Le langage de programmation de Python Software Foundation est une programmation orientée objet. Lorsque les data scientists parient sur Python pour le traitement des données volumineuses, ils sont conscients qu’il existe d’autres options populaires telles que R, Java ou SAS. Toutefois, Python demeure la meilleure alternative pour ses avantages dans l’analyse du Big Data.
Pourquoi choisir Python ?
Entre R, Java ou Python pour le Big Data, choisir le dernier (en version majeure ou version mineure) est plus facile après avoir lu les 5 arguments suivants :
1. Simplicité
Python est un langage de programmation interprété connu pour faire fonctionner les programmes avec le moins de chaînes de caractères et de lignes de code. Il identifie et associe automatiquement les types de données. En outre, il est généralement facile à utiliser, ce qui prend moins de temps lors du codage. Il n’y a pas non plus de limitation pour le traitement des données.
2. Compatibilité
Hadoop est la plateforme Big Data open source la plus populaire. La prise en charge inhérente à Python, peu importe la version du langage, est une autre raison de la préférer.
3. Facilité d’apprentissage
Comparé à d’autres langages, le langage de programmation de Guido Van Rossum est facile à apprendre même pour les programmeurs moins expérimentés. C’est le langage de programmation idéal pour trois raisons. Premièrement, elle dispose de vastes ressources d’apprentissage. Deuxièmement, elle garantit un code lisible. Et troisièmement, elle s’entoure d’une grande communauté. Tout cela se traduit par une courbe d’apprentissage progressive avec l’application directe de concepts dans des programmes du monde réel. La grande communauté Python assure que si un utilisateur rencontre des problèmes de développement, il y en aura d’autres qui pourront lui prêter main-forte pour les résoudre.
4. Visualisation de données
Bien que R soit meilleur pour la visualisation des données, avec les packages récents, Python pour le Big Data a amélioré son offre sur ce domaine. Il existe désormais des API qui peuvent fournir de bons résultats.
5. Bibliothèques riches
Python dispose d’un ensemble de bibliothèques riche. Grâce à cela, il est possible de faire des mises à jour pour un large éventail de besoins en matière de science des données et d’analyse. Certains de ces modules populaires apportent à ce langage une longueur d’avance : NumPy, Pandas, Scikit-learn, PyBrain, Cython, PyMySQL et iPython.
Que sont les bibliothèques en Python ?
La polyvalence de toutes les versions de Python pour développer plusieurs applications est ce qui a poussé son usage au-delà de celui des développeurs. En effet, il a attiré l’intérêt de groupes de recherche de différentes universités du monde entier. Il leur ont permis de développer des librairies pour toutes sortes de domaines : application web, biologie, physique, mathématiques et ingénierie. Ces bibliothèques sont constituées de modules qui ont un grand nombre de fonctions, d’outils et d’algorithmes. Ils permettent d’économiser beaucoup de temps de programmation et ont une structure facile à comprendre.
Le programme Python est considéré comme le langage de programmation pour le développement de logiciels, de pages Web, d’applications de bureau ou mobiles. Mais, il est également le meilleur pour le développement d’outils scientifiques. Par conséquent, les data scientists sont destinés à aller de pair avec Python pour développer tous leurs projets sur le Big Data.
Python et la data science
La data science est chargée d’analyser, de transformer les données et d’extraire des informations utiles pour la prise de décision. Et il n’y a pas besoin d’avoir des connaissances avancées en programmation pour utiliser Python afin d’effectuer ces tâches. La programmation et la visualisation des résultats sont plus simples. Il y a peu de lignes de code en Python et ses interfaces graphiques de programmation sont conviviales.
Dans le développement d’un projet de science des données, il existe différentes tâches pour terminer ledit projet, dont les plus pertinentes sont l’extraction de données, le traitement de l’information, le développement d’algorithmes (machine learning) et l’évaluation des résultats.
On me pose souvent la question: pourquoi avoir commencé à apprendre Python plutôt que R?
A la base, je n’ai pas de réponse, si ce n’est le hasard, puisque j’ai commencé à apprendre Python grâce à Codecademy. Et il semblerait que ce soit difficile d’apprendre les deux en parallèle…
Mais les deux s’opposent-ils vraiment? Choisir, c’est renoncer, alors à quoi devons-nous renoncer exactement?
