Ressources humaines

Big Data : la chasse aux experts commence

Si l’exploitation des données est désormais le nouvel eldorado des banques*, il faut avoir sous la main des spécialistes pour savoir comment les faire parler. Où les trouver ? Comment les former ? Comment les intégrer à ses équipes ?

Kaggle

L'auteur

Pour en savoir plus

Lire le dossier Nouvelles Technologies « Les données : le nouvel or blanc des banques ? », Revue Banque n° 788, p. 38.

Revue de l'article

Cet article est extrait de
Revue Banque n°800

Crédit immobilier : le modèle français menacé

Data Scientist, Chief Data Officer (CDO, en français responsable des données)… voici quelques-uns des nouveaux intitulés de postes les plus recherchés actuellement dans les nouvelles technologies, tous secteurs économiques confondus, y compris et surtout dans le domaine financier, que ce soit au sein des banques traditionnelles ou dans les nouvelles FinTech. Puisque tout le monde veut tirer parti de ses données, encore faut-il avoir des collaborateurs spécialisés dans cette nouvelle discipline, savoir où les trouver et surtout comment les faire travailler. Pour Ahmad Hassan, Partner chez Heidrich & Struggles, cabinet de conseil en recherche de dirigeant, la première question à se poser avant tout recrutement est de savoir où l’on se situe dans l’utilisation de ses données : « Aujourd’hui, lorsque je parle aux banques et assurances, je commence par m’intéresser à la façon dont ils gèrent leurs données et à l’impact sur leur business. Ont-ils une vision globale du client ou toujours une vision par silo ? Ont-ils mis en place un système de données pour capturer et récupérer l’information avec des outils décisionnels ? » Olivier Lacôte, directeur associé du cabinet de recrutement Oresys est sur la même ligne : avant même de chercher à recruter un Data Scientist, il faut donc avoir défini ce que l’on sait faire avec ses données et ce que l’on veut obtenir de plus.

La place naturelle du Data Scientist est dans un data lab

« Un Data Scientist travaille dans un data lab, structure ad hoc qui regroupe un certain nombre de ressources pour des gens qui travaillent sur un ensemble de sujets d’étude thématiques en réponse à des commandes internes en utilisant les données internes et externes. Le positionnement naturel du Data Scientist est d’être hébergé dans ces structures destinées à valoriser les données de l’entreprise. Le plus important est de réussir l’amorçage du data lab, qui doit faire ses preuves. Cela prend entre 12 et 18 mois. Il faut commencer petit, par une étude, et étendre progressivement le champ d’influence pour finir par mener plusieurs études en parallèle », estime Olivier Lacôte. « Il faut progresser dans l’échelle de complexité : plus le data lab va monter en puissance, plus il va avoir besoin de profils pointus et se rapprocher d’un véritable profil de Data Scientist. Au sein d’un data lab, quatre compétences sont sollicitées : comprendre la question du client et donc la problématique métier ; rassembler les données dont on a besoin et vérifier leur qualité ; analyser les données et créer les algorithmes spécifiques ; enfin, avoir une capacité pédagogique de synthèse, pour bien expliquer les résultats à un directeur qui n’a pas beaucoup de temps à y consacrer. Il faut rassembler ces quatre compétences, mais pas forcément sur une même tête : nous préférons consacrer les Data Scientists sur la partie analyse, mais en leur donnant l’aide des autres piliers pour être accessibles. » En effet, l’important n’est de ne pas concevoir le rôle du Data Scientist, ou du data lab, comme étant isolé du reste de l’infrastructure. Ahmad Hassan estime qu’il y a plusieurs écoles de recrutement, mais « en ce qui me concerne, je viens de celle qui dit que plutôt que trouver un Superman, mieux vaut trouver une super équipe ! » Et Olivier Lacôte renchérit : « Le data lab n’est pas constitué à 100 % de Data Scientists ; ceux-ci ne représentent qu’environ 50 % de son effectif. »

