# Le\u00e7on 3 \u2014 Data Analyst, Data Scientist et Data Engineer<\/p>\n
Les m\u00e9tiers de la donn\u00e9e constituent l\u2019une des principales portes d\u2019entr\u00e9e vers l\u2019intelligence artificielle. Data Analyst, Data Scientist et Data Engineer travaillent ensemble, mais leurs responsabilit\u00e9s ne sont pas identiques. Le data analyst cherche principalement \u00e0 transformer les donn\u00e9es disponibles en informations utiles aux d\u00e9cisions. Le data scientist construit et \u00e9value des mod\u00e8les statistiques ou d\u2019apprentissage automatique afin de r\u00e9pondre \u00e0 des probl\u00e8mes de pr\u00e9diction, de classification, d\u2019optimisation ou d\u2019exploration. Le data engineer construit les fondations techniques qui permettent de collecter, transporter, transformer, stocker et rendre disponibles les donn\u00e9es. Dans une grande organisation, ces fonctions peuvent \u00eatre tr\u00e8s sp\u00e9cialis\u00e9es. Dans une petite entreprise, elles peuvent \u00eatre partiellement r\u00e9unies. Comprendre cette compl\u00e9mentarit\u00e9 est donc indispensable pour choisir une trajectoire professionnelle r\u00e9aliste.<\/p>\n
La pr\u00e9sente le\u00e7on adopte une approche professionnelle. Elle ne cherche pas seulement \u00e0 d\u00e9finir trois m\u00e9tiers, mais \u00e0 expliquer leurs activit\u00e9s quotidiennes, leurs m\u00e9thodes, leurs outils, leurs livrables, leurs indicateurs, leurs interactions et leurs limites. L\u2019apprenant d\u00e9couvrira \u00e9galement comment analyser un projet r\u00e9el, choisir un profil adapt\u00e9, construire un portfolio et organiser une progression de comp\u00e9tences. Les travaux de Foster Provost et Tom Fawcett sur la science des donn\u00e9es rappellent notamment que la valeur d\u2019un projet data d\u00e9pend de la formulation correcte du probl\u00e8me et non de la sophistication isol\u00e9e d\u2019un algorithme. De m\u00eame, les pratiques modernes d\u2019ing\u00e9nierie des donn\u00e9es montrent qu\u2019un mod\u00e8le ne peut \u00eatre fiable si les donn\u00e9es qui l\u2019alimentent sont mal gouvern\u00e9es.<\/p>\n
\u00c0 l\u2019issue de cette le\u00e7on, l\u2019apprenant devra pouvoir d\u00e9finir pr\u00e9cis\u00e9ment les r\u00f4les de data analyst, data scientist et data engineer ; expliquer leurs diff\u00e9rences et compl\u00e9mentarit\u00e9s ; d\u00e9crire le cycle de vie d\u2019une donn\u00e9e ; identifier les \u00e9tapes d\u2019un projet analytique ou pr\u00e9dictif ; choisir des indicateurs adapt\u00e9s ; comprendre les principales familles d\u2019outils ; analyser la qualit\u00e9 des donn\u00e9es ; distinguer corr\u00e9lation et causalit\u00e9 ; expliquer les notions de mod\u00e8le, entra\u00eenement, test et validation ; comprendre les principes des pipelines de donn\u00e9es ; analyser une offre d\u2019emploi ; proposer une \u00e9quipe adapt\u00e9e \u00e0 une organisation ; construire un portfolio et \u00e9laborer un plan de progression professionnel.<\/p>\n
Une donn\u00e9e est une repr\u00e9sentation d\u2019un fait, d\u2019une observation, d\u2019un \u00e9v\u00e9nement ou d\u2019une mesure. Elle peut \u00eatre num\u00e9rique, textuelle, temporelle, g\u00e9ographique, audiovisuelle ou relationnelle. Dans un projet d\u2019IA, les donn\u00e9es jouent plusieurs r\u00f4les : elles permettent de comprendre une situation, d\u2019entra\u00eener un mod\u00e8le, de v\u00e9rifier une hypoth\u00e8se, de mesurer un r\u00e9sultat et de surveiller un syst\u00e8me en production. La qualit\u00e9 d\u2019une donn\u00e9e d\u00e9pend de son exactitude, de sa compl\u00e9tude, de sa coh\u00e9rence, de son actualit\u00e9, de sa pertinence et de sa tra\u00e7abilit\u00e9.<\/p>\n
Cette notion de mati\u00e8re premi\u00e8re doit cependant \u00eatre nuanc\u00e9e. Une grande quantit\u00e9 de donn\u00e9es ne garantit pas un bon r\u00e9sultat. Des donn\u00e9es nombreuses mais biais\u00e9es peuvent produire un mod\u00e8le trompeur. Des donn\u00e9es exactes mais mal contextualis\u00e9es peuvent conduire \u00e0 une mauvaise d\u00e9cision. Le professionnel de la donn\u00e9e doit donc toujours poser les questions suivantes : d\u2019o\u00f9 viennent les donn\u00e9es ? pourquoi ont-elles \u00e9t\u00e9 collect\u00e9es ? quelles populations repr\u00e9sentent-elles ? quelles erreurs peuvent-elles contenir ? qui peut les utiliser ? pendant combien de temps ? Ces questions constituent le socle d\u2019une pratique responsable.<\/p>\n
Le data analyst travaille principalement sur l\u2019analyse descriptive et diagnostique. Il transforme des donn\u00e9es brutes en indicateurs, tableaux de bord, rapports et analyses permettant aux responsables de comprendre une situation. Son travail commence souvent par une question m\u00e9tier : pourquoi les ventes ont-elles diminu\u00e9 ? quels produits progressent ? quels \u00e9tudiants abandonnent davantage ? quels d\u00e9lais logistiques augmentent ? Une bonne analyse ne r\u00e9pond pas seulement par un chiffre. Elle explique le contexte, les tendances, les limites et les implications possibles.<\/p>\n
Le data analyst doit donc poss\u00e9der une double comp\u00e9tence. La premi\u00e8re est technique : tableurs avanc\u00e9s, SQL, visualisation, statistiques descriptives et parfois programmation. La seconde est m\u00e9tier : comprendre les processus, les indicateurs et les d\u00e9cisions auxquelles l\u2019analyse doit contribuer. Un analyste qui produit un graphique \u00e9l\u00e9gant mais inutilisable pour la d\u00e9cision n\u2019a pas rempli sa mission. La qualit\u00e9 d\u2019un analyste se mesure \u00e0 sa capacit\u00e9 \u00e0 rendre une information fiable, compr\u00e9hensible et actionnable.<\/p>\n