Un petit bijou le programme de codecademy.com! Ca cartonne en ce moment, et pour cause! C’est un site qui permet d’apprendre à coder gratuitement, entre autres, parmi les langages suivants: HTML & CSS, JavaScript, JQuery, PHP, Python et Ruby.
De nombreuses divergences d’opinions subsistent concernant les rôles et les compétences autour du Big Data. Cela crée beaucoup de confusions. Par conséquent, beaucoup se posent cette question : qu’est-ce qui distingue un data scientist d’un data analyst ?
De nombreux non-initiés à la data science ont une perception du data scientist comme étant juste un terme enjolivé pour définir le data analyst.
Une raison importante de cette imprécision est le fait que certaines entreprises aient plusieurs façons de définir le rôle de chacun de ces experts. Dans la pratique, les titres des métiers ne reflètent pas toujours fidèlement les activités et responsabilités réelles de chacun. Par exemple, il existe des start-ups qui usent du titre de « data scientist » sur des descriptions de poste plutôt destinées à des data analysts.
En outre, la science des données est un domaine qui n’est qu’à ses balbutiements. Les gens connaissent encore très peu de choses concernant son fonctionnement interne. Ainsi, s’il faut comprendre la différence entre un data analyst et un data scientist, il est tout d’abord important de faire un retour sur l’activité et le rôle de chacun d’eux.
Que fait un data analyst ?
Au quotidien, un data analyst collecte des données, les organise et les utilise pour tirer des conclusions pertinentes. La majorité des entreprises de tous les secteurs peuvent nécessiter et bénéficier du travail d’un data analyst. Il peut s’agir des prestataires de soins de santé ou des magasins de détail. Les analystes de données passent leur temps à développer de nouveaux processus et systèmes pour collecter des données et compiler leurs conclusions pour améliorer les affaires.
Le métier de data analyst consiste à fournir des rapports, examiner les modèles et collaborer avec les parties prenantes dans une organisation. Dans cette tâche, l’un de ses rôles consiste à collaborer avec plusieurs services d’une entreprise, y compris avec les experts en marketing. Il se joint également à ses pairs qui travaillent sur des données comme les développeurs de bases de données et les architectes de données.
Il doit également consolider les données et mettre en place une structure qui permette de les utiliser. C’est l’aspect le plus technique de son rôle, car il consiste à collecter les données elles-mêmes. En effet, il s’agit de la clé du travail des analystes de données. Ils travaillent pour visualiser, analyser et examiner les modèles, les erreurs et les particularités des données afin qu’elles aient de la valeur et puissent être utilisées dans plusieurs domaines.
Le data scientist est un innovateur en matière d’apprentissage automatique. Contrairement au data analyst, les problèmes ne sont pas soumis au data scientist avec des questions clairement formulées par les parties prenantes de l’entreprise, mais plutôt avec des questions qui sont déterminées par des approches plus techniques. La solution est développée à l’aide d’un large répertoire de méthodes statistiques basées à la fois sur des données structurées et non structurées. Il n’est pas toujours nécessaire que ces données soient déjà disponibles dans l’entreprise et enregistrées de manière bien structurée.
En effet, le data scientist doit acquérir des connaissances en utilisant des données, c’est-à-dire, il analyse les données dans le but de soutenir d’autres départements. Cela lui implique d’utiliser une gamme d’outils tels que Python pour les langages de programmation de ses algorithmes d’apprentissage automatique, des outils d’exploration de données et même des services cloud scientist qualifié doit être capable de faire beaucoup ou au moins être suffisamment flexible pour s’y habituer rapidement.
Ses besoins en infrastructure d’acquisition, de stockage et d’analyse sont par conséquent plus élevés. En plus des données non structurées, les données volumineuses du Big Data sont également enregistrées et analysées. Cela va généralement au-delà des systèmes traditionnels d’entreposage de données et nécessite de nouvelles approches telles qu’un data lake.
