Science des données

Le premier objectif du « data scientist » est de produire des méthodes de tri et d’analyse de données de masse et de sources plus ou moins complexes ou disjointes de données, afin d’en extraire des informations utiles ou potentiellement utiles.

Pour cela, le « scientifique des données » exerce ses activités selon 4 étapes :

• La fouille de données,
• Le nettoyage/formatage des données (data wrangling)
• Le traitement des données
  • Traitements classiques (fonctions mathématiques)
  • Traitements d'apprentissage automatique
  • Visualisation de données
• L'exploitation des résultats
  • Tableaux de bords et outils d'aides à la décisions (pouvant être notamment intégrés sur des sites web)
  • Publications de résultats de recherche (interne à l'entreprise, ou publics)

Le datascientist est donc souvent appelé à manipuler les statistiques, le traitement du signal. Il s'intéresse donc à la classification, au nettoyage, à l'exploration et à l'analyse de bases de données plus ou moins interopérables.

Les objectifs de la datascience sont multiples :

• Au sein du monde de la recherche et des universités, cette science permet simplement de mieux produire, valoriser et mémoriser la connaissance (savoir et savoir-faire). À titre d'exemple, un projet « Paris-Saclay Center for Data Science » est porté par l'Université Paris-Saclay [10].
• Au sein des entreprises privées ou nationales, le scientifique des données rend l'information plus facile à exploiter, à protéger et à valoriser.
• Au sein des collectivités territoriales et des agences gouvernementales ou de structures intergouvernementales (GIEC par exemple), il s'agit de permettre une production et une utilisation plus efficiente des données et des statistiques, au service d'outils de retour d'expérience (REX), d'outils d'aide à la décision, d'évaluation et de production de bonnes pratiques en matière de gouvernance et de politiques publiques. Ainsi les États-Unis ont-ils en 2009 créé un poste de Chief technology officer (occupé par Dhanurjay "DJ" Patil, un mathématicien né en 1969).

En réponse à la complexité croissante de la science des données, des partenariats s'établissent entre collectivités, universités, grandes écoles et secteur privé, ce travail étant pris en charge en interne ou sous-traité par une entreprise spécialisée.

Le terme science des données (data science en anglais) a été forgé lors du 2^e colloque franco-japonais de statistique tenu à l’Université Montpellier II (France). Les participants ont reconnu l’émergence d’une nouvelle discipline au cœur de laquelle se trouvent des données de toutes origines, tailles, types et structures. Cette activité doit s’appuyer sur des concepts et des principes reconnus de la statistique et de l’analyse des données tout en exploitant pleinement la puissance croissante des outils informatiques. En 2001, William Cleveland reprenait essentiellement les mêmes idées dans un article programmatique paru en 2001 « Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics » qui précise les contours de cette discipline émergente.

Cette discipline est issue de l'apparition et du développement des bases de données et de l'Internet et répond aussi à la complexité croissante et au volume en croissance exponentielle du nombre de données numériques disponibles dans le monde (infobésité).

Elle a reçu beaucoup d'attention dernièrement grâce à l’intérêt grandissant pour les "données massives". Cependant, la science des données ne se limite pas à l’étude de bases de données pouvant être qualifiées de "données massives".

Par ailleurs, l'essor de techniques d’apprentissage automatique (en anglais machine learning) et d’intelligence artificielle a également participé à la croissance de cette discipline et à son ouverture vers de nouveaux champs en passant, par exemple, de l’analyse statistique pure de données fortement structurées à l’analyse de données semi-structurées (XML par exemple) pour notamment mettre « en correspondance des bases de données et de données textuelles »[11].

Formation : Cette science nouvelle a naturellement généré « l'émergence d'une nouvelle filière de formation : « data scientists » »[12].

