Pour devenir data scientist en France, vise un bac+5 : un master en science des données, en statistique ou en informatique, ou un diplôme d'ingénieur dans ces domaines. Un exemple de parcours : une licence MIASHS (mathématiques et informatique appliquées aux sciences humaines et sociales), puis le master Science des données, dont la fiche nationale cite data scientist parmi les emplois visés. Sur ce chemin, tes bases en statistiques et en programmation font la différence.
Le métier en pratique
Un data scientist part d'une question posée par une entreprise ou un laboratoire et y répond avec des données. Son outil central est le modèle qui prédit : quels paiements risquent d'être frauduleux, combien d'électricité une ville consommera demain.
Définition : l'apprentissage automatique (machine learning) consiste à faire trouver une règle à un programme à partir d'exemples, au lieu de l'écrire soi-même. On dit qu'on « entraîne » le modèle.
Exemple : une banque veut repérer les paiements frauduleux. Tu récupères l'historique des transactions et tu en retires les doublons et les montants manquants. Tu entraînes un modèle sur les fraudes passées, tu le testes sur des transactions qu'il n'a jamais vues, puis tu expliques au service antifraude ce qu'il repère et ce qu'il rate.
Le data analyst, ou analyste de données, décrit plutôt ce qui s'est passé, avec des tableaux de bord. Les fiches officielles suivent cette frontière : celle du BUT Science des données vise des postes d'analyste, celle du master Science des données cite data scientist et la modélisation de problèmes de prédiction.
Les compétences à construire
| Domaine | Ce que tu dois savoir faire |
|---|---|
| Statistiques et probabilités | Résumer des données (moyenne, médiane, écart-type), tester une hypothèse, ajuster une droite de régression. |
| Algèbre linéaire et optimisation | Calculer avec des matrices ; comprendre qu'entraîner un modèle, c'est chercher les paramètres qui rendent son erreur la plus petite possible. |
| Programmation | Écrire du Python lisible, avec les bibliothèques pandas (tableaux de données) et scikit-learn (apprentissage automatique). |
| Bases de données | Extraire et regrouper des données avec SQL, le langage des bases relationnelles, faites de tables reliées entre elles. |
| Communication | Expliquer un résultat et ses limites à quelqu'un qui n'est pas du métier. |
Les maths ne sont pas un passage à subir avant le code : ce sont elles qui te disent si un modèle marche. Un modèle peut apprendre ses exemples par cœur, réussir sur eux et échouer sur des données neuves. C'est le surapprentissage. Pour le repérer, on garde une partie des données de côté, et on juge le modèle sur elle seulement.
Piège classique : juger un modèle sur son exactitude (accuracy), la part de ses prédictions justes. Quand le cas cherché est rare, un modèle qui répond toujours « non » atteint une exactitude très élevée sans rien détecter. Regarde aussi son rappel (recall), la part des cas cherchés qu'il trouve. L'exercice 3 met des chiffres dessus.
La dernière ligne du tableau n'est pas un bonus. La fiche du BUT Science des données consacre un bloc de compétences entier à l'expression orale et écrite, langue étrangère comprise. Ton modèle ne sert que si ceux qui l'ont demandé comprennent ce qu'il fait et où il se trompe.
Les parcours après le bac
À l'université, la licence de mathématiques, d'informatique ou de MIASHS te donne trois ans de bases solides. En IUT, le BUT Science des données est plus tourné vers la pratique. Après une classe préparatoire scientifique, les concours ouvrent les écoles d'ingénieurs, dont certaines ont une spécialité en données ou en statistique.
Chaque diplôme national a une fiche publique au répertoire national des certifications professionnelles (RNCP), tenu par France compétences : elle donne son niveau et les emplois auxquels il prépare.
| Diplôme | Niveau | Emplois cités par sa fiche |
|---|---|---|
| Licence MIASHS | 6 (bac+3) | Data analyst, chargé d'études en traitement de données ; data scientist après 3 à 5 ans d'expérience |
| BUT Science des données | 6 (bac+3) | Data analyst, analyste décisionnel, data manager |
| Master Science des données | 7 (bac+5) | Data scientist, data engineer, chef de projet data |
Le tableau se lit d'un coup d'œil : à bac+3, tu peux être embauché comme analyste ; le titre de data scientist vient avec le master, ou après plusieurs années d'expérience. La fiche de la licence MIASHS précise d'ailleurs qu'elle prépare à la poursuite d'études en master.
Piège classique : croire qu'un diplôme qui porte le mot « données » mène tout droit au poste de data scientist. Le BUT Science des données forme d'abord des analystes. Si c'est data scientist que tu vises, prépare la suite en master dès ta deuxième année, en choisissant les options les plus mathématiques.
Le master et l'alternance
Après ton bac+3, tu candidates en master sur la plateforme nationale Mon Master (monmaster.gouv.fr). Le nom de la formation varie : master Science des données, ou master de statistique, de mathématiques appliquées ou d'informatique avec un parcours orienté données. Lis le contenu des cours plutôt que l'intitulé, et regarde les prérequis affichés : s'il te manque un cours de probabilités ou de programmation, rattrape-le avant de candidater.
