Zoom sur un métier : Data Analyst

Les missions des data analysts variant grandement selon les besoins de leur société, mais tous ont en commun le fait d’avoir à interpréter les données au bénéfice de leur organisation. Ils ont la responsabilité de collecter des données et de les exploiter pour générer des informations utiles. Ce sont donc des « traducteurs » de chiffres et données bruts pour les rendre compréhensibles et utilisables dans la conduite des affaires.

L’impact de l’environnement des données sur le quotidien du data analyst

 

Un data analyst qui ne travaille qu’avec des clusters Hadoop ne travaillera pas de la même manière qu’un confrère utilisant de puissantes plateformes d’intelligence artificielle et de machine learning. Certains emploient des requêtes SQL dans des bases de données relationnelles, d’autres utilisent des logiciels d’analyse. Mais quels que soient les outils employés, le data analyst doit combiner maîtrise des chiffres, communication écrite et orale, et esprit critique.

Les data analysts se plient à l’exercice traditionnel du « reporting » dont la nature varie en fonction des entreprises et technologies employées. Mais la véritable valeur ajoutée de ces spécialistes vient de l’analyse des tendances au sein d’un océan de données, des « patterns » qui donnent un sens et une utilité aux données brutes.

Interroger les big data avec les bonnes questions

 

La variété des compétences dont doit faire preuve un data analyst est à la hauteur de la variété des environnements et technologies à sa disposition, big data et intelligence artificielle en tête. « Un data analyst apprend constamment, tous les jours » explique Johnny Hilgers, EVP, business analytics chez Spring Venture Group. « Optimiser les data pour les transformer en information utilisable par l’entreprise est à la fois un art et une science. Pour construire des modèles fiables et précis il faut trouver la réponse à des centaines de questions avant de lancer quoi que ce soit en production. »

 

Parmi ces questions fondatrices : quel algorithme ou combinaison d’algorithmes sont adaptés à une tâche, quelles variables sélectionner pour déterminer un sous-ensemble d’analyse, quelles variables contribuent le plus aux étapes de « feature engineering » (l’ensemble des interventions de préparation réalisées sur les données brutes avant qu’elle ne viennent nourrir un algorithme apprenant), quelles variables et donc quelles datas devraient être exclues de l’analyse, et quels indicateurs d’évaluation du projet servent à son optimisation ?

 

L’évolution du rôle du data analyst

 

Le métier d’un data analyst aujourd’hui est difficile à comparer à ce qu’il était il y a tout juste 5 ans. Alors que le volume et la complexité des données augmente, les taches d’analyse ne sont plus réservées aux intégrateurs de données, scientifiques, et business analysts, mais sont de plus en plus confiées à des équipes transversales et multi spécialistes combinant toutes leurs compétences. Cette capacité à travailler collectivement est essentielle pour créer des modèles d’analyse sophistiqués, ainsi que la maîtrise des technologies d’analyse du langage naturel et d’analyse prédictive. De plus en plus de data analysts musclent pour cela leurs compétences dans des langages de programmation comme Python et R.

 

D’après Nate Masterson, CMO de la société de cosmétiques Maple Holistics « La question n’est plus tant de savoir ce que nous disent les données, mais plus de savoir quelles données nous devons regarder (…) Le métier du data analyst est de traduire ces chiffres en mots, comprendre pourquoi les chiffres sont tels qu’ils sont, et quelle est la « big picture » derrière toutes ces données ».

Lire l’article