Data Scientist

Tu transformes des données brutes en réponses à des questions métier. En tant que data scientist, tu reçois une montagne de chiffres – ventes clients, résultats d'essais cliniques, logs serveur – et tu dois en tirer du sens. C'est ton rôle de structurer ces données, de repérer les patterns cachés, puis de construire des algorithmes qui prennent des décisions ou automatisent des tâches.

Le métier s'ancre à la croisée des maths, de la programmation et de la compréhension des enjeux business. Tu ne codes pas juste pour coder : tu résous des problèmes concrets. En biotechnologies et pharma, cela peut signifier prédire l'efficacité d'une molécule, accélérer la découverte de nouveaux traitements, ou optimiser la fabrication. En finance, tu détectes la fraude ; en logistique, tu prévis la demande.

Le data scientist n'est pas seul : tu travailles avec les équipes métier qui te posent les questions, avec les ingénieurs qui intègrent tes modèles en production, avec les data engineers qui te préparent les données. Tu dois expliquer tes résultats à des profils non techniques – c'est un réel défi.

Selon France Travail, le salaire net débutant tourne autour de 4 170 € par an, tandis que la médiane atteint 5 053 €. Le marché recrute : le BMO recense 11 372 projets de recrutement par an en France. Ces chiffres reflètent une demande croissante, même si le profil demande de vraies fondations (au moins 3 ans d'expérience pour accéder aux meilleurs postes).

Un mardi de data scientist ressemble rarement à un autre. Tu commences à 9h par une réunion avec le responsable métier d'un projet pharmacocinétique : il te décrit un problème (« comment prédire la tolérance d'une molécule ? »), tu discutes des données disponibles et tu sors de la réunion avec un cahier des charges flou mais excitant.

Jusqu'à midi, tu ouvres Jupyter Notebook ou VS Code, tu charges les données depuis la base PostgreSQL du labo et tu commences l'exploration exploratoire : visualisations avec Matplotlib, statistiques descriptives, nettoyage des valeurs aberrantes. Les données ne sont jamais parfaites : tu documente tes choix.

Après le déjeuner, tu codes le cœur du modèle. Scikit-learn, TensorFlow ou XGBoost selon la tâche. Tu splites ton dataset train/test, tu entraînes plusieurs architectures, tu compares les performances avec des métriques (AUC, RMSE, F1).

Vers 16h, tu documentes tes premiers résultats dans un notebook ou un rapport Jupyter que tu partageras. Tu repères déjà les questions suivantes : « faut-il plus de données ? Y a-t-il un biais dans cette variable ? »

17h30 : tu participes à un stand-up d'équipe où tu expliques l'avancement. Un détail : le métier de data scientist n'est pas 100% technique, loin de là.

Le métier exige un socle technique solide, mais aussi une capacité à traduire des données abstraites en langage business. Tu dois être autonome sur la durée, pas seulement sur un sprint.

Compétences techniques

• Programmation : Python, R, SQL (fondamentaux incontournables)
• Statistiques et probabilités appliquées, tests d'hypothèses
• Machine learning : supervised, unsupervised, évaluation de modèles
• Outils data : Pandas, NumPy, Scikit-learn, TensorFlow, notebooks Jupyter
• Bases de données et requêtes, version control (Git)

Compétences comportementales

• Curiosité : tu aimes creuser jusqu'à comprendre la vraie question
• Communication : expliquer des résultats complexes à des non-techniciens
• Rigueur : documenter chaque étape, tracer tes décisions
• Collaboration : tu n'es pas un loup solitaire, tu échanges avec les équipes métier
• Gestion de l'ambiguïté : les briefs arrivent souvent flous

Après 2-3 ans comme junior data scientist, tu connais l'industrie, tu as une dizaine de projets en portefeuille, et tu mènes des modèles de bout en bout sans supervision constante. Tu peux viser un rôle de data scientist senior avec une spécialisation (NLP, computer vision, time series…) ou une première responsabilité : animer un petit projet, mentorer un junior.