La data science : un travail d’équipe

Une fois ses besoins définis, comment recruter les bonnes personnes ? Plusieurs solutions sont possibles, mais il n’existe pas de méthode miracle qui répondrait à tous les besoins d’une banque. Frédéric Bomy, Manager connaissance client chez Wide, groupe Micropole, rappelle qu’« un data scientist est quelqu’un qui va utiliser des technologies de machine learning et de data mining, mais pas seulement : il faut aussi récupérer des données externes. Aujourd’hui, il y a une pénurie de ces profils dans les banques, et elles sont obligées de faire monter en compétence leurs Data Miners ou de faire appel à des sociétés externes. » Ayant travaillé chez BPCE, Frédéric Bomy connaît bien le milieu bancaire et recommande, pour organiser son data lab, de mixer formation interne et recrutement externe. « Aujourd’hui pour mettre en place la cellule Big Data, soit il faut mettre en place quelqu’un en interne, mais qui a une expérience précédente extérieure et connaît la data science, ou prendre quelqu’un de l’extérieur qui va faire monter en compétence les collaborateurs en interne. C’est ce que j’avais fait quand j’étais chez BPCE. La démarche commence par une première phase d’interviews et de détection en interne des salariés intéressés, puis on les fait monter en compétence pour utiliser les données qui ne sont pas internes à l’entreprise. Nous avions mis un an pour constituer l’équipe de cinq personnes et réaliser les premiers proofs of concept. Ce sont des équipes relativement petites et des délais relativement courts, mais nous avions aussi intégré des consultants externes, qui ont ensuite été embauchés. » Cette mixité dans les équipes permet à chacun de progresser plus rapidement. « La data science est un triptyque : la connaissance du métier, avec une tête de pont qui fait l’interface avec les besoins opérationnels ; le développement, pour aller chercher les données nécessaires, qu’elles soient internes et externes ; le statisticien, qui va développer l’outil pour répondre au besoin opérationnel. Chaque memebre de l’équipe doit avoir un minimum de compétences dans les autres activités, pour savoir ce dont ont besoin ses collègues », explique Frédéric Bomy.

Pour Éric Gagnier, Data Scientist de Teradata, la collaboration est au cœur même du travail du Data Scientist et doit donc être la clé du processus de recrutement : « Une banque aura tout intérêt à recruter des gens curieux, en passant par des sites comme kaggle.com ou datascience.net, qui recensent tous les challenges déposés par les entreprises mondiales sur des questions de data science. Un DRH peut regarder sur ce site pour repérer les Data Scientists innovants. Mais j’insiste sur l’importance collaborative du travail. Lorsqu’une équipe de Data Scientists est recrutée, il faut les former les uns les autres et en tirer de nouvelles idées. Il faut insister sur l’aspect collaboratif. Les idées des data sciences doivent être testées, validées et mises en place sur le terrain. »

Séduire les bons profils

Le problème est qu’il existe une pénurie de Data Scientists qualifiés. « Aujourd’hui, les profils en sortie de formation sont nombreux, mais ceux qui ont au moins trois ans d’expérience professionnelle sur ces sujets sont très rares. La vraie difficulté est de recruter ces profils-là, alors qu’il en faut au moins un dans une équipe de data science, qui puisse former les juniors » explique Antoine Grimaud, COO de Payplug, prestataire de paiement en ligne. Sa société, qui n’a pas l’infrastructure d’une grande banque, passe par des plates-formes de recrutement de type Breeze ou Talend. Mais il le reconnaît, le moyen le plus efficace reste le bouche à oreille : « La meilleure source reste le referral, c’est-à-dire les gens qu’on peut connaître qui travaillent avec des Data Scientists. Nous avons déjà des développeurs qui nous ont mis en contact avec des candidats. » Encore faut-il parvenir à les séduire. Pour cela, estime-t-il, « les aspects matériels jouent peu ; les vrais facteurs sont d’abord la qualité du projet et la qualité de l’équipe. Mais il faut aussi laisser aux Data Scientists de l’autonomie et leur montrer qu’il existe des enjeux intéressants derrière les projets. Ceux qui ont cinq ou dix ans d’expérience viennent du monde de la recherche et un projet “sexy” les intéressera. Au final, la première étape est de savoir pourquoi une entreprise a besoin d’un Data Scientist ; si elle a le bon projet, les bonnes données, elle va le trouver. »

 

Articles du(des) même(s) auteur(s)

Sur le même sujet