Comparaison des compétences d’un data analyst vs data scientist
Les tâches des data analysts et des data scientist se chevauchent à bien des égards. Cela est en partie dû au fait que tout le domaine professionnel autour du Big Data se développe rapidement et que de nouveaux titres de poste émergent constamment sans pour autant être définis de manière uniforme.
Mais, outre ces quelques similitudes, des différences importantes sont à noter et peuvent être résumées sous les trois questions suivantes :
Qui pose les questions ?
Un data scientist formule les questions pour l’entreprise auxquelles il souhaite répondre avec sa base de données. Un data analyst est en revanche chargé par d’autres équipes de l’entreprise de rechercher une solution à leurs questions.
Quel niveau d’étude pour commencer ?
Un data analyst peut commencer sa carrière avec un baccalauréat à composante scientifique . Un master est généralement exigé de la part d’un data scientist parce qu’il doit maîtriser les maths statistiques et les technologies de l’information.
Quel rôle joue la machine learning ?
Le data analyst doit maîtriser le langage SQL et Oracle Database tout en sachant utiliser les outils de veille stratégique tels que Power BI et de visualisation de données comme Shiny et Google Analytics. De son côté, le data scientist développe ses propres modèles d’apprentissage automatique qui utilisent l’ensemble des données comme base de formation pour apprendre de nouvelles choses.
La data science ou science des données est une science appliquée. Elle fait appel à des méthodes et des connaissances issues de nombreux domaines tels que les mathématiques, les statistiques et l’informatique, notamment la programmation informatique. Depuis le début de ce millénaire, la data science est une discipline indépendante.
Il existe des cours spécifiques pour la science des données. Les personnes travaillant dans ce domaine sont connues sous le nom de data scientists ou scientifiques des données. Tout mathématicien, informaticien, programmeur, physicien, économiste d’entreprise ou statisticien qui a acquis ses connaissances en se spécialisant dans les tâches de science des données peut devenir un data scientist.
Le but de la data science est de générer des connaissances à partir de données. Dans l’environnement Big Data, la science des données est utilisée pour analyser des ensembles de données en grandes quantités avec l’apprentissage automatique (machine learning) et l’intelligence artificielle (IA). La science des données est utilisée dans diverses industries et domaines spécialisés.
Pour faire simple, les objectifs de la data science sont de :
Établir un moteur de recommandation à partir des données clients (sur le site, sur les réseaux sociaux…)
Aujourd’hui, les moteurs de recommandation de produits sont capables de rencontrer un client en temps réel. Par exemple, les magasins qui utilisent les recommandations de produits ont la possibilité de personnaliser chacune de leurs pages. Sur chacune d’elles, ils proposent des offres qui attirent le client de la page d’accueil à la page de paiement.
Fournir une aide à la décision
La prise de décision basée sur les données est définie comme l’utilisation de faits, de mesures et de données. Il est ainsi possible de guider les parties prenantes dans une entreprise à prendre des décisions stratégiques. Lorsqu’une organisation tire pleinement parti de la valeur de ses données, tous ceux qui y travaillent ont la capacité de prendre de meilleures décisions.
Optimiser et automatiser les processus internes
Les entreprises cherchent constamment à simplifier les tâches. Elles veulent également réduire les coûts. Cela est possible grâce à la data science. Il peut être aussi optimisé afin de gagner en efficacité et en compétitivité.
Soutenir les parties prenantes dans la gestion de l’entreprise
Outre l’aide à la prise de décision, la data science permet de recouper des données pertinentes pour apporter des éléments concrets. Sur ces derniers, les différents responsables d’une entreprise pourront baser leurs actions.
De développer des modèles prédictifs
Par le biais de l’analyse prédictive, la data science permet de prédire les événements futurs. En règle générale, les données sont utilisées pour créer un modèle mathématique afin de détecter les tendances les plus importantes. Ce modèle prédictif est ensuite appliqué aux données actuelles pour prédire les événements futurs ou suggérer des mesures à prendre pour obtenir des résultats optimaux.
La data science est une science interdisciplinaire qui utilise et applique des connaissances et des méthodes provenant de divers domaines. Les mathématiques et les statistiques constituent l’essentiel de ces connaissances. Ce sont les bases permettant au data scientist d’évaluer les données, de les interpréter, de décrire les faits ou de faire des prévisions. Dans le cadre de l’analyse prédictive, les statistiques inductives sont souvent utilisées en plus d’autres méthodes statistiques pour anticiper les événements futurs.
