donc mon rôle va être essentiellement de m’occuper de sujets marketing et de répondre à des questions business & marketing. Donc, est ce que les clients vont revenir sur notre plateforme? Est ce qu’une annonce va convertir ou pas? C’est des sujets qui sont plus particulièrement dans mon quotidien.

Bertrand
Market Place, pour ceux qui nous écoutent, c’est l’endroit où des commerçants peuvent vendre des produits chez Rakuten,

Lorélie
Des commerçants, mais aussi des particuliers. C’est quand même une grosse partie de notre activité. En fait, vous comme moi pouvons déposer une annonce pour aller vendre le livre que nous avons lu et dont on ne sait plus vraiment quoi faire.

Bertrand
Lorélie, est ce que tu peux décrire les missions quotidiennes d’un data scientist chez Rakuten?

Lorélie
Alors, j’ai trois missions principales. La première, ça va être de l’analyse de données. La deuxième, ça va être de l’automatisation et la troisième, ça va être de la modélisation. Donc, sur l’analyse de données, ça va être de l’analyse de données, de gros volumes. On parle de plusieurs millions de lignes, en fait, pour ceux qui en font un peu d’Excel. Donc, c’est avec des outils qui ne sont pas forcément les outils utilisés par des data analyst.

Lorélie
Et l’idée, c’est d’avoir un petit peu une image de ce que fait Rakuten. Comment se porte l’activité des problèmes qu’on peut éventuellement rencontrer. Sur la partie automatisation, je vais aller aider mes collègues à automatiser les tâches qui sont un peu redondantes en utilisant le code et donc créer en fait ce qu’on appelle des scripts pour pouvoir les aider dans leur quotidien.

Bertrand
Et là, c’est Python un peu la base ?

Lorélie
et là, c’est Python !

Bertrand
Et la troisième et la troisième, c’est la modélisation. Donc, c’est surtout un peu le cœur de la data science. C’est vraiment pouvoir utiliser des mathématiques pour pouvoir faire ce qu’on appelle des prédictions sur différents sujets.

Bertrand
Et donc là, on est un peu au cœur de ce qui nous intéresse et je pense qu’il intéresse la communauté du Gagne-Pain. C’est cette différence qui peut exister entre le métier de data analyst qu’on a déjà interviewé au sein du Gagne-Pain et le métier de data scientist. Je veux bien qu’on revienne sur cette différence. Quels sont les traits communs de ces deux métiers? Puis après, on verra quelles sont les différences.

Lorélie
Il y a un trait commun qui est qui est l’analyse de données. Les deux métiers vont faire du traitement de données et de l’analyse de données, parfois sur des gros volumes pour les deux. Mais la vraie différence, ça va être sur l’objectif de cette analyse de données et les outils qu’on va utiliser pour pouvoir faire ça.

Bertrand
L’analyse, il y a donc ce premier trait commun entre les deux métiers. Est ce que tu peux quand même expliquer les différences entre l’analyse pour un data analyste et l’analyse pour un data scientist ?

Lorélie
Alors le data analyst va s’occuper de problématiques qui vont être dans le passé dans le présent. Dans le passé, ça va être un peu voir ce qui s’est passé sur notre plate forme. Comment se sont comportés les clients? Quelles ont été les différents achats qui ont pu être faits. Et dans le présent, ça va être plutôt ce qu’on appelle du reporting. Donc, s’assurer au quotidien que tout va bien qu’on et bien sur nos objectifs.

Bertrand
Si je fais une analogie, il conduit une voiture et regarde dans le rétroviseur pour savoir ce qui se passe et y conduit sa voiture pour quelle se comporte bien sur la route.

Lorélie
Exactement, pour reprendre ton analogie, le data scientist il va plutôt analyser où est ce qu’on va et dire et dire comment on peut y aller le plus vite possible et le plus rapidement possible.

Bertrand
C’est une sorte de Waze, il va utiliser toutes les données non pas seulement pour faire le présent, mais aussi pour préparer l’avenir.

Lorélie
Exactement.