Une journ\u00e9e type peut commencer par la v\u00e9rification d\u2019une demande d\u2019analyse. L\u2019analyste clarifie la question, identifie les sources pertinentes et d\u00e9finit les indicateurs. Il extrait ensuite les donn\u00e9es, contr\u00f4le leur qualit\u00e9, r\u00e9alise des transformations et explore les r\u00e9sultats. Il construit \u00e9ventuellement un tableau de bord puis pr\u00e9sente ses conclusions. Une partie importante du travail consiste \u00e0 r\u00e9pondre aux questions des utilisateurs et \u00e0 am\u00e9liorer progressivement les rapports existants.<\/p>\n
Dans un contexte professionnel, l\u2019analyste doit \u00e9galement documenter ses calculs. Une m\u00e9trique utilis\u00e9e par la direction doit avoir une d\u00e9finition pr\u00e9cise. Par exemple, \u00ab chiffre d\u2019affaires mensuel \u00bb doit pr\u00e9ciser si les remboursements, taxes, commandes annul\u00e9es ou paiements en attente sont inclus. Sans cette d\u00e9finition, deux services peuvent produire des chiffres diff\u00e9rents et chacun croire avoir raison. La documentation est donc une comp\u00e9tence centrale, pas une t\u00e2che administrative secondaire.<\/p>\n
SQL est une comp\u00e9tence fondamentale pour de nombreux data analysts. Elle permet d\u2019interroger des bases relationnelles, de filtrer, regrouper, joindre et agr\u00e9ger des donn\u00e9es. La ma\u00eetrise de SQL ne consiste pas \u00e0 m\u00e9moriser des commandes isol\u00e9es. Il faut savoir traduire une question m\u00e9tier en logique d\u2019interrogation. Pour analyser les ventes, l\u2019analyste peut devoir relier clients, commandes, produits et dates, puis calculer des indicateurs par p\u00e9riode et segment.<\/p>\n
L\u2019exploration doit toujours inclure des contr\u00f4les. Il faut v\u00e9rifier les valeurs manquantes, les doublons, les valeurs extr\u00eames, les incoh\u00e9rences de format et les ruptures temporelles. Un graphique peut aider \u00e0 rep\u00e9rer une anomalie qu\u2019une requ\u00eate ne r\u00e9v\u00e8le pas imm\u00e9diatement. L\u2019analyste doit \u00e9galement conserver une trace des transformations afin qu\u2019un coll\u00e8gue puisse reproduire le r\u00e9sultat.<\/p>\n
La visualisation transforme des r\u00e9sultats num\u00e9riques en repr\u00e9sentations facilitant la compr\u00e9hension. Un bon graphique r\u00e9pond \u00e0 une question pr\u00e9cise. Une \u00e9volution temporelle appelle g\u00e9n\u00e9ralement une repr\u00e9sentation diff\u00e9rente d\u2019une comparaison entre cat\u00e9gories. Le choix d\u2019un graphique doit tenir compte de la nature de la variable, du nombre de cat\u00e9gories et du message \u00e0 transmettre.<\/p>\n
La communication analytique exige de distinguer r\u00e9sultat et interpr\u00e9tation. Dire que les ventes ont diminu\u00e9 de 12 % est un r\u00e9sultat. Affirmer que la diminution est caus\u00e9e par une campagne marketing est une interpr\u00e9tation qui n\u00e9cessite des preuves suppl\u00e9mentaires. Le data analyst doit donc utiliser un langage prudent : association, tendance, hypoth\u00e8se ou relation observ\u00e9e ne signifient pas automatiquement causalit\u00e9. Cette rigueur prot\u00e8ge l\u2019organisation contre des d\u00e9cisions fond\u00e9es sur des conclusions excessives.<\/p>\n
Le data scientist intervient lorsque le probl\u00e8me n\u00e9cessite davantage que la description des donn\u00e9es. Il peut chercher \u00e0 pr\u00e9voir une demande, d\u00e9tecter une anomalie, classer des documents, recommander un produit ou estimer une probabilit\u00e9. Son travail combine statistiques, programmation, machine learning, exp\u00e9rimentation et connaissance du domaine. Il doit formuler une hypoth\u00e8se, pr\u00e9parer les donn\u00e9es, choisir une m\u00e9thode, entra\u00eener ou ajuster un mod\u00e8le, l\u2019\u00e9valuer et communiquer ses limites.<\/p>\n
Le data scientist doit r\u00e9sister \u00e0 une tentation fr\u00e9quente : commencer directement par l\u2019algorithme. La premi\u00e8re question est toujours le probl\u00e8me \u00e0 r\u00e9soudre. Une organisation peut demander \u00ab un mod\u00e8le d\u2019IA \u00bb alors qu\u2019un simple indicateur ou une r\u00e8gle m\u00e9tier r\u00e9pondrait mieux au besoin. La sophistication technique doit \u00eatre proportionn\u00e9e \u00e0 la valeur attendue, au co\u00fbt et au risque.<\/p>\n
Les statistiques fournissent au data scientist un langage pour mesurer l\u2019incertitude et comparer des hypoth\u00e8ses. Moyenne, m\u00e9diane, variance, distribution, corr\u00e9lation, \u00e9chantillonnage et intervalle d\u2019incertitude sont des notions fondamentales. Il faut \u00e9galement comprendre que les donn\u00e9es observ\u00e9es peuvent \u00eatre influenc\u00e9es par la mani\u00e8re dont elles ont \u00e9t\u00e9 collect\u00e9es.<\/p>\n
Dans une exp\u00e9rimentation, le professionnel doit d\u00e9finir ce qui est compar\u00e9, la population concern\u00e9e et la m\u00e9trique de succ\u00e8s. Une exp\u00e9rience mal con\u00e7ue peut produire un r\u00e9sultat statistiquement convaincant mais professionnellement inutile. Le raisonnement exp\u00e9rimental oblige \u00e0 examiner les biais, les variables confondantes et les effets de s\u00e9lection. Il constitue donc une comp\u00e9tence durable, m\u00eame lorsque les outils logiciels changent.<\/p>\n
