Les compétences de demain en data

Éléments clés
Nous analysons ici les compétences et aptitudes spécifiques de la population data, ses forces, ses faiblesses et les compétences de demain.
Télécharger le rapport
La population data dans son ensemble
Comme pour les professionnels du marketing, nous avons constaté que les questions sur les ambitions des professionnels de la data en termes de compétences ont obtenu un score élevé, toujours supérieur à 3 sur 4.

Les questions relatives à la visualisation des données et au travail axé sur les données ont également obtenu un score élevé.

Comme pour le marketing, lorsqu'il s'agit des questions sur la réalité de leurs compétences - leurs performances par rapport à leurs ambitions - les répondants ont systématiquement obtenu un score inférieur à 3.

Ambition

Les questions relatives à l'ambition obtiennent un score élevé, avec une moyenne supérieure à 3.

Visualisation

La visualisation data et le fait d'être guidé par les données obtiennent un score élevé (2,73).

Réalité

Les questions sur les performances obtiennent systématiquement un score au dessous de 3.
Faiblesses communes
Il y a deux types de faiblesses qui ressortent parmi les professionnels de la data.
Faiblesse #1.
Mes collaborateurs partagent au moins un apprentissage par semaine
Moyenne
1.9 / 4
Faiblesse #2.
Mise en place de projets pilotes de machine learning
Moyenne
1.92 / 4
Talkers vs Doers en Data
Nous avons trouvé la même corrélation dans la population data entre les "doers" et les "talkers".

Encore une fois, il y a une distinction claire entre ceux qui ont une grande ambition et une grande réalité de compétences, et ceux qui ont une grande ambition mais une plus faible réalité de leurs compétences.
The Talkers
Hautes ambitions
Faible réalité de compétences
The Doers
Hautes ambitions
Haute réalité de compétences

Talkers vs. Doers - Les différences  

Nous avons analysé les écarts de compétences les plus importants entre ceux qui agissent et ceux qui parlent (score sur 4).

Nous avons constaté que les éléments suivants présentaient les plus grands écarts entre les deux populations :
Compétences en Analytics et Machine Learning
Doers
2.91
Talkers
1.41
Avoir une stratégie data clairement définie
Doers
3.12
Talkers
1.62
Créer des simulations qui fournissent à l'entreprise différents scénarios
Doers
2.70
Talkers
1.23

Ce que les data scientists en pensent

Nous avons interrogés les professionnels de la data sur leurs compétences :
On a interrogé 242 professionnels
Y a-t-il des compétences importantes pour vous ou votre équipe que vous souhaiteriez acquérir ?
Problème du dernier kilomètre
Relier les projets à la structure et les processus de leurs entreprises
Trouver les bonnes histoires pour communiquer avec leur équipe
On a interrogé 242 professionnels
Quels sont les plus grands défis que vous allez devoir relever dans l'année à venir ?
Covid-19
Standardiser les processus
Utiliser la narration et la visualisation pour convaincre leur équipe
Les compétences de demain en data
Passer du blabla à l’action (from a Talker to a Doer) en adressant les compétences de demain :

01. Adopter un Growth Mindset

Tout comme pour la population marketing, nous avons trouvé la même corrélation distincte entre ceux qui parlent et ceux qui agissent. Ceux qui ont de grandes ambitions, et ceux qui ont de grandes ambitions et les réalisent.

Afin d'apprendre et de s'adapter en permanence et de réaliser vos ambitions, l'adoption d'un Growth Mindset est une étape fondamentale.
Les personnes qui ont un Growth Mindset sont celles qui développent leurs compétences par un travail individuel acharné, l’emploi de bonnes stratégies et consultent les autres collaborateurs.

Ils ont tendance à mieux réussir que ceux qui ont une mentalité plus fixe - ceux qui pensent que leurs talents sont innés. Cela s'explique par le fait qu'ils se soucient moins de paraître intelligents ou de vanter leurs compétences, et qu'ils consacrent plus d'énergie à l'apprentissage. 

Lorsque des entreprises entières adoptent un Growth Mindset, leurs employés déclarent se sentir beaucoup plus autonomes et engagés ; ils bénéficient également d'un soutien organisationnel beaucoup plus important en matière de collaboration et d'innovation.
Pourquoi perdre du temps à prouver encore et encore à quel point vous êtes génial, alors que vous pourriez vous améliorer ? Pourquoi dissimuler vos lacunes au lieu de les surmonter ?
Dr Carol Dweck - Auteur, Mindset

02. Améliorer ses compétences en Machine Learning et Analytics

Le machine learning et les compétences en analytics sont apparus comme des compétences clés dans lesquelles les professionnels en data doivent exceller.

Le machine learning est désormais si répandu que vous le rencontrez probablement des dizaines de fois par jour sans vous en rendre compte. Pensez à Netflix, Amazon, Youtube, Spotify, ils utilisent tous le machine learning pour alimenter leurs moteurs de recommandation.

En data science, un algorithme est une séquence d'étapes de traitement. Dans le machine learning, les algorithmes sont "entraînés" à trouver des modèles et des caractéristiques au travers de quantités massives de données afin de prendre des décisions et de faire des prédictions sur la base de nouvelles données.

