Quelles différences entre un Data Scientist et un Business Analyst

Le rôle des data scientists et des analystes métiers diffèrent quand on sait que les premiers doivent plonger en profondeur dans les données et trouver des solutions business inédites - mais les distinctions ne s'arrêtent pas là.

Quelle est la différence entre la fonction de Data Scientist et l’analyste métier ? Et quelles formations ou compétences sont nécessaires pour devenir un scientifique des données ?

Il y a un certain nombre de différences entre les data scientists et les analystes métier. Elles sont semblables à celles entre un chercheur médical et un technicien de laboratoire. L'un utilise l'expérimentation et la méthode scientifique pour faire de nouvelles découvertes potentiellement révolutionnaires, tandis que l'autre applique les connaissances existantes dans un contexte opérationnel.

Les data scientists se plongent dans de grands jeux de données et font des expérimentations pour découvrir de nouvelles perspectives sur les données. Les analystes métier, quant à eux, utilisent généralement des outils d'analyse en self-service pour examiner certains les jeux de données, créer des rapports et des visualisations de données et faire état sur les résultats spécifiques (comme par exemple les revenus par trimestre ou les ventes qu’il convient de réaliser pour atteindre les objectifs).

Que fait un Data Scientist ?

Un data scientist pousse dans leur retranchement les outils analytiques et les entrepôts de données : Que disent réellement les données sur l'entreprise ? L'entreprise est-elle capable de d’identifier les données pertinentes à partir de données non pertinentes ?

Un data scientist doit être en mesure d’exploiter à son maximum l'entrepôt de données pour en extraire les données les plus enfouies ou d’analyser de nouveaux types de données stockées dans les clusters Hadoop, par exemple. Il ne se contente pas d'établir des rapports comme le fait un analyste métier classique, il fournit également des indicateurs métier basées à partir de ces données.

Un tel poste exige également un sens métier très marqué et la capacité de pouvoir communiquer ses conclusions aux parties prenantes de l'entreprise. Les bons data scientists ne s'attaquent pas seulement aux problèmes business, mais aussi aux problèmes stratégique pour l’entreprise.

Ces scientifiques de la donnée examinent toutes les données disponibles dans le but de découvrir un indicateur (insight) qui jusqu’alors était caché. Ce nouvel indicateur peut être déterminant pour l’entreprise, fournir un avantage concurrentiel ou résoudre un problème commercial urgent. Ils les examinent sous de nombreux angles, déterminent ce qu’elles signifient et recommandent ensuite des façons d'appliquer ces données. Ces connaissances peuvent contribuer à la création d’un nouveau produit ou même, parfois, à un nouveau modèle économique.

Les data scientists appliquent des modèles avancés d'apprentissage machine (Machine Learning) pour automatiser des processus qui prenaient auparavant trop de temps ou qui étaient inefficaces. Ils utilisent des outils de traitement de données et de programmation -- souvent Open Source, comme Python, R et TensorFlow -- pour développer de nouvelles applications qui exploitent l'Intelligence Artificielle.

Que fait un Business Analyst ?

Un analyste métier - un titre souvent utilisé de façon interchangeable avec celui d'analyste de données (Data analyst) - se concentre davantage sur la fourniture de renseignements et d’indicateurs opérationnels aux départements métier. Ils utilisent pour cela des jeux de données plus petits et plus ciblés. Par exemple, un analyste métier, associé, à une équipe de vente travaillera principalement avec les données de vente pour voir comment les membres de l'équipe se comportent, pour identifier les membres qui pourraient avoir besoin de coaching supplémentaire et pour chercher d'autres domaines où l'équipe pourrait s’améliorer.

Les analystes métier utilisent généralement des outils d'analyse et de visualisation des données en self-service. À l'aide de ces outils, ils peuvent créer des rapports et des tableaux de bord que l'équipe métier utilise pour suivre ses performances. Généralement, l'information contenue dans ces rapports est rétrospective plutôt que prédictive.

 Quels formations, outils et tendances

Pour devenir analyste métier, vous devez vous familiariser avec les statistiques et les principes de base de l'analyse des données. Il existe de nombreux outils d'analyse en self-service. Bien sûr, vous devez savoir si confronter deux jeux de données distincts a du sens, d’un point de vue statistique. Il est aussi clé de comprendre la distinction entre corrélation et causalité. Mais, dans l'ensemble, une connaissance approfondie des mathématiques n'est pas nécessaire.

Pour devenir un data scientist, vous avez besoin d'un solide bagage en mathématiques. C'est l'une des principales différences entre ce scientifique et l’analyste métier. Souvent, les data scientists ont des doctorats en mathématiques. Bon nombre d'entre eux ont une formation en physique ou dans d'autres sciences qui utilisent l'inférence statistique.

Qu'une entreprise utilise Tableau, Qlik ou Power BI - les trois plateformes d'analyse les plus courantes - ou un autre outil, la plupart des analystes métier utilisent des interfaces utilisateur graphiques conçues pour être intuitives et faciles à prendre en main.

Les postes liés à la science des données (Data Science) exigent une formation technique plus spécifique. En plus de compétences mathématiques avancées, les data scientists ont besoin de compétences techniques pointues. Ils doivent maîtriser plusieurs langages (Python, SQL et Java). Cela leur permet d'exécuter des modèles complexes de Machine Learning à partir de gros volumes de données stockées dans Hadoop. Le plus souvent, ces spécialistes des données acquièrent ces compétences dans le cadre d'un programme d'études universitaire en informatique.

Cependant, la ligne de démarcation entre la science des données (Data Science) et l'analyse des données tend actuellement à se flouter. D’un côté, les applications du marché permettent de plus en plus d'automatiser des tâches complexes grâce au Machine Learning. De l’autre,  les logiciels en libre-service supportent des fonctions analytiques plus avancées. Résultat, les data scientists utilisent de plus en plus d'outils qui étaient autrefois réservés aux analystes métier.

Les entreprises ont souvent tendance à créer des équipes mixtes où les data scientists travaillant aux côtés d’analystes métier. La distinction entre les data scientists et les analystes métier pourrait s’estomper au fil du temps. Une tendance qui pourrait s'avérer payante pour les entreprises.

Pour approfondir sur Outils décisionnels et analytiques

Close