Le machine learning consiste \u00e0 construire une fonction capable d\u2019inf\u00e9rer une relation \u00e0 partir de donn\u00e9es. En apprentissage supervis\u00e9, les observations sont associ\u00e9es \u00e0 une cible. En classification, la cible repr\u00e9sente g\u00e9n\u00e9ralement une cat\u00e9gorie ; en r\u00e9gression, elle repr\u00e9sente une valeur num\u00e9rique. En apprentissage non supervis\u00e9, le syst\u00e8me recherche des structures sans cible pr\u00e9d\u00e9finie.<\/p>\n
Le data scientist doit choisir une m\u00e9trique adapt\u00e9e au probl\u00e8me. Pour une classification, l\u2019accuracy peut \u00eatre insuffisante si les classes sont tr\u00e8s d\u00e9s\u00e9quilibr\u00e9es. La pr\u00e9cision, le rappel, le score F1, les matrices de confusion ou les m\u00e9triques sp\u00e9cifiques au domaine peuvent \u00eatre plus pertinentes. Le choix de la m\u00e9trique doit refl\u00e9ter le co\u00fbt des erreurs. Dans un syst\u00e8me de d\u00e9tection de fraude, manquer une fraude et d\u00e9clencher une fausse alerte n\u2019ont pas n\u00e9cessairement les m\u00eames cons\u00e9quences.<\/p>\n
Un mod\u00e8le doit \u00eatre \u00e9valu\u00e9 sur des donn\u00e9es permettant d\u2019estimer sa capacit\u00e9 \u00e0 g\u00e9n\u00e9raliser. La s\u00e9paration entre entra\u00eenement et \u00e9valuation r\u00e9duit le risque de mesurer simplement la m\u00e9morisation. La validation sert notamment \u00e0 comparer des configurations et \u00e0 ajuster les choix. Le jeu de test doit rester prot\u00e9g\u00e9 autant que possible jusqu\u2019\u00e0 l\u2019\u00e9valuation finale.<\/p>\n
Le surapprentissage appara\u00eet lorsqu\u2019un mod\u00e8le s\u2019adapte excessivement aux donn\u00e9es d\u2019entra\u00eenement et perd en performance sur de nouvelles observations. Le professionnel peut utiliser des techniques de r\u00e9gularisation, validation crois\u00e9e ou simplification du mod\u00e8le selon le contexte. Mais il doit aussi rechercher les causes m\u00e9tier : donn\u00e9es trop homog\u00e8nes, fuite d\u2019information, changement de distribution ou variable artificiellement pr\u00e9dictive.<\/p>\n
Le data engineer assure la circulation et la disponibilit\u00e9 des donn\u00e9es. Il con\u00e7oit des pipelines permettant d\u2019ing\u00e9rer, transformer, stocker et distribuer des informations. Son travail peut inclure des bases de donn\u00e9es, des entrep\u00f4ts, des lacs de donn\u00e9es, des flux temps r\u00e9el, des syst\u00e8mes de traitement distribu\u00e9 et des m\u00e9canismes de surveillance.<\/p>\n
La mission du data engineer est souvent invisible pour les utilisateurs finaux, mais elle conditionne la fiabilit\u00e9 du syst\u00e8me. Si les donn\u00e9es arrivent avec retard, si les doublons sont fr\u00e9quents ou si une transformation change sans documentation, l\u2019analyse et les mod\u00e8les deviennent fragiles. L\u2019ing\u00e9nieur doit donc penser en termes de fiabilit\u00e9, reproductibilit\u00e9, performance, s\u00e9curit\u00e9 et co\u00fbt.<\/p>\n
Un pipeline d\u00e9crit une succession d\u2019\u00e9tapes de traitement. Par exemple, des donn\u00e9es de ventes peuvent \u00eatre extraites d\u2019un syst\u00e8me transactionnel, nettoy\u00e9es, transform\u00e9es puis charg\u00e9es dans un entrep\u00f4t analytique. L\u2019orchestration permet de planifier et surveiller ces \u00e9tapes. Un pipeline professionnel doit g\u00e9rer les erreurs, les reprises, les d\u00e9pendances et les changements de sch\u00e9ma.<\/p>\n
Le data engineer doit aussi distinguer traitement par lots et traitement en flux. Le traitement par lots convient lorsque les donn\u00e9es peuvent \u00eatre regroup\u00e9es et trait\u00e9es p\u00e9riodiquement. Le temps r\u00e9el devient pertinent lorsque la d\u00e9cision d\u00e9pend d\u2019informations tr\u00e8s r\u00e9centes. Le choix doit \u00eatre justifi\u00e9 par le besoin et non par l\u2019effet de mode technologique.<\/p>\n
La qualit\u00e9 des donn\u00e9es doit \u00eatre contr\u00f4l\u00e9e \u00e0 plusieurs niveaux. Des tests peuvent v\u00e9rifier les types, les valeurs autoris\u00e9es, les volumes attendus et l\u2019absence de certaines anomalies. Les m\u00e9tadonn\u00e9es d\u00e9crivent les donn\u00e9es : d\u00e9finition, source, fr\u00e9quence, propri\u00e9taire, transformation et conditions d\u2019utilisation. La gouvernance clarifie les responsabilit\u00e9s et les r\u00e8gles d\u2019acc\u00e8s.<\/p>\n
Un syst\u00e8me mature permet de r\u00e9pondre rapidement \u00e0 des questions comme : qui est responsable de cette donn\u00e9e ? quand a-t-elle \u00e9t\u00e9 mise \u00e0 jour ? quelles transformations lui ont \u00e9t\u00e9 appliqu\u00e9es ? quels rapports l\u2019utilisent ? quelles personnes peuvent y acc\u00e9der ? Cette tra\u00e7abilit\u00e9 devient particuli\u00e8rement importante lorsque les donn\u00e9es alimentent des d\u00e9cisions sensibles ou des mod\u00e8les d\u2019IA.<\/p>\n
Consid\u00e9rons une entreprise qui souhaite pr\u00e9voir les ventes. Le data engineer construit les flux et rend les donn\u00e9es disponibles. Le data analyst explore les tendances historiques, d\u00e9finit les indicateurs et identifie les facteurs pertinents. Le data scientist exp\u00e9rimente un mod\u00e8le de pr\u00e9vision. Apr\u00e8s mise en production, les trois m\u00e9tiers peuvent continuer \u00e0 collaborer : l\u2019analyste suit les r\u00e9sultats, le data engineer surveille les pipelines et le data scientist analyse les performances du mod\u00e8le.<\/p>\n