Un autre groupe de connaissances appliquées dans la science des données est la technologie de l’information et l’informatique. La technologie de l’information fournit des processus et des systèmes techniques de collecte, d’agrégation, de stockage et d’analyse des données. Les éléments importants dans ce domaine sont les bases de données relationnelles, les langages de requête de bases de données structurées tels que SQL (Structured Query Language), le langage de programmation et de script sur des outils tels que Python et bien plus encore.
En plus des connaissances scientifiques spécifiques, la data science accède à ce que l’on appelle la connaissance de l’entreprise (connaissance du domaine ou savoir-faire de l’entreprise). Elle est nécessaire pour comprendre les processus dans une organisation particulière ou une entreprise d’un secteur spécifique. La connaissance du domaine peut concerner des compétences commerciales : marketing de produits et services, savoir-faire logistique, expertise médicale.
La relation entre le Big Data et la data science
En raison de l’augmentation continuelle des volumes de données à traiter ou à analyser, le terme Big Data s’est imposé. Le Big Data est au cœur du traitement des données. Il concerne les méthodes, procédures, solutions techniques et systèmes informatiques. Ceux-ci sont capables de faire face au flux de données et au traitement de grandes quantités de données sous la forme souhaitée.
Le Big Data est un domaine important de la data science. La science des données fournit des connaissances et des méthodes pour collecter et stocker de nombreuses données structurées ou non structurées (par exemple dans un data lake ou lac de données), les traiter à l’aide de processus automatisés et les analyser. La science des données utilise, entre autres, l’exploration de données ou data mining, l’apprentissage statistique, l’apprentissage automatique (machine learning), l’apprentissage en profondeur (deep learning) et l’intelligence artificielle (IA).
Les personnes impliquées dans la science des données sont les scientifiques des données ou data scientists. Ils acquièrent leurs compétences soit en suivant une formation en data science, soit en se spécialisant dans le métier de data scientist.
Les scientifiques des données sont souvent des informaticiens, des mathématiciens ou des statisticiens. Ils sont également des programmeurs, des experts en bases de données ou des physiciens qui ont reçu une formation complémentaire en science des données.
En plus des connaissances spécifiques, un data scientist doit être en mesure de présenter clairement les modèles. Il les génère à partir des données et de les rapprocher de divers groupes cibles. Il doit également avoir des compétences appropriées en communication et en présentation. En effet, un data scientist a un rôle de conseiller ou de consultant auprès de la direction d’une entreprise. Les termes data scientist et data analyst sont souvent confondus dans l’environnement d’une entreprise. Parfois, leurs tâches et domaines d’activité se chevauchent.
L’analyste de données effectue une visualisation de données classique et pratique. De son côté, le data scientist poursuit une approche plus scientifique. Pour ce faire, il utilise des méthodes sophistiquées comme l’utilisation de l’intelligence artificielle ou de l’apprentissage automatique et des techniques avancées d’analyse et de prédiction.
Domaines d’application de la data science
Il n’y a pratiquement pas de limites aux applications possibles de la science des données. L’utilisation de la data science est logique partout où de grandes quantités de données sont générées et que des décisions doivent être prises sur la base de ces données. La science des données est d’une grande importance dans certains entreprises et activités : santé, logistique, vente au détail en ligne et en magasin, assurance, finance, industrie et manufacturing.
Le domaine du Big Data, le Cloud Computing et l’intelligence artificielle ne cessent de croître. Grâce à cela, de nouveaux métiers apparaissent chaque jour comme l’analyste de données ou data analystqui est devenu l’un des profils les plus demandés du secteur.
Qu’est-ce qu’un data analyst ?
Le data analyst est un profil professionnel qui, grâce à l’interprétation des données, peut établir des stratégies au sein d’une entreprise comme une stratégie marketing par exemple. Par conséquent, il doit savoir collecter des données et les analyser.