Bertrand
OK, c’est très clair. Après, tu as dit qu’il y avait des différences entre data analyst et data scientist sur la partie outils utilisés. Est ce que tu peux revenir là dessus?

Lorélie
Alors les data analyses vont plutôt être sur des outils d’analyse, donc ça peut être de l’Excel ou ça peut être du code pour pour certains analystes, et la data analyst que vous avez reçue lors du premier épisode parlait de SQL et de Python, qui sont les deux outils principaux qu’elle utilise. Donc, c’est vraiment des choses qui vont être utilisées par des data analysts. On va aussi avoir des outils de visualisation, des chiffres donc, comme tableaux, etc… qui vont faire partie du quotidien de Data Analyst. Moi, mes outils au quotidien en tant que data scientist, ça va être des outils qu’on connait plus globalement sous le nom d’intelligence artificielle. Je pense que tout le monde a au moins entendu ce terme là.

Bertrand
Pour reprendre l’idée de Waze, on va se servir de ces informations pour prédire des choses, prédire le temps d’arrivée, prédire le bon parcours, prédire le bon comportement…

Lorélie
Exactement le Waze et est un outil d’intelligence artificielle. Donc ça, c’est ce que j’utilise au quotidien. Et concrètement, ce qu’il y a derrière ce terme, c’est des mathématiques, c’est des équations mathématiques qui vont pouvoir nous aider à faire des prédictions derrière. Et ça, c’est mon outil principal.

Bertrand
On parle de machine learning, on parle de deep learning. Est ce que tu peux expliquer cette terminologie? Qu’est ce que ça veut dire concrètement?

Lorélie
Alors, le machine learning, c’est concrètement des équations mathématiques qui vont se comporter en tant que modèle. C’est à dire que l’idée, c’est de pouvoir appliquer ces équations mathématiques à des problématiques concrètes et de pouvoir en tant que data scientist, les optimiser pour avoir des modèles qui collent le plus à ce qu’on attend. Le deep learning, c’est ce que ça va être, c’est une sous catégorie du machine learning, et ça va être en fait ce qu’on appelle un réseau de neurones.

Lorélie
Par exemple, quand vous voyez un objet devant vous, vous avez soif, vous voyez un verre d’eau devant vous. Votre cerveau va avoir plusieurs actions. Il va prendre toutes les données de la distance du verre d’eau à votre main, du chemin de la main la plus proche du verre d’eau et de comment apporter le verre d’eau à sa bouche pour pouvoir boire et donc ne plus avoir soif. Ça va être en fait différentes connexions de neurones qui vont se faire dans votre cerveau sur différentes applications et qui vont en fait marcher ensemble vers un but commun qui est boire ce verre d’eau. Et c’est ce que va faire le deep learning, c’est un réseau de neurones.

Bertrand
C’est ce que tu fais pour Rakuten. C’est essayer de faire en sorte que plus personne n’ait soif.

Lorélie
Exactement !

Bertrand
Quand ils voient un produit qui les intéresse, quand il y a quelque chose d’intéressant à acheter, quand on veut essayer de montrer la diversité des produits qui sont présents

Lorélie
Exactement

Bertrand
Excellent, ça me semble très clair. On parlait de language aussi. Moi, je vois dans les échanges qu’on a eus, on a parlé de Python, de R, de SQL. Ça, c’est des outils que, et le data analyst, et le data scientist utilisent.

Lorélie
Exactement, je pense que ce qui va diverger, ça va être le pourcentage d’utilisation des langages en tant que data analyst et en tant que data scientist. Moi, en tant que data scientist, mes principaux langages, ça va être Python. Python, c’est 90% de mon temps. SQL c’est vraiment juste pour faire de l’extraction de données chez moi, donc ça va être plutôt 10%. Là où un data analyst va avoir un ratio beaucoup plus important de SQL que de mien.

Bertrand
Et chez les data scientist Excel, ça n’existe pas?

Lorélie
Non,

Bertrand
C’est trop petit ?

Lorélie
On n’aime pas trop Excel…

Bertrand
Lorélie, Attention QGP, La question Gagne-Pain. Est ce que tu peux me dire combien ça gagne un data scientist ?