Cette coop\u00e9ration montre que les m\u00e9tiers ne sont pas trois \u00e9tapes compl\u00e8tement s\u00e9par\u00e9es. Ils forment une boucle. Les probl\u00e8mes d\u00e9tect\u00e9s par l\u2019analyste peuvent conduire \u00e0 une am\u00e9lioration du pipeline. Les limites du mod\u00e8le peuvent conduire \u00e0 rechercher de nouvelles donn\u00e9es. Les changements dans les syst\u00e8mes sources peuvent n\u00e9cessiter une adaptation de l\u2019ing\u00e9nierie. Une \u00e9quipe data efficace organise donc des m\u00e9canismes de communication et de responsabilit\u00e9 partag\u00e9e.<\/p>\n
Le data analyst r\u00e9pond principalement \u00e0 la question \u00ab que se passe-t-il et que pouvons-nous comprendre ? \u00bb. Le data scientist ajoute \u00ab que peut-on pr\u00e9voir, classer ou mod\u00e9liser ? \u00bb. Le data engineer se demande \u00ab comment rendre les donn\u00e9es fiables, disponibles et exploitables \u00e0 l\u2019\u00e9chelle n\u00e9cessaire ? \u00bb. Ces formulations sont simplifi\u00e9es mais utiles pour distinguer les orientations dominantes.<\/p>\n
Dans la r\u00e9alit\u00e9, les fronti\u00e8res \u00e9voluent. Un analyste avanc\u00e9 peut programmer des mod\u00e8les simples. Un data scientist peut construire certaines parties d\u2019un pipeline. Un data engineer peut r\u00e9aliser des analyses exploratoires. L\u2019objectif d\u2019une carri\u00e8re n\u2019est donc pas de d\u00e9fendre des fronti\u00e8res rigides, mais de d\u00e9velopper une sp\u00e9cialit\u00e9 principale tout en comprenant les interfaces.<\/p>\n
Les outils varient selon les organisations. Pour l\u2019analyse, les tableurs, SQL et outils de visualisation restent courants. Pour la science des donn\u00e9es, Python ou R, biblioth\u00e8ques statistiques et machine learning sont largement utilis\u00e9s. Pour l\u2019ing\u00e9nierie, les bases de donn\u00e9es, syst\u00e8mes de traitement, outils d\u2019orchestration, contr\u00f4le de version, conteneurs et plateformes cloud peuvent intervenir.<\/p>\n
L\u2019apprenant ne doit pas chercher \u00e0 ma\u00eetriser simultan\u00e9ment tous les outils. Il doit comprendre les cat\u00e9gories et choisir un environnement coh\u00e9rent. Un portfolio bien construit avec quelques technologies ma\u00eetris\u00e9es vaut g\u00e9n\u00e9ralement mieux qu\u2019une liste de dizaines d\u2019outils connus superficiellement. La capacit\u00e9 \u00e0 apprendre rapidement une nouvelle technologie est elle-m\u00eame une comp\u00e9tence professionnelle.<\/p>\n
Une cha\u00eene de distribution souhaite pr\u00e9voir la demande hebdomadaire. Le data engineer collecte ventes, stocks, calendriers et donn\u00e9es externes. Le data analyst examine les tendances saisonni\u00e8res et construit des indicateurs. Le data scientist compare plusieurs m\u00e9thodes de pr\u00e9vision et mesure l\u2019erreur. Le responsable m\u00e9tier v\u00e9rifie que les r\u00e9sultats sont compatibles avec les r\u00e9alit\u00e9s commerciales.<\/p>\n
Le projet doit \u00e9galement d\u00e9finir le co\u00fbt des erreurs. Une sous-estimation peut provoquer une rupture de stock, tandis qu\u2019une surestimation peut immobiliser des ressources. La meilleure m\u00e9thode n\u2019est donc pas n\u00e9cessairement celle qui minimise une m\u00e9trique abstraite, mais celle qui r\u00e9pond au co\u00fbt r\u00e9el des d\u00e9cisions. Cette \u00e9tude montre l\u2019importance du dialogue entre donn\u00e9es et m\u00e9tier.<\/p>\n
Une ONG souhaite am\u00e9liorer le suivi de ses programmes. Le data engineer structure les donn\u00e9es provenant de plusieurs projets. Le data analyst construit des indicateurs de couverture et de progression. Le data scientist peut \u00e9tudier des facteurs associ\u00e9s \u00e0 certains r\u00e9sultats si la qualit\u00e9 et la l\u00e9gitimit\u00e9 des donn\u00e9es le permettent. Les responsables protection et programme contr\u00f4lent les risques li\u00e9s aux personnes concern\u00e9es.<\/p>\n
Dans ce cas, la comp\u00e9tence technique ne suffit pas. Les donn\u00e9es peuvent concerner des personnes vuln\u00e9rables. Il faut donc appliquer des principes de minimisation, s\u00e9curit\u00e9, acc\u00e8s contr\u00f4l\u00e9 et utilisation proportionn\u00e9e. L\u2019\u00e9quipe doit \u00e9galement \u00e9viter de pr\u00e9senter une corr\u00e9lation comme une cause individuelle. Le projet devient un exemple concret de coop\u00e9ration entre expertise data et responsabilit\u00e9 professionnelle.<\/p>\n
Une administration veut analyser les d\u00e9lais de traitement des dossiers. Le data engineer consolide les sources. Le data analyst identifie les \u00e9tapes o\u00f9 les d\u00e9lais augmentent. Le data scientist peut \u00e9ventuellement construire un mod\u00e8le de pr\u00e9vision de charge. Les responsables m\u00e9tier examinent les r\u00e9sultats avant toute d\u00e9cision. La gouvernance v\u00e9rifie les conditions d\u2019acc\u00e8s et la tra\u00e7abilit\u00e9.<\/p>\n
Le projet doit \u00e9viter qu\u2019un indicateur soit utilis\u00e9 pour p\u00e9naliser automatiquement un agent sans analyse du contexte. Une hausse du d\u00e9lai peut r\u00e9sulter d\u2019une surcharge exceptionnelle, d\u2019un changement r\u00e9glementaire ou d\u2019une d\u00e9faillance informatique. Les professionnels de la donn\u00e9e doivent donc fournir des outils d\u2019aide \u00e0 la d\u00e9cision plut\u00f4t que masquer la complexit\u00e9 derri\u00e8re un score unique.<\/p>\n
Une m\u00e9thode robuste peut suivre huit \u00e9tapes : cadrage du probl\u00e8me, inventaire des sources, contr\u00f4le de qualit\u00e9, exploration, d\u00e9finition de la m\u00e9thode, exp\u00e9rimentation, d\u00e9ploiement \u00e9ventuel et suivi. \u00c0 chaque \u00e9tape, un livrable doit \u00eatre produit. Le cadrage fournit une question pr\u00e9cise. L\u2019inventaire fournit une cartographie des sources. Le contr\u00f4le fournit un diagnostic de qualit\u00e9. L\u2019exploration fournit des constats. L\u2019exp\u00e9rimentation fournit des r\u00e9sultats comparables.<\/p>\n