Un data analyst travaille avec de grandes quantités de données brutes, mais les données en elles-mêmes ne disent rien. L’entreprise a besoin d’un expert qui trouve des modèles à travers ces données pour pouvoir effectuer certaines actions, car leur interprétation est un outil de prise de décision.
Quelles sont les tâches quotidiennes d’un data analyst ?
Aujourd’hui, la plupart des entreprises sont constamment derrière l’utilisateur. Par conséquent, il est essentiel d’avoir un département d’analyse de données dirigé par un chief data officer travaillant aux côtés de data analysts qui interprètent les données statistiques recueillies afin d’établir des modèles de comportement des clients.
L’analyste de données est en charge de :
–L’extraction, le traitement et le regroupement des données
–L’analyse de ces groupes de données
–L’établissement de rapports d’analyse
Il ne fait aucun doute qu’un analyste de données doit développer ses compétences mathématiques et statistiques. De cette manière, il parvient à effectuer une analyse complète des données extraites. Pour ce faire, il utilise plusieurs outils d’analyse ainsi que des langages de programmation utilisés dans la data science comme Python.
En plus de ces compétences en outils et statistiques, des qualités telles que le travail d’équipe doivent aussi être prises en compte. Et pour cause, un data analyst doit travailler main dans la main avec le département chargé des projets de Business Intelligence.
L’analyste de données est une figure nécessaire dans n’importe quel secteur. En ce sens, il doit être prêt à présenter des données à n’importe quel niveau de l’entreprise. Savoir communiquer efficacement devrait être l’un de ses points forts, car il ne traitera pas seulement avec le data scientist ou le data engineer, mais avec toutes les parties prenantes pour la bonne marche des activités.
L’analyste de données doit également être intrigué et curieux sur ce qui se cache derrière toutes les informations générées par une entreprise. Ce sont des capacités qui sont propres à une personne innovante telle qu’un data analyst.
Pourquoi les entreprises recherchent-elles des data analysts ?
Un data analyst apporte de la valeur à son travail. Et pour cause, un bon analyste de données a cinq caractéristiques que chaque entreprise recherche.
1.Curiosité pour analyser et interpréter les données
La première grande raison pour laquelle un data analyst est important dans une entreprise est qu’il prend les données, les analyse et en tire le meilleur parti. Il s’agit d’un élément important de son profil dans la mesure où il s’occupe de la grande quantité de données stockées et gérées par les entreprises.
2.Capacité à résoudre des problèmes
L’un des traits les plus courants d’un bon analyste de données est qu’il est une personne orientée vers la résolution de problèmes. Le data analyst se démarque de cette capacité à résoudre les problèmes qui apparaissent, l’un des points qui caractérisent un bon travailleur.
3.Capacité à résoudre les problèmes techniques
En plus de savoir analyser, interpréter et contourner les problèmes simples, un bon data analyst se distingue aussi par sa capacité à résoudre des problèmes techniques. Il doit avoir des connaissances en programmation et sait utiliser le langage informatique comme SQL.
4.Capacité à s’adapter à n’importe quel secteur
En plus de savoir travailler sur des données, de prendre des décisions et d’utiliser le langage informatique, une autre caractéristique qui fait que les postes de data analyst sont nombreux est que l’analyste de données sait s’adapter à n’importe quel secteur d’activité. La capacité d’adaptation rapide à une entreprise, quel que soit son domaine, est une autre raison pour laquelle le métier d’analyste de données est valorisé.
La profession d’analyste de données est en plein essor et a un avenir pour les prochaines années. Le salaire annuel d’un data analyst junior peut commencer à partir de 35 000 euros. Au bout de quelques années, il peut atteindre 50 000 euros en fonction de l’expérience antérieure.
Il faut garder à l’esprit que ce métier sera de plus en plus sollicité grâce à la transformation digitale que vivent actuellement de nombreuses entreprises. Dans certaines organisations, un data analyst peut même facturer son travail jusqu’à 60 000 euros par an. Mais, encore une fois, tout dépend de l’expérience, un élément important que de nombreuses entreprises exigent. De plus, le salaire d’un analyste de données ne peut pas être dit en des termes généraux, car il peut également dépendre de divers facteurs liés à l’entreprise.