La fiche nationale du master Science des données prévoit l'apprentissage parmi ses voies d'accès. En alternance, tu partages ton temps entre l'université et une entreprise qui te salarie, et tu sors du master avec une vraie expérience de terrain. Toutes les universités ne l'ouvrent pas : vérifie formation par formation.
Conseil : dès la licence, mène un petit projet sur un jeu de données de data.gouv.fr, la plateforme des données publiques françaises. Pose une question, nettoie les données, réponds-y, puis rédige une page de conclusion. C'est le métier en miniature, et tu pourras le montrer en entretien de stage.
Exercices corrigés
Trois exercices sur les bases du métier, du plus direct au plus proche d'un contrôle. Les données sont fictives. Cherche chacun sur ta feuille avant d'ouvrir la correction.
Exercice 1 : Un restaurant relève la durée de ses sept dernières livraisons, en minutes : 12, 14, 15, 15, 16, 18 et 95 (un livreur s'est perdu). Calcule la moyenne et la médiane. Laquelle annoncer aux clients comme délai habituel ?
Correction :
Moyenne : $\dfrac{12 + 14 + 15 + 15 + 16 + 18 + 95}{7} = \dfrac{185}{7} \approx 26{,}4$ min.
Médiane : les sept valeurs sont rangées dans l'ordre, c'est la quatrième, soit 15 min.
On annonce la médiane. Une seule livraison ratée tire la moyenne vers le haut, alors qu'aucune des six autres ne dépasse 18 min. Sans elle, la moyenne retomberait à $\dfrac{90}{6} = 15$ min. La médiane résiste aux valeurs extrêmes.
Exercice 2 : La table ventes a deux colonnes, ville et montant (en euros), et six lignes : (Lille, 40), (Lille, 80), (Lyon, 30), (Lyon, 90), (Lyon, 60), (Nantes, 20). AVG calcule une moyenne, GROUP BY forme un groupe par ville. Donne le résultat de chaque requête.
SELECT ville, AVG(montant) FROM ventes GROUP BY ville;
SELECT ville, AVG(montant) FROM ventes WHERE montant > 50 GROUP BY ville;Correction :
Première requête, une ligne par ville. Lille : $\dfrac{40 + 80}{2} = 60$ €. Lyon : $\dfrac{30 + 90 + 60}{3} = 60$ €. Nantes : 20 €.
Seconde requête : WHERE filtre les lignes avant le regroupement. Il reste (Lille, 80), (Lyon, 90) et (Lyon, 60). Lille : 80 €. Lyon : $\dfrac{90 + 60}{2} = 75$ €. Nantes n'a plus de ligne et disparaît du résultat.
Le piège : croire que WHERE filtre les moyennes. Pour garder les villes dont la moyenne dépasse 50 €, on écrit HAVING AVG(montant) > 50 après le GROUP BY.
Exercice 3 : Sur 10 000 paiements, 50 sont des fraudes. Le modèle A déclare tous les paiements normaux. Le modèle B lève 200 alertes, dont 40 portent sur de vraies fraudes. L'exactitude est la part des prédictions justes, le rappel la part des fraudes signalées, la précision la part des alertes qui sont de vraies fraudes. Calcule l'exactitude et le rappel de chaque modèle, puis la précision de B. Lequel garder ?
Correction :
Modèle A : il a raison sur les 9 950 paiements normaux et rate les 50 fraudes. Exactitude : $\dfrac{9\,950}{10\,000} = 99{,}5\,\%$. Rappel : $\dfrac{0}{50} = 0\,\%$.
Modèle B : il signale 40 fraudes, en rate 10 et lève $200 - 40 = 160$ fausses alertes. Il a donc raison sur $9\,950 - 160 = 9\,790$ paiements normaux et sur 40 fraudes. Exactitude : $\dfrac{9\,790 + 40}{10\,000} = 98{,}3\,\%$. Rappel : $\dfrac{40}{50} = 80\,\%$. Précision : $\dfrac{40}{200} = 20\,\%$.
On garde B. A a la meilleure exactitude mais ne détecte aucune fraude. B en trouve 4 sur 5, au prix de 4 fausses alertes sur 5, qu'une personne devra vérifier. Faire monter cette précision sans perdre de rappel, c'est le travail du data scientist.
À retenir
À retenir :
- Le poste de data scientist se vise à bac+5 : master Science des données, master de statistique, de mathématiques appliquées ou d'informatique orienté données, ou école d'ingénieurs.
- Licence et BUT Science des données sont des bac+3 : seuls, ils ouvrent d'abord des postes d'analyste.
- Tes bases : statistiques, algèbre linéaire, Python, SQL, et savoir expliquer un résultat.
- Un modèle se juge sur des données qu'il n'a jamais vues, et pas sur sa seule exactitude.
- Candidature en master sur Mon Master ; l'alternance existe en master, à vérifier formation par formation.
Sources
- France compétences, fiche RNCP40806, Licence Mathématiques et informatique appliquées aux sciences humaines et sociales : fiche sur francecompetences.fr.
- France compétences, fiche RNCP41616, BUT Science des données, parcours Exploration et modélisation statistique : fiche sur francecompetences.fr.
- France compétences, fiche RNCP38739, Master Science des données : fiche sur francecompetences.fr.