Cette d\u00e9marche \u00e9vite de transformer le projet en suite d\u2019essais techniques sans finalit\u00e9. Elle facilite \u00e9galement la communication avec les d\u00e9cideurs. Un responsable peut comprendre o\u00f9 se situe le projet, quelles hypoth\u00e8ses restent ouvertes et quelles d\u00e9cisions doivent \u00eatre prises. La documentation doit \u00eatre maintenue tout au long du cycle de vie.<\/p>\n
Les professionnels data doivent int\u00e9grer la s\u00e9curit\u00e9 d\u00e8s la conception. Les acc\u00e8s doivent \u00eatre limit\u00e9s selon les responsabilit\u00e9s. Les donn\u00e9es sensibles doivent \u00eatre prot\u00e9g\u00e9es et les \u00e9changes s\u00e9curis\u00e9s. Les environnements de d\u00e9veloppement, test et production doivent \u00eatre distingu\u00e9s lorsque le risque le justifie. Les secrets techniques ne doivent pas \u00eatre int\u00e9gr\u00e9s directement dans les scripts ou documents publics.<\/p>\n
La protection des donn\u00e9es implique \u00e9galement de r\u00e9fl\u00e9chir \u00e0 la finalit\u00e9. Une donn\u00e9e disponible n\u2019est pas automatiquement une donn\u00e9e que l\u2019on peut utiliser pour n\u2019importe quel projet. Le professionnel doit comprendre les politiques internes et les obligations applicables dans son contexte. Lorsque le projet concerne des donn\u00e9es personnelles ou sensibles, l\u2019expertise juridique et conformit\u00e9 doit \u00eatre associ\u00e9e suffisamment t\u00f4t.<\/p>\n
Les biais peuvent provenir des donn\u00e9es, de la s\u00e9lection des variables, du processus de collecte, des objectifs ou de l\u2019interpr\u00e9tation. Un mod\u00e8le peut produire des performances globales satisfaisantes tout en \u00e9tant moins fiable pour certains groupes. L\u2019\u00e9valuation doit donc \u00eatre adapt\u00e9e au contexte et aux cons\u00e9quences possibles.<\/p>\n
Le professionnel doit documenter les limites et mettre en place des contr\u00f4les appropri\u00e9s. Il faut \u00e9viter deux extr\u00eames : consid\u00e9rer tout mod\u00e8le comme dangereux par principe ou consid\u00e9rer tout r\u00e9sultat num\u00e9rique comme neutre. La responsabilit\u00e9 consiste \u00e0 examiner les preuves, les usages et les cons\u00e9quences. Cette approche rejoint les travaux sur la gouvernance responsable de l\u2019IA et les cadres professionnels de gestion des risques.<\/p>\n
Pour un data analyst, les indicateurs peuvent inclure fiabilit\u00e9 des rapports, adoption des tableaux de bord, d\u00e9lai de production et satisfaction des utilisateurs. Pour un data scientist, on peut suivre performance du mod\u00e8le, robustesse, stabilit\u00e9, valeur m\u00e9tier et co\u00fbt d\u2019exploitation. Pour un data engineer, on peut mesurer disponibilit\u00e9 des pipelines, taux d\u2019\u00e9chec, fra\u00eecheur des donn\u00e9es, temps de traitement et co\u00fbt d\u2019infrastructure.<\/p>\n
Il faut cependant \u00e9viter de r\u00e9duire chaque m\u00e9tier \u00e0 un seul indicateur. Un pipeline rapide mais souvent erron\u00e9 n\u2019est pas performant. Un mod\u00e8le tr\u00e8s pr\u00e9cis mais trop co\u00fbteux ou impossible \u00e0 expliquer peut \u00eatre inadapt\u00e9. Les indicateurs doivent donc couvrir qualit\u00e9, efficacit\u00e9, fiabilit\u00e9, valeur et risque.<\/p>\n
Les \u00e9quipes data r\u00e9ussissent lorsqu\u2019elles \u00e9tablissent des responsabilit\u00e9s claires. Le data analyst doit pouvoir expliquer ses besoins en donn\u00e9es. Le data engineer doit signaler les contraintes techniques. Le data scientist doit communiquer les limites du mod\u00e8le. Le responsable m\u00e9tier doit pr\u00e9ciser les d\u00e9cisions et cons\u00e9quences. Les r\u00e9unions doivent \u00eatre orient\u00e9es vers des questions concr\u00e8tes et des livrables.<\/p>\n
La documentation joue un r\u00f4le central. Un dictionnaire de donn\u00e9es, des notes d\u2019exp\u00e9rimentation, des r\u00e8gles de transformation et des d\u00e9cisions d\u2019architecture permettent de pr\u00e9server la connaissance. Sans documentation, l\u2019organisation devient d\u00e9pendante de quelques individus et les erreurs se reproduisent.<\/p>\n
Une offre de data analyst doit \u00eatre examin\u00e9e selon les missions plut\u00f4t que les mots-cl\u00e9s. Recherchez les livrables : tableaux de bord, analyses ad hoc, reporting, indicateurs, \u00e9tudes de performance. Identifiez les outils obligatoires et les comp\u00e9tences m\u00e9tier. V\u00e9rifiez \u00e9galement le niveau d\u2019autonomie. Un poste qui demande seulement de produire des rapports n\u2019a pas le m\u00eame profil qu\u2019un poste qui doit d\u00e9finir les indicateurs avec la direction.<\/p>\n
Pour se pr\u00e9parer, l\u2019apprenant peut construire trois projets : une analyse SQL document\u00e9e, un tableau de bord et une \u00e9tude compl\u00e8te r\u00e9pondant \u00e0 une question m\u00e9tier. Chaque projet doit pr\u00e9senter donn\u00e9es, m\u00e9thode, r\u00e9sultats, limites et recommandations. Ces \u00e9l\u00e9ments constituent des preuves concr\u00e8tes de comp\u00e9tence.<\/p>\n
Une offre de data scientist peut demander statistiques, programmation, machine learning, exp\u00e9rimentation et communication. Il faut v\u00e9rifier si le poste est r\u00e9ellement orient\u00e9 recherche, d\u00e9veloppement de mod\u00e8les, analyse ou mise en production. Certaines annonces regroupent des responsabilit\u00e9s qui rel\u00e8vent plut\u00f4t de plusieurs m\u00e9tiers.<\/p>\n