Lorélie
Alors en sortie d’école, un data scientist va gagner entre 40 000 et 45 000€ brut et ensuite, les salaires vont beaucoup évolué en fonction du type de data scientist, de la technicité, du type d’entreprise et aussi s’il y a du management ou pas dans le poste. Donc, c’est plus difficile de donner une fourchette à 2 ans ou 5ans.

Bertrand
Est-ce qu’il y a est une partie variable et une partie incentive. Dans ce métier, on est incentivé sur les résultats qu’on obtient ?

Lorélie
Alors potentiellement, moi, je le suis, par exemple, mais tout le monde ne l’est pas. C’est un peu plus difficile d’identifier sur des résultats pour ce métier là.

Bertrand
Pourquoi est ce que tu as choisi Lorélie, ce métier de data scientist, c’était quoi le rationnel derrière tout ça, c’est forcément rationnel pour un data scientist ?

Lorélie
Ça a été très rationnel et ça s’est fait par étapes. J’ai d’abord été business analyst et en tant que business analyst, j’utilisais justement beaucoup Excel. J’ai été frustré par l’idée de ne pas pouvoir utiliser et travailler avec autant de données que je voulais. Donc j’ai appris à coder pour pouvoir justement avoir à gérer un plus gros volume de données et je suis donc devenu data analyst. Et une fois que je suis devenue Data Analyst et que j’ai commencé à apprendre à coder, je suis tombé dans le machine learning. J’ai adoré et donc, du coup, j’ai décidé de faire le pas vers vers la data science. Et c’est comme ça que j’ai évolué vers ce métier.

Bertrand
Est ce qu’on peut essayer de donner une sorte d’échelle du nombre de données, du volume de données qu’on peut utiliser quand on devient data scientist? On parle de combien de lignes sur Excel qui deviennent insuffisantes et qui permettent de passer à des étapes supplémentaires? Est ce que ça chiffrable ?

Lorélie
Je pense pour Excel, on va commencer à avoir des problèmes de manipulation à peu près, on va dire 20.000, voire 100.000 lignes. Pour moi, 100.000 lignes, c’est rien du tout aujourd’hui.

Bertrand
Ca veut dire qu’on est vraiment déjà des données incroyablement importantes en volume.

Lorélie
On pourrait, j’exagère mais c’est un chiffre qui est plus proche de l’infini que de 100 000…

Bertrand
Donc, pour tout ça, il faut des compétences forcément. Pour le métier de data scientist. C’est quoi les compétences requises pour le job?

Lorélie
La première, ça va être les mathématiques. La deuxième, ça va être le code et enfin la troisième compétence qui est un peu en option, mais qui, en plus, est une compétence métier. En fait, bien comprendre le métier.

Bertrand
C’est à dire que pour pouvoir prédire, il faut quand même comprendre de quoi on parle.

Lorélie
Exactement.

Bertrand
Donc, il y a quand même une notion de métier. On n’est pas data scientist hors sol, on est data scientist dans une entreprise qui répond à des questions, qui trouvent des solutions pour répondre à des questions. Et dans ses différentes composantes. Comment tu les matérialise? On a dit mathématiques, donc mathématiques ça veut dire ça veut dire quoi concrètement aux mathématiques?

Lorélie
Comme je le disais tout à l’heure en l’intelligence artificielle, c’est des maths et des équations mathématiques. Donc l’idée, c’est soit pour les data scientist qui sont plutôt dans la recherche de pouvoir matérialiser ces mathématiques. Écrire ces équations et pouvoir créer de nouveaux modèles mathématiques à appliquer sur des problématiques business. Ou alors, il faut au moins comprendre, et c’est plus mon cas. Comprendre ce qui se passe derrière chaque modèle, quels sont les types d’équations qu’elles sont fait, les mécaniques derrière mathématique derrière chaque modèle. Parce que c’est ça qui va me permettre d’optimiser mon modèle ou de bien savoir quel est le modèle qui va le mieux s’appliquer à une problématique donnée.

Bertrand
Est ce qu’on est déjà en train de parler d’algorithme quand on parle de ça ? C’est une question là aussi qui revient souvent parmi la communauté du Gagne-Pain.