Après avoir passé ces dernières semaines à acquérir de nouvelles connaissances en data science et être monté en compétences, vous avez obtenu votre diplôme en data science ! Congrats ! Python est devenu votre ami et vous êtes prêts à décortiquer des données pour leur donner un sens et apporter votre expertise au sein d’une entreprise. Maintenant il n’y a plus qu’à trouver l’entreprise qui aura la chance de vous accueillir. Pour ce faire, vous devez être en mesure de rédiger le CV data science parfait.
Première étape : le CV
Tout le monde le sait aujourd’hui, le temps accordé à la lecture d’un CV est très court (5 à 10 secondes selon certains). A la décharge des recruteurs, pour certains postes il y a souvent des centaines de postulants. Quand vous recevez une telle masse d’informations, pas évident de faire le tri.
Donc vous devez capter immédiatement l’attention du recruteur et vous démarquer sans en faire trop, cependant il y a quelques erreurs à ne pas faire.
Nous avons concocté une petite liste de conseils pour vous aider à mettre en valeur vos compétences en data science et surtout ce qui fait de vous LA personne dont une entreprise ne pourra se passer.
Ca peut paraître bête mais pensez à utiliser la même police, sobre de préférence (Calibri, Arial, etc.) surtout pas de police type Comic Sans MS.
Mettez en gras les éléments importants, l’alignement, pensez aux couleurs aussi, au maximum 3. Alors attention quand on parle de couleur, une couleur doit être utilisée avec parcimonie dans un CV. Les CV trop graphiques et originaux sont déconseillés en data science.
Toute la difficulté de l’exercice est là justement, trouver le juste milieu entre le niveau d’informations à fournir (un CV trop lourd fait généralement fuir) et faire en sorte que votre CV ressorte du lot.
Être sobre et précis !
Maintenant, des tas de template de CV sont à disposition sur le net, si vous êtes plus à l’aise avec Python qu’avec Word, n’hésitez pas.
Il y a des éléments indispensables qui doivent apparaître dans votre CV, pour que ces éléments ressortent il est préférable de l’organiser en sections ou blocs.
Et le petit défi, il faut que l’ensemble de ces informations rentre dans 1 page, au-delà il y a un risque de perdre l’attention du recruteur.
Le but d’un CV est de présenter rapidement votre parcours, votre évolution professionnelle, c’est comme le teaser d’un film, le film étant votre futur entretien avec le recruteur.
Dans un teaser, on voit les moments forts du film, les éléments mis en avant donnent envie d’aller voir le film. De plus, un teaser de film peut être différent selon le public visé, d’un pays à l’autre, parfois ce n’est pas la même version. Et bien pour votre CV c’est la même chose, votre public ce sont les recruteurs et ils sont tous différents vis à vis de leur besoin qui est l’annonce à laquelle vous postulez, il faut que le teaser corresponde à l’attente de votre public.
Attention au titre de votre CV, il doit être en adéquation avec l’annonce à laquelle vous répondez. En effet un CV doit être adapté à l’offre, il faut personnaliser votre CV en fonction des éléments qui sont évoqués dans l’annonce. Repérez quelques mots clefs dans l’annonce et utilisez-les dans votre CV. Certes c’est un petit travail supplémentaire mais le recruteur appréciera de lire un CV qui fait écho à son annonce. C’est ce genre de petit détail qui fera que votre CV se détachera du lot
L’accroche d’intro, c’est là qu’il faut placer les fameux soft skills. Les postes en data science nécessitent des compétences techniques mais demandent également de posséder de nombreuses compétences transversales. La mission d’un expert en data science n’est pas seulement de faire des calculs et d’analyser des données mais aussi de mettre en pratique sa capacité à communiquer ces résultats afin de résoudre une problématique particulière.
On attendra donc d’un spécialiste des sciences des données un esprit d’analyse et de synthèse, une curiosité intellectuelle et une facilité à comprendre un secteur, qu’il puisse travailler en équipe ou gérer une équipe (le leadership), son aisance à restituer les résultats de manière claire et efficiente (communication), sa rigueur et sa méthodologie.