L\u2019apprenant doit examiner les donn\u00e9es disponibles, les types de probl\u00e8mes, les m\u00e9triques et l\u2019environnement de d\u00e9ploiement. Un portfolio pertinent peut pr\u00e9senter une classification, une r\u00e9gression, une pr\u00e9vision ou une d\u00e9tection d\u2019anomalies, mais le projet doit surtout d\u00e9montrer le raisonnement : choix de la m\u00e9thode, comparaison, validation, interpr\u00e9tation et limites.<\/p>\n
Une offre de data engineer peut mentionner bases de donn\u00e9es, pipelines, orchestration, cloud, traitement distribu\u00e9, qualit\u00e9 et s\u00e9curit\u00e9. Le candidat doit comprendre les architectures et \u00eatre capable d\u2019expliquer comment une donn\u00e9e passe de la source \u00e0 l\u2019utilisateur ou au mod\u00e8le.<\/p>\n
Un portfolio peut contenir un pipeline complet sur des donn\u00e9es publiques : extraction, transformation, chargement, tests, documentation et surveillance simple. L\u2019objectif est de montrer la fiabilit\u00e9 et non seulement la capacit\u00e9 \u00e0 \u00e9crire du code. Un projet reproductible avec une documentation claire constitue une preuve particuli\u00e8rement utile.<\/p>\n
Une matrice peut comporter les colonnes comp\u00e9tence, niveau actuel, niveau cible, preuve et prochaine action. Pour le data analyst, les comp\u00e9tences peuvent inclure SQL, statistiques descriptives, visualisation, communication et compr\u00e9hension m\u00e9tier. Pour le data scientist, on ajoute mod\u00e9lisation, validation, programmation et exp\u00e9rimentation. Pour le data engineer, on ajoute architecture, pipelines, bases de donn\u00e9es, orchestration et fiabilit\u00e9.<\/p>\n
La matrice doit \u00eatre r\u00e9guli\u00e8rement actualis\u00e9e. Une comp\u00e9tence n\u2019est pas acquise parce qu\u2019un cours a \u00e9t\u00e9 suivi. Elle est acquise lorsqu\u2019une personne peut produire un r\u00e9sultat fiable dans une situation donn\u00e9e. Les projets pratiques sont donc indispensables.<\/p>\n
Imaginez une entreprise qui poss\u00e8de des donn\u00e9es de ventes mais aucun syst\u00e8me analytique fiable. Elle souhaite d\u2019abord comprendre ses performances puis pr\u00e9voir la demande. Identifiez les responsabilit\u00e9s n\u00e9cessaires. Expliquez pourquoi un data engineer est n\u00e9cessaire avant ou en parall\u00e8le de certaines analyses. D\u00e9crivez ensuite le travail du data analyst puis celui du data scientist. Pour chaque profil, indiquez trois livrables et deux risques.<\/p>\n
Un mod\u00e8le pr\u00e9dit les ventes avec une excellente performance sur les donn\u00e9es d\u2019entra\u00eenement mais une performance faible sur les nouvelles donn\u00e9es. Proposez au moins cinq hypoth\u00e8ses : surapprentissage, fuite d\u2019information, changement de distribution, donn\u00e9es insuffisantes, mauvais d\u00e9coupage temporel ou variables instables. Pour chaque hypoth\u00e8se, proposez une v\u00e9rification. Cet exercice doit conduire l\u2019apprenant \u00e0 raisonner par diagnostic plut\u00f4t qu\u2019\u00e0 changer imm\u00e9diatement d\u2019algorithme.<\/p>\n
Un tableau de bord affiche parfois des chiffres diff\u00e9rents selon l\u2019heure de consultation. L\u2019\u00e9quipe soup\u00e7onne un probl\u00e8me de pipeline. Proposez une m\u00e9thode d\u2019investigation : v\u00e9rifier la fra\u00eecheur des donn\u00e9es, les doublons, les horaires d\u2019ex\u00e9cution, les d\u00e9pendances, les transformations et le cache. D\u00e9finissez ensuite trois indicateurs de surveillance. L\u2019objectif est de montrer que la qualit\u00e9 d\u2019une analyse d\u00e9pend aussi de l\u2019infrastructure qui l\u2019alimente.<\/p>\n
Une entreprise de commerce \u00e9lectronique souhaite r\u00e9duire les ruptures de stock. Le data engineer doit int\u00e9grer ventes, stocks, fournisseurs et d\u00e9lais. Le data analyst \u00e9tudie les tendances, les produits saisonniers et les ruptures historiques. Le data scientist teste des m\u00e9thodes de pr\u00e9vision. Le responsable logistique valide les hypoth\u00e8ses et d\u00e9cide des actions. Le product manager coordonne le projet.<\/p>\n
Le projet est \u00e9valu\u00e9 selon plusieurs crit\u00e8res : pr\u00e9cision des pr\u00e9visions, r\u00e9duction des ruptures, co\u00fbt d\u2019immobilisation, stabilit\u00e9 du pipeline et adoption par les \u00e9quipes. Une approche strictement technique pourrait optimiser une m\u00e9trique sans am\u00e9liorer le r\u00e9sultat commercial. L\u2019\u00e9tude montre pourquoi les trois m\u00e9tiers doivent rester reli\u00e9s \u00e0 la d\u00e9cision m\u00e9tier.<\/p>\n
Une organisation agricole veut utiliser des donn\u00e9es m\u00e9t\u00e9orologiques, historiques de production et informations agronomiques pour estimer les rendements. Le data engineer structure les sources. Le data analyst \u00e9tudie les relations historiques. Le data scientist construit plusieurs mod\u00e8les. Les agronomes interpr\u00e8tent les variables et contr\u00f4lent la plausibilit\u00e9 des r\u00e9sultats.<\/p>\n
Une difficult\u00e9 importante est la repr\u00e9sentativit\u00e9. Un mod\u00e8le entra\u00een\u00e9 sur certaines r\u00e9gions peut fonctionner moins bien ailleurs. Le projet doit donc mesurer les performances selon les contextes et documenter les limites. Cette \u00e9tude illustre l\u2019importance de l\u2019expertise sectorielle dans les m\u00e9tiers de la donn\u00e9e.<\/p>\n
