Rejoignez-nous le jeudi 02 mai dès 18h30 pour notre Journée Portes Ouvertes en live. Explorez le bootcamp Databird ainsi que nos programmes de formation data.
Découvrez le portrait de Jérôme Vivier, lead data analyst chez ContentSquare. Il a 28 ans, il est chez ContentSquare depuis Janvier 2018 et il manage aujourd’hui une équipe de 4 data analysts. Il a réussi sa reconversion dans la data après un premier stage en Finance dans lequel il ne s'est pas épanoui.
Dans cette article il raconte son histoire et son métier passionnant de data analyst.
Je me voyais d’abord faire de l’analyse financière. À l’époque, la data n’était pas « sexy » et personne n’en parlait vraiment.
Le « graal », c’était de rejoindre un prestigieux cabinet de conseil ou une boutique de M&A. C’est une rencontre avec l’entrepreneur Sven Lung (fondateur de Brandalley) qui m’ouvre les yeux : plus aucune décision stratégique dans les entreprises ne sera prise sans data. Dans le même temps, je me rends vite compte que la qualité de vie des cabinets de conseil ne me correspond pas : présentéisme, journée de 12h+, costume de rigueur… pour un salaire équivalent. J’entame donc ma réorientation grâce au bootcamp Le Wagon à la sortie de mon école. À l’époque très peu orienté data, cette formation m’apporte surtout une « culture gé » de l’environnement web que je n’avais pas.
La vraie différence selon moi c’est que les métiers de la data ne sont plus l’apanage des ingénieurs. Les profils école de commerce sont de plus en plus appréciés car ils ont des facultés de synthèse, de présentation et d’interprétation que d’autres profils n’ont pas.
L’autre différence c’est qu’il y’a de plus en plus de candidats. Les recruteurs sont donc plus intransigeants. Il devient donc nécessaire de se spécialiser et de maîtriser certains outils.
Me concernant, je compte gravir les échelons un par un afin d’atteindre un poste stratégique dans l’organisation. Évoluer dans le département data d’une entreprise vous donne l’avantage d’être au cœur des décisions majeures, de vous adresser directement à l’ensemble des principaux stakeholders et vous donne très tôt dans votre carrière des responsabilités importantes.
D’autres profils souhaitent eux se spécialiser et évoluer dans un environnement plus technique. Chez ContentSquare par exemple, la voie royale pour devenir Data Scientist c’est de passer d’abord par la data analyse.
Chez ContentSquare, le temps d’un data analyst est divisé en deux :
- 70% passé dans le « run », c’est-à-dire faire des analyses data (en interne ou pour le compte de nos clients).
- 30% passé à faire du « build », comprendre ici améliorer les process existants et développer les features de demain.
Me concernant, je consacre désormais la majorité de mon temps au management de mon équipe, à la validation des analyses et à la collaboration avec l’équipe Produit de ContentSquare. Je reste aussi sur des tâches opérationnelles pour les analyses les plus stratégiques.
Développer un outil pour détecter les robots dans notre data qui se base sur l’observation des comportements. En d’autres termes, isoler des groupes d’utilisateurs au comportement anormalement similaire, donc robotique.
Plusieurs phases à ce projet :
- Phase de réflexion : Comment distinguer un segment humain d’un segment robotique.
- Phase de POC : Créer les requêtes SQL et réalisation de tests sur nos clients
- Phase de co-création de l’outil avec l’équipe Business Intelligence : Créer un slack bot (Python) pour que tout le monde puisse l’utiliser en interne ainsi qu’un interface pour visualiser les résultats (Looker).
Ce projet nous permet maintenant de localiser facilement des « bad bots » chez nos clients et de leur offrir la data la plus propre possible.
Par exemple, un de nos plus gros client s’interrogeait sur le déclin de ses ventes online d’un de ses produits phares. On s’est aperçu qu’il subissait une attaque de robots sur son panier afin de réduire artificiellement les stocks du produit en question.
- Avoir un réel impact business et chiffré suite à une analyse : Prendre une décision « backée » par la data et regarder l’impact sur le ROI. Il nous arrive régulièrement de faire gagner des millions d’euro à nos clients avec une simple optimisation.
- Avoir un impact sur la roadmap R&D de ContentSquare. Le data analyst est le premier maillon de la chaîne d’innovation. C’est lui qui apporte son expertise client et co-construit le POC. Si celui-ci est validé, la R&D en fait une nouvelle feature.
- Plus généralement, l’ambiance d’une startup en hyper croissance, la qualité de travail, le sentiment d’avoir un réel impact dans l’innovation et la création de valeur.
Hards :
- SQL, maîtrise d’au moins un outil de DataViz, connaissances basiques du web et de son fonctionnement (qu’est-ce qu’une API, le HTML, le CSS, le Javascript), notions de statistiques et Python en bonus (à minima, montrer une appétence).
Softs :
- Qualité de présentation écrite et orale, esprit de synthèse (à comprendre, comment transformer des milliards de lignes de data en une phrase simple), esprit de logique et capacité d’interprétation.
- Se constituer une « culture gé » de la data (maîtriser les technicités, se renseigner sur les acteurs clés, l’écosystème) et du web (HTML, CSS, à quoi sert le JavaScript, qu’est-ce qu’une API…)
- Montrer au recruteur que cette orientation ne tombe pas du ciel (et que ce n’est pas simplement un effet de mode) mais un choix mûrement réfléchi (en d’autres termes bien travailler le storytelling du parcours).
- Le poste et les fonctions du data analyst étant différent d’une entreprise à une autre, bien se renseigner en amont sur les spécificités du métier, les missions, la place dans la création de valeur… Ne pas hésiter à demander conseils à ceux déjà en poste.
- Cela permet de sortir du lot avec une formation cohérente et bien construite.
- Cela vous apporte les compétences nécessaires pour être à l’aise en entretien, lors des premiers mois en poste et d’avoir cette “culture gé” da la data.
- Vous aborderez des problématiques clés du secteur très souvent oubliées par les autres bootcamps/écoles (par exemple la dataviz qui est éliminatoire chez nous)
- C’est très complémentaire avec une école de commerce mais aussi avec les écoles d’ingénieur trop spécialisées.
Merci beaucoup pour ton feedback Jérôme !
.webp)