Plus l'algorithme est performant, plus les décisions et les prédictions deviendront précises à mesure qu'il traitera davantage de données.
1
Sélectionner et préparer un ensemble de données
2
Choisir un algorithme à expérimenter sur les données
3
Entraîner l’algorithme pour créer un modèle
4
Growth Tribe Graphic
Utiliser et améliorer le modèle
Par où commencer ?

Nous vous recommandons de commencer par de petits projets pilotes et par vos objectifs commerciaux afin de vous assurer que vos efforts de machine learning sont pertinents et peuvent démontrer leur valeur pour votre entreprise.

Vous n'avez pas besoin de données complexes et volumineuses pour commencer à exécuter vos propres modèles, et il existe de nombreux outils que vous pouvez utiliser sans savoir coder.

À partir de là, vous pouvez élaborer une stratégie de données qui intègre le machine learning pour obtenir des résultats.
La différence entre l’intelligence artificielle, le machine learning et le deep learning ?
Nous abordons le machine learning plus en détails ici !
Comment préparer la data pour le machine learning et l’intelligence artificielle ?
Nous expliquons comment préparer les données pour le machine learning et l'IA, afin que vous puissiez vous lancer dès aujourd'hui !

03. Partager les apprentissages et apprendre grâce à des simulations et des projets pilotes de machine learning

Suite aux résultats similaires de la population marketing, nous avons constaté que les équipes data doivent passer plus de temps à partager les apprentissages entre les membres de l'équipe. La valeur de l'apprentissage entre pairs est énorme et représente une perte économique considérable pour les organisations qui ne favorisent pas ce mode de travail.

Il est important pour les professionnels de la data d'utiliser le machine learning et les simulations pour fournir à l'entreprise des informations permettant de prendre des décisions. Donner du sens à ce que les données vous disent est une compétence clé, et partager ces connaissances avec vos équipes et les parties prenantes sera très bénéfique à long terme. Il en va de même avec l'utilisation du machine learning et des simulations.

Accenture (2017) estime en modélisant que l'IA pourrait doubler les taux de croissance annuels du PIB d'ici 2035 et augmenter la productivité jusqu'à 40%.

04. Créer une stratégie data clairement définie

En raison d'une plus grande sensibilisation autour de la data et de l'IA, de nombreuses sociétés ont lancé des projets data et d'IA avec l’intention d’apporter de grandes transformations et d’attirer des talents.

Mais comme nous l'avons constaté, les départements data manquent de structures claires en termes de données. Voici ce que vous pouvez faire pour résoudre ce problème.

Selon une étude, 70% des entreprises dans le monde travaillent actuellement à rendre opérationnel le premier déploiement de l'IA. Pourtant, malgré tous les projets pilotes, la transformation à grande échelle n'a pas eu lieu.

La réalité est qu'il n'y a pas de raccourcis. Amazon, Google, Apple et Facebook ont tous utilisé des stratégies commerciales très différentes pour acquérir leur domination actuelle du marché, mais leur succès commun est dû à la compréhension de la valeur des données et à leur positionnement précoce.

Ils ont mis l'accent en permanence sur le renforcement des compétences humaines, tout en développant, testant et déployant les meilleures technologies en interne, afin de pouvoir offrir le meilleur à leurs clients.

Ce qui est nécessaire, c'est une adhésion claire de la direction et une stratégie de données claire. Nous vous proposons les étapes suivantes pour votre stratégie en data et IA :
Traduire votre stratégie commerciale et digitale dans votre vision des données et de l'IA, en mettant en avant les opportunités pour optimiser votre activité.
Identifier les processus métier (développement de produits, production, ventes et marketing, chaîne d'approvisionnement, tarification, RH, finances, etc.) pour lesquels vous souhaitez utiliser les données et l'IA.

Comprendre l'état actuel de vos données et de vos compétences d'IA.
Décrire le résultat souhaité pour vos processus métier une fois que les données et les compétences d'IA auront été déployées.
Définir de nouvelles idées de produits et d'activités basées sur les données.
Définir votre feuille de route d'exécution, y compris les investissements.
Exécuter les premiers cas d'utilisation des données et de l'IA en créant votre livre de jeu de l'IA, en visant la préparation à la production.
Automatiser et augmenter les opérations.
A l’avenir, nous serons si doués pour visualiser et montrer les données, qu'à un moment donné, cela sera automatisé. Les parties prenantes pourront les consulter directement sur un tableau de bord et toutes les données seront déjà décrites, automatiquement. Cela signifie que nous pourrons consacrer plus de temps à extraire le sens, à extraire les idées, et commencer à être un peu plus prescriptif, par opposition à descriptif. C'est ce qui est habituel dans une feuille de route d'analytics.
Directeur, Global Digial Analytics @Adidas

Vous souhaitez connaître les compétences de votre équipe ?

Cette version allégée de notre Capability Scan peut vous aider à comprendre les lacunes de vos équipes en growth. Le questionnaire dure entre 15 et 20 minutes.
Démarrer le scan

Téléchargez le rapport complet maintenant !