Analyste décisionnel et data scientist : deux profils complémentaires

Opposer analyse décisionnelle et science des données est vain. Les deux concourent à la compréhension des tendances du marché cachées dans de grands volumes de données. La première constitue une première étape indispensable à la seconde, permettant in fine d’améliorer les produits et d’élaborer des opérations d’envergure.

L’émergence de la science des données ne devrait pas conduire à la disparition de l’analyse décisionnelle. Ces deux domaines ont certes pour objet d’extraire des connaissances à partir de volumes massifs de données. Mais si leurs techniques et leurs objectifs sont proches, certaines différences existent, notamment dans les compétences de celles et ceux qui les mettent en œuvre, ainsi que dans les connaissances que l’on peut en dériver.

La tâche principale de l’analyste décisionnel est en effet de découvrir des tendances dans les données historiques de l’entreprise, là où le data scientist est plutôt chargé de les expliquer pour anticiper ses performances futures. Autrement dit, le premier se concentre sur le « quoi » et le second sur le « pourquoi ».

 

Extraire des connaissances précieuses et complémentaires

 

L’outil de travail de l’analyste décisionnel consiste généralement en un tableau de bord analytique, à l’intérieur duquel la visualisation des données et la possibilité de lancer des requêtes constituent les opérations fondamentales. Il peut par exemple évaluer a posteriori l’impact d’une décision sur les résultats de l’entreprise. Le data scientist, lui, utilise des techniques algorithmiques plus complexes, basées sur les statistiques, l’apprentissage automatique et la programmation, pour prévoir cette performance. Il peut créer des modèles auto-apprenants pour tirer profit des données historiques issues de l’analyse décisionnelle, par exemple en identifiant des relations entre différents indicateurs, comme la valeur moyenne du panier et l’âge du client, pour prédire combien tel client en particulier est susceptible de dépenser.

Les entreprises comptent désormais beaucoup sur les capacités de ces algorithmes prédictifs, qui nécessitent une intégration homogène et évolutive. D’où le besoin de s’adjoindre les services d’ingénieurs capables de déployer les modèles des data scientists à travers l’ensemble du système d’information. La mise en production des connaissances tirées de la science des données s’avère plus délicate que celles de l’analyse décisionnelle, qui requièrent en général un simple rapport. Mais toutes se révèlent précieuses et complémentaires — donc indispensables — pour améliorer les performances de l’entreprise.

 

Lire l’article (en anglais)

 

En complément :

Un article autour du concept de « data storytelling » en entreprise,

et un autre sur la démocratisation du métier de data scientist.