Une plateforme de formation veut comprendre les facteurs associ\u00e9s \u00e0 l\u2019abandon. Le data analyst commence par d\u00e9crire les parcours. Le data engineer v\u00e9rifie que les \u00e9v\u00e9nements p\u00e9dagogiques sont correctement enregistr\u00e9s. Le data scientist peut construire un mod\u00e8le de risque. Mais le r\u00e9sultat ne doit pas devenir une \u00e9tiquette d\u00e9finitive sur un apprenant. Il doit servir \u00e0 identifier des situations o\u00f9 un accompagnement pourrait \u00eatre utile.<\/p>\n
Les responsables p\u00e9dagogiques doivent pouvoir interpr\u00e9ter les indicateurs et contester une conclusion lorsque le contexte l\u2019exige. Le projet devient ainsi un exemple d\u2019IA augmentant l\u2019action humaine plut\u00f4t que la rempla\u00e7ant.<\/p>\n
Une documentation professionnelle devrait contenir le contexte, la question, les sources, les transformations, les hypoth\u00e8ses, les m\u00e9thodes, les r\u00e9sultats, les limites et les d\u00e9cisions. Pour un mod\u00e8le, ajoutez les donn\u00e9es d\u2019entra\u00eenement et d\u2019\u00e9valuation, les m\u00e9triques, les versions et les conditions de d\u00e9ploiement. Pour un pipeline, ajoutez les d\u00e9pendances, la fr\u00e9quence, les r\u00e8gles de reprise et les contr\u00f4les de qualit\u00e9.<\/p>\n
La documentation doit \u00eatre compr\u00e9hensible par plusieurs publics. Une fiche technique d\u00e9taill\u00e9e peut \u00eatre accompagn\u00e9e d\u2019un r\u00e9sum\u00e9 ex\u00e9cutif. Cette capacit\u00e9 \u00e0 adapter le niveau de d\u00e9tail est importante pour \u00e9voluer vers des fonctions de responsabilit\u00e9.<\/p>\n
Un portfolio de data analyst peut commencer par une analyse d\u2019un jeu de donn\u00e9es public. Le candidat doit pr\u00e9senter une question m\u00e9tier, une pr\u00e9paration des donn\u00e9es, des analyses, des visualisations et des recommandations. Un second projet peut montrer un tableau de bord. Un troisi\u00e8me peut pr\u00e9senter une analyse plus approfondie avec une comparaison de segments ou de p\u00e9riodes.<\/p>\n
Chaque projet doit pr\u00e9ciser les limites. Le candidat doit \u00eatre capable d\u2019expliquer pourquoi certains indicateurs ont \u00e9t\u00e9 choisis et ce qu\u2019ils ne permettent pas de conclure. Cette transparence renforce la cr\u00e9dibilit\u00e9 professionnelle.<\/p>\n
Le portfolio du data scientist doit montrer une d\u00e9marche exp\u00e9rimentale. Un projet peut comparer plusieurs mod\u00e8les sur un probl\u00e8me de classification. Le candidat doit expliquer les donn\u00e9es, le pr\u00e9traitement, la s\u00e9paration des jeux, les m\u00e9triques, les r\u00e9sultats et les limites. Un autre projet peut traiter une pr\u00e9vision temporelle ou une d\u00e9tection d\u2019anomalies.<\/p>\n
La priorit\u00e9 doit \u00eatre donn\u00e9e au raisonnement. Un notebook rempli de code mais sans explication ne d\u00e9montre pas suffisamment la comp\u00e9tence. Le lecteur doit comprendre la question, les choix effectu\u00e9s et les cons\u00e9quences professionnelles du r\u00e9sultat.<\/p>\n
Le portfolio du data engineer peut pr\u00e9senter un pipeline reproductible. Il doit montrer la source, l\u2019extraction, la transformation, le stockage, les tests et la documentation. Le candidat peut \u00e9galement pr\u00e9senter un sch\u00e9ma d\u2019architecture et expliquer les choix de technologie. La gestion des erreurs et la surveillance sont des \u00e9l\u00e9ments particuli\u00e8rement valorisants.<\/p>\n
Un projet simple mais fiable est pr\u00e9f\u00e9rable \u00e0 une architecture extr\u00eamement complexe dont le fonctionnement n\u2019est pas ma\u00eetris\u00e9. Le portfolio doit montrer la capacit\u00e9 \u00e0 construire une solution adapt\u00e9e au besoin et aux ressources.<\/p>\n
Choisissez un domaine : agriculture, commerce, \u00e9ducation, sant\u00e9, tourisme, administration, finance ou ONG. D\u00e9finissez une question pouvant \u00eatre trait\u00e9e par les donn\u00e9es. Identifiez au moins trois sources possibles. Proposez le r\u00f4le du data engineer, du data analyst et du data scientist. D\u00e9finissez cinq indicateurs, trois risques et cinq \u00e9tapes de projet. Produisez ensuite une fiche de deux \u00e0 trois pages pr\u00e9sentant votre solution.<\/p>\n
Pour pr\u00e9parer l\u2019\u00e9valuation, l\u2019apprenant doit \u00eatre capable de distinguer les responsabilit\u00e9s des trois m\u00e9tiers, expliquer le r\u00f4le de SQL, d\u00e9finir un pipeline, expliquer entra\u00eenement et test, identifier un probl\u00e8me de surapprentissage, choisir une m\u00e9trique appropri\u00e9e et reconna\u00eetre l\u2019importance de la qualit\u00e9 des donn\u00e9es. Il doit \u00e9galement savoir appliquer ces notions \u00e0 un cas professionnel.<\/p>\n
La m\u00e9morisation de d\u00e9finitions ne suffit pas. Chaque notion doit \u00eatre reli\u00e9e \u00e0 un exemple. Si une question demande quel profil construire un pipeline, il faut pouvoir expliquer pourquoi et dans quelles circonstances le data scientist ou l\u2019analyste peut n\u00e9anmoins intervenir.<\/p>\n
Les trois m\u00e9tiers n\u00e9cessitent communication, curiosit\u00e9, rigueur, capacit\u00e9 d\u2019apprentissage et travail en \u00e9quipe. Le data analyst doit souvent expliquer simplement des r\u00e9sultats complexes. Le data scientist doit d\u00e9fendre une m\u00e9thode tout en reconnaissant ses limites. Le data engineer doit communiquer les contraintes d\u2019architecture et les incidents. La collaboration exige \u00e9coute et capacit\u00e9 \u00e0 n\u00e9gocier les priorit\u00e9s.<\/p>\n