Lorélie
Complètement, en fait, un modèle, c’est un algorithme !

Bertrand
Donc, ça veut dire que le modèle mathématique se concrétise par un mot qu’on entend tout, qu’on connait tous ce qui est un algorithme

Lorélie
exactement, c’est tout à fait ça.

Bertrand
Est ce qu’il y a une différence entre ce que tu imaginais en tant que métier de data science avant de le faire et ce que tu fais vraiment?

Lorélie
Il y a une petite différence qui est sur le temps passé à la modélisation. J’imaginais que ça allait être quand même la majorité de mon temps et en fait, ça reste que 10% de ce que je fais, le reste étant du traitement de données. Faire en sorte que la donnée puisse justement être utilisable pour un modèle.

Bertrand
Ca veut dire que de temps en temps, tu sors de ton ordinateur ou c’est quand même une grande partie de la journée collée à l’ordinateur?

Lorélie
J’ai une grande partie de la journée collée à mon ordinateur.

Bertrand
Et ça arrive d’en sortir un peu pour justement comprendre ce qui se passe dans l’entreprise et savoir que les modèles vont être efficaces pour l’entreprise, pour les gens avec qui tu travailles.

Lorélie
Alors, avant chaque lancement de projet, on fait quand même des réunions avec les personnes qui sont impliquées dans ces projets. Si, par exemple, c’est un projet plutôt orienté client. Je vais aller voir l’équipe qui est en charge de la fidélisation client pour comprendre quelles sont leurs problématiques, pour comprendre qu’elles sont un peu leurs nœuds et pour voir, en fait là où moi, je peux les aider plus particulièrement. Donc, il y a quand même un gros passage qu’on peut appeler Audit. Qui est moi me parle parce que j’ai fait du conseil avant de compréhension des différents mécanismes métiers et comment ça peut impacter ma modélisation derrière.

Bertrand
C’est sur ca que tu vas déposer les modèles sur la compréhension du métier sur lequel tu vas travailler. Alors, en tant que data scientist, on fait quand même des erreurs. Est ce que tu peux nous dire quelle a été l’erreur dont tu te souviens, qui a marquée un peu dans ton métier?

Lorélie
Alors c’était une erreur, quand j’ai fait mon premier stage chez Canal+ où, en fait, j’ai créé une dispute entre deux services parce que je ne me suis pas relue. Après, après avoir sorti des chiffres et donc j’ai vraiment créé une petite dispute entre ces deux services par inattention.

Bertrand
Donc, tu te relis maintenant.

Lorélie
Maintenant, je me relis

Bertrand
Tu as des algorithmes pour relire ce que tu fais ou pas?

Lorélie
Pas encore, mais c’est une bonne idée. Je vais travailler là dessus.

Bertrand
Y a t il une journée type et quelle est la journée type d’un date scientist?

Lorélie
Alors non, il n’y a pas forcément de journée type et c’est aussi pour ça que j’aime ce métier. J’ai pas 2 jours qui se ressemble. Ça va dépendre de l’état de mes projets et ça va dépendre du besoin présentement.

Bertrand
Il y a une question qui revient souvent dans la communauté du Gagne-Pain pour les jeunes qui nous écoutent et qui veulent choisir leur métier dans le digital. C’est l’utilisation de l’anglais. Et quelle est l’utilisation de l’anglais chez Rakuten quand on est data scientist?

Lorélie
On a deux utilisations. La première, c’est, on va dire, une utilisation communautaire et la deuxième, ça va être une utilisation d’entreprise, parce que chez Rakuten, on est uniquement en anglais. Donc tous nos échanges, quasiment tous mes échanges se font en anglais. Mais pour revenir plus sur l’aspect communautaire, le métier de data scientist et les métiers de la data en général se caractérise par une communauté très soudée qui échangent beaucoup sur certains forums et le langage en fait d’échanges principal, c’est l’anglais. Donc, l’idée est quand même de le comprendre et de pouvoir et de pouvoir échanger quelques mots en anglais.

