En 2016 déjà, un rapport venant d’IBM Marketing Cloud affirmait que 90% des données accumulées dans le monde dataient d’il y a moins de deux ans. Alors que cette accumulation s’accélère, et que les entreprises ne savent pas forcément quoi faire d’autant de données, les profils sachant exploiter ces mines d’or sont de plus en plus recherchés. Les grandes écoles de commerce, qui ont bien flairé le coup, se sont toutes dotées de leur MSc Data / Business Analytics (HEC, ESSEC, ESCP, EDHEC…) ce qui n’était pas forcément le cas il y a 5 ans…
Problème : que faire si l’on est sorti d’école ou de fac il y a déjà quelques années, que l’on souhaite se reconvertir ou affiner ses compétences en data analyse, et que l’on n’a pas forcément le temps ni les moyens de s’inscrire à un master spécialisé d’un an ? La réponse porte un nom : DataBird. Il s’agit du premier bootcamp data de 8 semaines orienté business, auquel j’ai eu la chance de participer.
Au fait, c’est quoi un data analyst ?
Si les profils data sont à la mode, les frontières entre les différents métiers liés à ce secteur restent encore assez floues. Data Analyst, Data Engineer, Data Scientist, au fond, quelle est la différence ? Utilisons une métaphore fantastico-médiévale pour l’expliquer.
Le Data Engineer va développer des solutions qui vont permettre de récupérer et organiser une immense quantité de données afin de créer un véritable pipeline de data. Il n’analyse donc aucune donnée, mais permet de les rendre accessibles au sein de la société. C’est donc l’architecte qui va construire la structure la plus solide et efficace possible afin de supporter un trafic très important.
Le Data Analyst va analyser une partie de ces données afin de répondre à une problématique business. Celle-ci peut être marketing (analyser le churn), opérationnelle (analyser une chaîne logistique), financière (optimiser ses coûts) voire RH (optimiser les étapes d’un processus de recrutement). C’est donc le hand of the king : il va aider le ou les dirigeants à prendre des décisions en fonction des résultats de ses analyses.
Pour aller plus loin, le Data Scientist pourra développer des modèles mathématiques prédictifs ou des algorithmes permettant d’anticiper la valeur de certaines variables (par exemple : prédire si un client va signer ou non en fonction de certaines caractéristiques), ou de catégoriser un échantillon d’utilisateurs, notamment dans une optique marketing.
C’est un travail plus abstrait : il manipule des concepts comme le biais, la variance, le… bref vos mots préférés. Le Data Scientist, c’est l’enchanteur. Tout le monde vient le voir en pensant qu’il peut faire des miracles et prédire l’avenir. Comme il ne connait pas toutes ses formules par cœur, il doit parfois se plonger dans d’obscurs grimoires écrits dans une langue que personne ne comprend…Sur une chaîne de valeur, le Data Analyst se situe donc entre le Data Engineer et le Data Scientist.
Pour résumer en une phrase courte : le data analyst aide à prendre des décisions stratégiques grâce à la donnée.
Tous les chemins mènent à la data.
Data Analyst étant un rôle relativement nouveau, difficile de savoir quel est le meilleur moyen de se former, et quelle est la voie à emprunter. C’était mon interrogation de confinement. En ce qui me concerne : je m’appelle Sébastien, je suis diplômé de l’EDHEC et j’ai passé les 3 dernières années au sein d’une agence de notation de startups.
Le principe est d’interviewer des entrepreneurs pour récolter des données principalement extra-financières sur leurs sociétés. J’analysais ensuite ces données pour anticiper la réussite de ces startups dans le futur. C’est lors de cette expérience que j’ai réalisé à quel point la data pouvait aider à la prise de décision, ne serait-ce que pour améliorer le modèle de notation.
C’est donc naturellement qu’après cette expérience, où les analyses réalisées étaient assez peu automatisées, j’ai souhaité me munir d’outils data plus puissants. DataBird sonnait alors comme une évidence.
Je pensais d’ailleurs qu’elle était destinée principalement aux étudiants d’écoles de commerce fraîchement diplômés, mais en réalité la variété des profils m’a surpris : profils techniques souhaitant approfondir leur sens business, jeunes profils business souhaitant obtenir des compétences techniques, profils marketing avec 20 ans d’expérience souhaitant manager des équipes tech… En réalité il n’y a pas de profil type.
DataBird : un concept réfléchi.
Dès le premier entretien, j’ai tout de suite fitté avec les deux fondateurs. Alexandre et Antoine ont beau n’avoir que 25 ans, leur projet de formation data est déjà très abouti. Alex, la face tech du binôme, un grand Belge aux cheveux longs qui a des allures de tennisman argentin, donne des cours de data en entreprise depuis déjà quelques années.
Son pote de promo Antoine — dit « le Préfet » car en charge de tout l’administratif —, plus posé, tout droit sorti du MSc Entrepreneurs X-HEC, apporte la touche business. Ils ont élaboré tout le programme de la formation en discutant avec des entreprises, et en leur demandant de définir leurs besoins en termes de profil data. DataBird prend alors son envol.