À 5-7 ans, deux chemins s'ouvrent. L'un mène vers lead data scientist ou manager d'équipe : tu supervises 3-4 data scientists, tu pilotes la roadmap data, tu alignes les priorités métier et tech. L'autre vers spécialiste ML engineer : tu creuses un domaine (recommandation, anomaly detection), tu publies, tu deviens référent interne.

À 10-15 ans, tu peux devenir head of data ou chief data officer (CDO) dans une grande structure : tu définis la stratégie data de l'entreprise, tu pilotes la gouvernance, tu rapportes au C-suite. Ou tu deviens consultant indépendant ou founder d'une startup IA, à condition d'avoir bâti ton réseau et ta crédibilité.

Le marché du data scientist change rapidement. Le BMO recense 11 372 projets de recrutement par an, mais la composition des offres évolue : les employeurs recherchent moins des profils très théoriques et plus des data scientists capables de déployer en production, c'est-à-dire proches de l'ingénierie.

Les outils changent. Les frameworks Python restent dominants, mais l'adoption de GPU et d'architectures cloud (AWS SageMaker, Google Vertex AI, Azure ML) devient standard. Les modèles de foundation (LLM type ChatGPT) ouvrent des applications nouvelles : les data scientists doivent comprendre le fine-tuning et le prompt engineering, pas juste la régression logistique.

Un autre shift : la demande croît dans les PME et l'industrie traditionnelle (agro-alimentaire, automobile, énergie), pas seulement dans la tech. Les salaires progressent selon France Travail : 5 053 € en médiane, 5 451 € pour les profils expérimentés, avec des écarts sensibles selon la région et le secteur.

Enfin, la data literacy monte en grade : les équipes métier comprennent mieux ce que peut (et ne peut pas) faire la data, ce qui rend le dialogue plus facile mais aussi plus exigeant en communication.

Les data scientists trouvent du travail dans presque tous les secteurs, mais avec des intensités différentes. Tu peux travailler pour des banques (fraude, crédit scoring), des assurances (tarification, sinistralité), du commerce électronique (recommandation, prix), de l'énergie (consommation, maintenance prédictive), des medtech (efficacité clinique, imagerie). La biotechnologies et la pharma recrute activement pour l'optimisation de molécules et les essais cliniques.

Employeurs réalistes

• Grands groupes : Sanofi, L'Oréal, Total, BNP Paribas, SNCF, Carrefour
• PME/ETI avec déjà une culture data : scale-ups proptech, fintech, medtech
• Cabinets de conseil : McKinsey, BCG, Accenture, Deloitte
• Instituts publics de recherche : Inria, Inserm, CEA
• Freelance/indépendant : croissance ces 5 dernières années

Régions fortes

• Île-de-France (Paris, La Défense) : densité maximum, offres en CDI stables
• Auvergne-Rhône-Alpes (Lyon, Grenoble) : R&D industrielle et académique
• Occitanie (Toulouse, Montpellier) : aeronautique, santé, numérique
• Bretagne : industrie, agro-alimentaire

Environ 70-80% des postes sont en CDI/CDD dans le privé, 10-15% public/recherche, 5-10% indépendant.

Construis un profil solide dès maintenant. Le métier de data scientist s'apprend en partie à l'école, mais surtout sur des projets concrets. Tu dois cumuler des certifications, une spécialisation académique claire et un portefeuille de projets visibles.

Actions concrètes à démarrer maintenant

• Valide les bases en maths et programmation : prépare un diplôme Bac+5 (master data science, école d'ingénieur avec spécialisation IA/data)
• Code chaque semaine : Python sur des katas LeetCode, des projets kaggle, des notebooks personnels publiés sur GitHub
• Fais des stages en data dès la L3/M1 : vise des startups IA, des DSI de grands groupes, des équipes data de PME
• Construis un portfolio GitHub avec au moins 3-4 projets documentés et reproductibles
• Certifie-toi si nécessaire : Google Cloud Certified Data Engineer, AWS ML Specialty (utiles mais pas indispensables)
• Réseau : suis les meetups data locaux, les conférences (PyData, NeurIPS), discute avec des data scientists en activité
• Lis régulièrement : blogs Towards Data Science, papiers ML simples, cas d'usage métier dans ton secteur d'intérêt