Bertrand
L’anglais, c’est un peu la langue maternelle du data scientist.

Lorélie
Sans aller jusqu’à la langue maternelle, on peut très bien comprendre et pas forcément le parler. Mais en tout cas, c’est une langue clée pour le data scientist.

Bertrand
Quelles sont les bonnes formations pour devenir data scientist? Et toi? Est ce que tu continues à se former régulièrement?

Lorélie
Alors moi, j’ai pas forcément un parcours typique de data scientist puisqu’on retrouve plutôt des profils d’ingénieurs dans ces métiers là. Parce qu’il y a quand même une grosse propension aux mathématiques. Et donc, c’est plutôt ces profils qu’on va retrouver. Mais tous les chemins mènent à Rome. Et aujourd’hui, à avoir un profil un peu plus business ça m’aide au quotidien, donc je ne peux que conseiller de passer par ce chemin là pour ceux qui sont intéressés.

Bertrand
Donc, pour résumer, ça peut être soit un parcours qui vient d’une école d’ingénieur, soit un parcours qui vient d’une école de commerce?

Lorélie
Oui, ou un parcours qui est très axé mathématiques…

Bertrand
Très axé mathématiques, commerce, mais mathématiques, forcément, si on veut y arriver.

Lorélie
Exactement.

Bertrand
Et toi, est ce que tu continues à former? Comment ça se passe? On continue à se former en permanence, comme dans beaucoup de métiers dans le métier de data scientist.

Lorélie
Ce qui est génial aussi avec mon métier, c’est que le métier que je fais aujourd’hui, ce sera pas le même que dans six mois ou dans deux ans, parce que c’est un métier qui est en constante évolution. Donc, je suis toujours obligé de mettre à jour. Et pour ça, il y a plusieurs moyens. Il y a beaucoup de vidéos sur Internet, il y a beaucoup de certifications. Mais j’ai aussi la chance de travailler avec d’excellents data scientist chez Rakuten, qui me partagent leurs avancées et ce qu’on appelle leur best practices, ce qui me permet de continuer à me former continuellement.

Bertrand
On parlait de certifications professionnelles. Est ce que tu peux revenir un peu là dessus et nous expliquer quelles sont les certifications professionnelles qui sont utiles pour être data scientist?

Lorélie
Alors, il y en a énormément sur le marché. Ça va dépendre du niveau de base, ça va dépendre des attentes, ça va dépendre de plein de choses.

Bertrand
Si tu devais en choisir trois

Lorélie
Moi, celle j’aime bien c’est celle d’IBM qui est vraiment pour les débutants de la data science, donc pour ceux qui n’ont pas forcément de connaissances préalables. Je trouve que c’est une formation qui est très intéressante.

Bertrand
IBM Data Science Professional Certification, c’est la première,

Lorélie
La deuxième, ça va être pour ceux qui ont déjà un petit peu plus de bouteille en data science qui veulent se focaliser sur le deep learning. Il y a un cours de deep learning sur Coursera qui est particulièrement bien fait. Je ne peux que conseiller aussi.

Bertrand
D’accord, ça, c’est la deuxième et il y en avait une troisième ?

Lorélie
Et la troisième. Ça va être une certification Google Cloud puisque en tant que data scientist, on utilise beaucoup le cloud.

Bertrand
c’est a dire qu’on met ces données dans les nuages…

Lorélie
On met ses données dans les nuages et on fait tourner ces modèles dans les nuages aussi. Donc, on a beaucoup la tête dans les nuages et la certification Google Cloud nous aide à naviguer.

Bertrand
Lorélie c’est quoi le mode de vie d’un data scientist? Ou plutôt comment est ce qu’on travaille à distance, au bureau, quand on est data scientist?

Lorélie
Alors, on peut complètement travailler 100% à distance. Tout est fait dans ce métier, c’est du digital, donc tout est fait pour pouvoir travailler à distance si on le souhaite. Moi, personnellement, j’aime bien l’idée un peu hybride. Parce que ça me permet d’être à côté d’équipes métiers et donc, du coup, d’etre au plus proche des problématiques sur lesquelles je travaille. Mais tout est envisageable avec ce métier.