Les deux associés ont constitué un board pédagogique avec des références de la scène tech (Veepee, Blablacar, Contentsquare, Airbnb, BackMarket…), ont recruté plusieurs intervenants en charge des différents modules, et communiqué sur leur formation pour recruter un premier batch de 16 étudiants. Tout ça en pleine crise du covid !
À l’écoute du marché… et des élèves.
Si savoir prendre des décisions stratégiques grâce à la donnée est le but ultime des élèves, DataBird applique aussi les préceptes qu’il enseigne : à la question « faut-il enseigner à nos élèves du R ou du Python ? », ils ont laissé la data répondre par le biais d’un algorithme. Celui-ci a scrapé toutes les offres de Data Analyst hébergées sur le site Welcome To The Jungle pour en analyser les compétences requises. Réponse : Python.
Par ailleurs, n’en étant qu’à son premier batch de « Birdies » — c’est le nom donné aux élèves —, DataBird met l’accent sur l’amélioration continue en collectant des feedbacks chaque soir sur la formation. Le cours s’adapte donc aux élèves, comme un algorithme de machine learning qui s’optimise sans cesse. Ainsi, personne n’est laissé sur le bord de la route.
Aussi, la formation est destinée aux personnes pour qui la data peut apporter une vraie plus-value à leur projet professionnel ; mais aussi aux personnes avec qui les fondateurs s’entendent bien, et avec qui ils se voient discuter tous les jours et prendre des bières tous les jou… vendredis. La promo est donc soudée : l’entraide et la bonne entente règnent. On prend du plaisir à bosser avec chacun au quotidien.
From 0 to machine learning real quick.
Learning by doing : telle est la méthodologie appliquée chez DataBird. D’une part, un cas pratique à réaliser nous était donné chaque aprèm pour réviser les concepts nouvellement appris. DataBird favorise en effet les cas concrets, dont le but est d’analyser des donnés pour une vraie application business. D’autre part, les intervenants codent en live afin que les élèves puissent s’adapter à leur rythme.
L’objectif de la formation est simple : inculquer un sens business et une culture tech en quatre étapes clés :
1) récupérer la donnée (SQL)
2) analyser la donnée (Python)
3) visualiser la donnée (Tableau)
4) présenter la donnée (compréhension business et prise de parole en public).
Après 5 semaines, nous étudiions déjà les fondamentaux des deux langages de programmation, et nous discutions de concepts de Machine Learning, plus pour élargir notre culture générale data que pour nous former à la data science : l’enseignement passe aussi par la culture data.
Tous les intervenants ainsi que les étudiants qui savaient déjà coder étaient unanimes : la quantité d’informations et de connaissances assimilées en l’espace de 2 mois était impressionnante. Attention quand même : inutile d’espérer devenir le plus grand codeur de tous les temps à l’issue de la formation. L’idée est d’acquérir les compétences suffisantes pour rapidement devenir autonome. La data est en effet un domaine qui change très vite : il est donc nécessaire de continuer à se former. Et de mon côté c’est plutôt bien parti.
Et à la sortie, ça donne quoi ?
25% du bootcamp — soit deux semaines — sont dédiés au projet final. C’est donc l’occasion d’appliquer tout ce que l’on a vu. Le principe : bosser sur de « vraies » données d’entreprises avec un petit groupe de travail. Par exemple, j’ai analysé les habitudes utilisateurs d’une plateforme de streaming de musique.
Tout en discutant avec le head of data de la plateforme afin qu’il nous donne l’accès à ses vraies données — comme une mission de conseil — nous avons analysé ces données pour établir des recommandations business concrètes. Avec SQL, nous avons pu extraire les données les plus pertinentes, point de départ de notre réflexion. Ensuite, une analyse de ces données via Python, nous a permis d’étudier l’efficacité de la stratégie de partenariat de la plateforme en termes d’acquisition de nouveaux utilisateurs. Enfin, avec Tableau, nous avons créé des visualisations claires et percutantes afin de les présenter lors du pitch final.
Tout ça, alors qu’il y a deux mois, pour moi le code c’était 36B17A.
Et après la formation ? Il me reste évidemment du chemin avant de devenir un data analyst confirmé, mais DataBird m’a aidé à poser de solides bases de connaissances en un temps record. Je compte donc continuer sur cette lancée en suivant des cours en ligne à la rentrée pour monter en compétences, et à me lancer en freelance.
Merci à Antoine, Alex et toute l’équipe pédagogique pour leur implication et leur organisation au cours de ces deux mois. Merci à tous les intervenants d’avoir pris le temps de nous éclairer sur ce passionnant secteur qu’est la data. Merci à Nathalie, Arnaud et Louis pour leur motivation dans ce projet et merci à Aurélie, Clément, Davy, Fahmi, Guillaume, Irina, Jean-Marc, Joana, Nassim, Rodrigue, Simon, Shanshan et Stéphanie pour avoir fait de ce batch le meilleur de tous.
.webp)