Votre état civil
Bien évidemment nom, prénom, adresse, numéro de téléphone, votre adresse mail professionnel (par exemple “nom-prénom@XXX” et pas “darkdragon198xd@xxx” ou “jsuioufdecode@xxx”, etc. C’est du vécu).
La photo c’est comme vous voulez, ne vous sentez pas obligé d’en mettre une. Mais si vous en mettez une, veillez à ce qu’elle soit professionnelle. Il est préférable d’avoir un CV sans photo qu’un CV avec une photo décalée.
Vous pouvez aussi rajouter le lien (cliquable) de votre profil LinkedIn, uniquement si celui-ci est complet avec vos expériences et compétences renseignées.
Le must si possible : un lien Github. Vous postulez pour des postes en data science, donc la plupart des recruteurs seront plus que ravis de jeter un coup d’œil à vos réalisations. Et bien évidemment lorsqu’un recruteur clique sur votre GitHub, il doit trouver un compte actif avec des projets de science des données. Mais nous reviendrons plus tard sur cet élément qui peut être déterminant pour un recruteur.
La formation
Cette section reprend les études suivies et les diplômes obtenus durant votre scolarité. Mentionnez également dans cette partie vos certifications acquises en formation continue. Les langues maîtrisées et leur niveau (bilingue, courant, opérationnel, scolaire), ou mention des éventuels séjours à l’étranger, l’idéal étant d’avoir une certification en langue reconnue. Une très bonne maîtrise de l’anglais est demandée pour les postes en data science, votre capacité à communiquer avec divers interlocuteurs à travers le monde est fortement appréciée des grands groupes.
Cette section correspond à la liste des compétences techniques que vous maîtrisez.
Les soft skills ayant été spécifiés dans votre accroche, pas besoin de les repréciser ici !
Petit conseil, concentrez vous sur les compétences techniques qui sont mises en avant dans l’annonce. Personne ne mobilise l’ensemble de ses compétences sur un projet, selon la problématique vous allez mobiliser différentes compétences. L’objectif de cette section est de donner au recruteur une idée de vos capacités.
Surtout, encore une fois, n’en faites pas trop, si vous mentionnez quelque chose sur votre CV, vous devez être en mesure de répondre au recruteur si celui-ci veut s’assurer que vous possédez bien les bases. Si vous avez suivi un MOOC sur R, mais que vous n’avez jamais codé en R, abstenez-vous de mettre R comme une de vos compétence. Ne mentionnez que les compétences dont vous pouvez parler en véritable professionnel.
Attention, la notion d’étoiles ou de notes pour illustrer un niveau n’est pas forcément très judicieuse puisque l’échelle d’étalonnage de cette note, c’est la vôtre, donc pas forcément objective. Il vaut mieux rester simple et ne pas vendre du rêve aux recruteurs.
Toutes vos expériences professionnelles ou bénévoles pertinentes
Indiquez clairement le poste exercé (le mettre en gras pour qu’il soit plus visible) et le nom de l’entreprise, le secteur d’activité. Et dans l’ordre chronologique bien sûr, du plus récent au plus ancien. Il faut qu’on voit votre montée en compétences au fur et à mesure des postes, qu’on sente votre évolution. Dans cette même section vous pouvez créer une ligne spéciale ou vous spécifiez vos participations à des data challenges, des hackathons IA. Cela montre aux recruteurs que vous avez un esprit de compétition et que vous cherchez à améliorer en permanence vos compétences et vos connaissances dans votre domaine.
Vos réalisations en entreprises / les projets menés
Il faut faire la distinction entre une expérience professionnelle et vos projets menés. Vous avez réalisé des projets en science des données durant votre parcours de formation, mais également lors de vos expériences en entreprise, ou alors dans une démarche totalement personnelle, vous avez appliqué vos compétences techniques (hard skills) et vos compétences sociales (soft skills) et avez su les mobiliser pour résoudre une problématique. C’est dans cette section que les recruteurs pourront déterminer si effectivement votre profil correspond à leurs attentes et que vous êtes LA personne à recruter.