Bertrand
Y compris quand on manipule des volumes de données considérables, on peut faire ça depuis chez soi?

Lorélie
De toute façon, tout est dans les nuages. Tout est dans le cloud, donc on peut faire ça…

Bertrand
On a rien sur son ordinateur?

Lorélie
Exact, on n’a rien sur son ordinateur!

Bertrand
Lorélie, quels seraient tes conseils pour ceux et celles qui nous écoutent et qui voudrait devenir data scientist.

Lorélie
Tout d’abord, lancez vous parce que c’est de mon point de vue très objectif, le plus beau métier du monde. Donc, lancez vous et plus sérieusement, c’est un métier qui paraît un peu une montagne parce qu’il faut apprendre le code, il faut parfois se remettre en math, etc. Mais c’est aussi un métier où on a des petites récompenses assez rapidement parce qu’avec deux ou trois lignes de code, on peut faire des choses assez chouettes. Donc, lancez vous !

Bertrand
Donc, il faut quand même dans tes conseils tester son aptitude à faire du code, tester son aptitude aux mathématiques. Faut pas être hermétique à tout ça si on veut se lancer?

Lorélie
Oui, c’est une évidence, parce que c’est quand même 100% de mon temps, le code et les maths. Donc si c’est pas forcément ce qui nous botte, ça peut être un petit peu plus compliqué…

Bertrand
Est ce que tu pourrais conseiller à ceux qui nous écoutent des films, des séries, des livres, des podcasts sur ce métier de data scientist? Et comment l’approcher un peu avec de la culture

Lorélie
Pour l’intelligence artificielle, c’est quelque chose qui fascine un peu l’industrie du film et des livres, donc quand même beaucoup de films autour de ça. Moi, personnellement, j’ai deux films que j’aime beaucoup. Le premier qui s’appelle The Imitation Game, qui est sur Alan Turing, qui est en fait le père du machine learning puisqu’il a créé une machine à sous l’Allemagne nazie pour décrypter les messages secrets que sont envoyés les Allemands.

Bertrand
Très beau film, très intéressant

Lorélie
Avec Benedict Cumberbatch…

Bertrand
Très bien, et le deuxième film?

Lorélie
Le deuxième film, c’est Le stratège en français et Moneyball en anglais, avec Brad Pitt, donc aussi un très, très beau cast qui qui parle de baseball et surtout de l’utilisation de statistiques pour améliorer ses performances et pour aller beaucoup plus loin dans le jeu. Les statistiques qui font partie de la grande famille de la data science. Mais. Mais on pourrait aussi imaginer des modèles de machine learning pour être encore plus pertinents, finalement.

Bertrand
C’est très bien ces deux exemples. On est assez loin de l’image de l’intelligence artificielle. On est assez concret dans ces deux exemples. En conclusion, qu’est ce que tu souhaiterais ajouter encore une fois pour aider ceux qui nous écoutent et qui auraient envie de devenir data scientist?

Lorélie
Mais encore une fois, lancez vous, c’est le plus beau métier du monde. Donc allez y.

Bertrand
Ça donne envie! Franchement, si j’avais le choix, peut être que je ferais ce choix en écoutant tes conseils. Est ce qu’il y a des évolutions possibles? Et quelles sont les évolutions que tu envisages aujourd’hui dans ce métier?

Lorélie
Pour moi, il y a un peu deux évolutions sur ce métier. Il y a une évolution qui sera plutôt technique, donc aller plus loin dans mes compétences techniques et on peut toujours aller plus loin dans nos compétences techniques avec ce métier là. Et la deuxième, ce serait plutôt une évolution managériale. Donc, avoir une équipe de data scientists ou d’experts de la donnée avec qui travailler.

Bertrand
Excellent Lorélie. Merci.

Lorélie
Merci à vous.

L’épisode 14 du Gagne-Pain, métier « Data Scientist », est également disponible sur :

le podcast le gagne-pain sur Deezer

1 réflexion au sujet de « ÉPISODE 14 – Data Scientist, Lorélie Mani »

Laisser un commentaire