Parmi les plus grands utilisateurs de la science des données figurent (par ordre alphabétique)

À ne pas confondre avec l’analyse métier et l’ingénierie des données, le scientifique de données va plus loin que l’analyste de données, notamment en utilisant l’apprentissage automatique. Un maître en science des données est quelqu'un qui peut utiliser un certain nombre de méthodes, d'outils et de technologies différents dans le traitement des données pour extraire des observations précieuses à partir de données confuses.[14]

Pour cela, il doit être rigoureux, mais curieux et créatif, capable de trouver les données les plus adéquates pour une question et avoir une pensée structurée lui permettant de décomposer et organiser les questions et les processus[15].

Il doit savoir manipuler et nettoyer les données et les préparer dans un format adapté à l’analyse. Il doit aussi maitriser les sciences des données qui nécessitent une expertise pluridisciplinaire[15]. Son expertise recouvre les domaines scientifiques, méthodologiques, statistiques (maitrise des statistiques descriptives ; moyennes, médianes, variance, déviation, distributions de probabilités, échantillonnage, statistiques inférentielles, etc.), des outils d'ingénierie logicielle du domaine (ex. SAS, R), de l'algorithmique de l'apprentissage automatique, de l'apprentissage profond. Pour déduire des tendances prospectives probables et de bons modèles prédictifs, il peut également s'appuyer sur des bibliothèques (ex. TensorFlow, Keras, PyTorch). Évidemment, ces découvertes s'appuient tant les données du passé et du présent. Il doit maîtriser au moins un langage de programmation (Python, R, Java, Julia, Perl ou C/C++) et un langage de requête de base de données (SQL)[15]. Le scientifique de données doit aussi maîtriser les questions de régression et de classification, d'apprentissage supervisé ou non supervisé. Il doit aussi avoir de solides compétences en droit des données et une maitrise des aspects éthiques et sociaux, notamment concernant la confidentialité, l'anonymisation, la sécurité des données sensibles (données personnelles et de santé notamment)[15].

La maîtrise de la plateforme Hadoop, d'outils de traitement (ex. Hive, Pig...), d'outils d'infonuagique (ex Amazon S3) et la gestion de données non structurées (ex. données issues des réseaux sociaux, de flux vidéo ou audio) est un avantage et peut être requise par certains employeurs. Des notions d'intelligence artificielle sont de plus en plus requises (réseaux de neurones artificiels, etc.)[15]. In fine, le scientifique de données doit idéalement aussi être pédagogique, notamment par la maîtrise de la visualisation de données, et il doit être en mesure de déployer les modèles d'apprentissage automatique qu'il a mis au point (c'est-à-dire les rendre utilisables par des non-spécialistes)[15]. En rendant les modèles utilisables par les non spécialistes, le scientifique de données crée un « produit de données » (Data product). Celui-ci peut être une application sur un portable ou une application web. Les utilisateurs de R développent généralement leurs produits de données sur Shiny.

Selon Le Big Data 88 % des scientifiques de données ont au moins une maitrise (master) et 46 % un doctorat. Parmi ces scientifiques de données, 32 % proviennent du domaine des mathématiques et des statistiques, 19 % des sciences informatiques et 16 % d'écoles d’ingénieurs[15].

Selon le classement des 25 ou 50 « meilleurs » métiers du monde fait aux États-Unis par le site de recherche d’emploi Glassdoor, celui de Data Scientist arrivait en tête, devant les « ingénieurs DevOps » et les « Data Technicians »[15].

Selon Glassdoor, le salaire annuel d’un scientifique de données est en moyenne de 116 840 dollars et fin janvier^[Quand ?] Glassdoor estimait à 1 736 le nombre d’offres d’emploi. Le salaire annuel moyen d’un scientifique de données américain serait de 110 000 dollars, tandis qu’en France il serait entre 45 000 et 50 000 euros^{[réf. nécessaire]}. Malgré l’apparition de nombreuses formations, les employeurs peinent encore à trouver des profils assez qualifiés.[16]

Selon les plateformes de Freelance, le TJM (tarif journalier moyen) pour les "data Scientist" en freelancing se situe à 570 euros en moyenne pour les profils séniors et peut aller jusqu'à 1100 euros pour des projets d'envergures et complexes.