Chaque projet doit indiquer la problématique et sa solution, et pensez verbe d’action lors de la rédaction ! Le tout doit tenir en quelques lignes, c’est à notre sens l’exercice qui demande le plus d’attention car c’est là que les recruteurs vont focaliser leur regard. Lorsque vous décrivez un projet, soyez aussi précis que possible sur les compétences, les outils et les technologies que vous avez utilisés, comment vous avez créé le projet, n’oubliez pas de spécifier le langage de codage, les bibliothèques que vous avez utilisées, etc.
Par exemple :
Projet xxxxxx
Brève description de la problématique
Solution
Mention de travail d’équipe éventuellement
Les outils et les méthodes utilisées
Cette section est stratégique, elle doit inclure des projets d’analyse de données, des projets d’apprentissage automatique et éventuellement les articles scientifiques publiés (avec leur lien) ou des didacticiels de codage. C’est LA section ou vous pouvez vous démarquer ! En spécifiant des projets en science des données menés vous démontrez que vous avez les compétences techniques mais également les compétences transverses indispensables à tout spécialiste de la data science. Les recruteurs ne retiendront pas votre candidature pour quelque chose que vous n’avez jamais fait auparavant, c’est une règle fondamentale dans n’importe quel secteur, et la data science ne fait pas exception à la règle.
Selon votre expérience (jeune diplômé ou en reconversion) et si vous avez mené beaucoup de projets, faites un choix et mettez en avant ceux qui sont en lien avec l’offre pour laquelle vous postulez.
Tips spécial Doctorant
Si vous êtes à la recherche de votre premier emploi dans en data science, il peut être difficile de démontrer l’étendue de vos compétences et l’adéquation de celles-ci avec l’annonce à laquelle vous postulez.
Mais il existe plusieurs façons de démontrer vos compétences, en plus de la liste de vos projets et publications en sciences des données qui apparaissent dans votre CV. Lorsque l’on a mené de nombreux projets en data science ou même publié des articles, il peut être très utile de partager un lien GitHub contenant les projets de data science les plus intéressants que vous ayez menés. Nous vous invitons à consulter l’article dédié comment créer un portfolio GitHub.
Un portfolio GitHub doit contenir 3 à 5 projets à minima, encore une fois l’objectif est de démontrer vos compétences donc il faut mettre en avant les projets en lien avec l’annonce. Ces projets seront certainement évoqués si vous obtenez un entretien, là il faudra prouver que vous maitrisez votre sujet sur le bout des doigts.
Les centres d’intérêts et loisirs
Là, vous pouvez également vous distinguer mais toujours sans en faire trop. Si vous faites de la compétition sportive, mentionnez-le, ça prouvera votre esprit compétitif. Artiste à vos heures, n’hésitez pas non plus, cela démontre une créativité certaine. Vous faites du bénévolat n’hésitez pas à le mentionner, cela démontre l’engagement.
Ça y est, vous en êtes venus à bout, vous avez réussi à tout intégrer en 1 seule page ! Vos compétences sont mises en avant, votre expérience professionnelle apparaît chronologiquement, les projets sont décrits de manière succincte et claire. Surtout assurez-vous de la cohérence de votre CV/teaser par rapport à l’annonce que vous avez ciblée. Avez-vous bien compris les attentes de votre public (le descriptif de l’annonce), les moments forts de votre teaser sont-ils en cohérence avec les attentes du public, l’ensemble est-il aéré mais suffisamment complet pour donner l’envie d’aller plus loin.
A force d’avoir la tête dedans, des fois il y a des petits détails qui peuvent nous échapper, n’hésitez pas à solliciter un de vos proches pour vous relire afin de vous assurez que vous n’avez pas oublié une petite coquille.
Une fois sûr de vous, enregistrez votre CV en format pdf pour éviter tout problème de lecture, assurez vous également que les liens insérés dans votre CV soient actifs.
Maintenant, il n’y a plus qu’à rédiger la lettre de motivation, un autre exercice qu’il ne faut pas négliger, pour préparer cette autre étape, vous trouverez tous nos conseils dans notre prochain article dédié à ce sujet.
Dans la lignée de mon article sur Codecademy, je souhaiter présenter ici un autre outil très pédagogique dans le cadre d’un apprentissage pour devenir Data Scientist, sur l’aspect Probabilités maintenant.