La rigueur documentaire est \u00e9galement une comp\u00e9tence humaine : elle montre que le professionnel pense au collectif et \u00e0 la continuit\u00e9 de l\u2019activit\u00e9. Dans une organisation, une solution qui d\u00e9pend enti\u00e8rement de la m\u00e9moire d\u2019une personne repr\u00e9sente un risque op\u00e9rationnel.<\/p>\n
L\u2019IA g\u00e9n\u00e9rative transforme aussi les m\u00e9tiers data. Les assistants peuvent acc\u00e9l\u00e9rer l\u2019\u00e9criture de requ\u00eates, la documentation, l\u2019exploration, la g\u00e9n\u00e9ration de code ou l\u2019explication de r\u00e9sultats. Cependant, le professionnel reste responsable de la v\u00e9rification. Une requ\u00eate g\u00e9n\u00e9r\u00e9e automatiquement peut \u00eatre syntaxiquement correcte mais logiquement erron\u00e9e. Un code produit par une IA peut contenir une faille. Une interpr\u00e9tation peut \u00eatre trop confiante.<\/p>\n
La comp\u00e9tence \u00e9mergente consiste donc \u00e0 utiliser l\u2019IA comme assistant tout en conservant une capacit\u00e9 ind\u00e9pendante de contr\u00f4le. Les meilleurs professionnels d\u00e9velopperont une combinaison de ma\u00eetrise technique, jugement critique et capacit\u00e9 \u00e0 orchestrer des outils.<\/p>\n
Une personne peut entrer par l\u2019analyse de donn\u00e9es puis \u00e9voluer vers la data science, le produit ou la gouvernance. Une personne disposant d\u2019une formation informatique peut commencer par l\u2019ing\u00e9nierie des donn\u00e9es puis \u00e9voluer vers le machine learning engineering ou MLOps. Un professionnel m\u00e9tier peut d\u00e9velopper une sp\u00e9cialisation analytique sans devenir ing\u00e9nieur \u00e0 temps plein.<\/p>\n
La trajectoire d\u00e9pend des aptitudes et du contexte. Il n\u2019est pas n\u00e9cessaire que tout le monde devienne data scientist. Une organisation a besoin de plusieurs profils compl\u00e9mentaires. Une sp\u00e9cialisation claire et bien d\u00e9montr\u00e9e peut \u00eatre plus utile qu\u2019une ambition vague de devenir \u00ab expert IA \u00bb.<\/p>\n
Un d\u00e9butant peut consacrer les trois premiers mois aux fondamentaux : tableur, statistiques descriptives, SQL et culture data. Les mois quatre \u00e0 six peuvent \u00eatre consacr\u00e9s \u00e0 un portfolio analytique. Les mois sept \u00e0 neuf peuvent introduire Python et le machine learning selon l\u2019objectif. Les mois dix \u00e0 douze peuvent approfondir une sp\u00e9cialit\u00e9 et construire un projet complet. Chaque p\u00e9riode doit comporter une production v\u00e9rifiable.<\/p>\n
Pour un profil data engineer, la progression peut mettre davantage l\u2019accent sur bases de donn\u00e9es, programmation, pipelines, contr\u00f4le de version, cloud et orchestration. Pour un analyste, la visualisation, la communication et la compr\u00e9hension m\u00e9tier peuvent \u00eatre prioritaires. Le plan doit donc \u00eatre personnalis\u00e9.<\/p>\n
Pour compl\u00e9ter la le\u00e7on, l\u2019apprenant peut consulter des conf\u00e9rences universitaires et professionnelles sur la science des donn\u00e9es, les statistiques, le machine learning et l\u2019ing\u00e9nierie des donn\u00e9es. Les ressources de cours universitaires ouverts, conf\u00e9rences de laboratoires de recherche et pr\u00e9sentations professionnelles sont particuli\u00e8rement utiles. Pour chaque vid\u00e9o, il est recommand\u00e9 de relever l\u2019auteur, la date, trois id\u00e9es principales, une notion technique nouvelle et une application possible dans son contexte professionnel.<\/p>\n
Pour approfondir, consulter notamment Foster Provost et Tom Fawcett, Data Science for Business<\/em>, pour le raisonnement orient\u00e9 d\u00e9cision ; Wes McKinney, Python for Data Analysis<\/em>, pour l\u2019analyse avec Python ; Jake VanderPlas, Python Data Science Handbook<\/em>, pour les outils de science des donn\u00e9es ; Aur\u00e9lien G\u00e9ron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow<\/em>, pour l\u2019apprentissage automatique ; Martin Kleppmann, Designing Data-Intensive Applications<\/em>, pour les syst\u00e8mes de donn\u00e9es ; et les publications professionnelles du NIST, de l\u2019OCDE et de l\u2019UNESCO sur la gestion des risques et la gouvernance de l\u2019IA. L\u2019apprenant doit v\u00e9rifier les \u00e9ditions disponibles et compl\u00e9ter ces r\u00e9f\u00e9rences avec des ressources actualis\u00e9es.<\/p>\n Data Analyst, Data Scientist et Data Engineer sont trois m\u00e9tiers compl\u00e9mentaires qui participent \u00e0 une m\u00eame cha\u00eene de valeur. L\u2019analyste transforme les donn\u00e9es en compr\u00e9hension et en indicateurs. Le scientifique des donn\u00e9es exp\u00e9rimente et construit des mod\u00e8les lorsque la situation le justifie. L\u2019ing\u00e9nieur des donn\u00e9es construit les fondations permettant aux informations de circuler de mani\u00e8re fiable. Dans les organisations modernes, ces r\u00f4les travaillent avec des responsables m\u00e9tier, product managers, ing\u00e9nieurs logiciels, sp\u00e9cialistes s\u00e9curit\u00e9 et fonctions de gouvernance.<\/p>\n La comp\u00e9tence durable n\u2019est pas la ma\u00eetrise d\u2019un outil particulier. C\u2019est la capacit\u00e9 \u00e0 comprendre un probl\u00e8me, s\u00e9lectionner une m\u00e9thode adapt\u00e9e, v\u00e9rifier la qualit\u00e9 des donn\u00e9es, produire un r\u00e9sultat reproductible, expliquer les limites et mesurer la valeur cr\u00e9\u00e9e. Cette logique pr\u00e9pare directement le module suivant, consacr\u00e9 \u00e0 l\u2019ing\u00e9nierie IA, au machine learning engineering et au MLOps.<\/p>\n48. Synth\u00e8se finale et transition<\/h2>\n