[💡 Annonce rapide avant de commencer​]

Comme vous le savez peut-être déjà, Benjamin Ejzenberg et moi créons une formation pour vous aider à renforcer votre niveau en statistique. Je tiens à vous remercier pour votre participation massive à l'enquête que nous avons réalisée en décembre pour recueillir vos besoins.

Suite à cette enquête, nous avons affiné le programme de la formation. Nous allons vous présenter cette formation le 7/02/2024 à 18h lors d'une conférence en ligne.

Pour participer à la conférence en ligne et en savoir plus sur la formation, inscrivez-vous en cliquant ici : https://streamyard.com/watch/b7JTbKtGPeXi.

À très vite durant le direct.

---

Maintenant place à la newsletter du jour.

Au sommaire :

1. Maitriser les fondamentaux
2. Améliorer sa capacité en programmation
3. Comprendre les tendances: cloud et IA générative
4. Renforcer sa présence en ligne
5. Développer des compétences métiers et transverses

---

1. Maitriser les fondamentaux

Le problème numéro 1 de 90 % des débutant(e)s c'est de vouloir très vite réaliser des travaux sophistiqués, alors que dans la vraie vie, la maîtrise des fondamentaux permet de répondre à plus de 80 % des besoins de l'entreprise.

Si vous êtes data scientist ou data analyst, la discipline numéro une que vous devez maîtriser, ce sont les statistiques.

Pourquoi ?

Parce que tout travail commence par la compréhension et la description des données.

​

Lorsqu'on crée des tableaux de bord, on utilise des statistiques ;

lorsqu'on veut construire un modèle de machine learning, on commence toujours par faire des statistiques.

Tout commence par les statistiques.

​

2. Améliorer sa capacité en programmation

Tout professionnel.le de la data doit savoir programmer.

Aujourd'hui, les langages de programmation utilisés dans la pratique sont : Python, R, SQL.

Je vous recommande d'apprendre les trois pour être flexible.

Python, c'est le langage généraliste ;

R pour faire des statistiques et des visualisations ; et SQL pour communiquer avec des bases de données.

​

Programmer en soi ne signifie pas retenir des fonctions ; programmer, c'est avoir une logique et être capable de s'adapter à n'importe quel langage de programmation.

Le débat R contre Python n'est pas une question à se poser.

Pour moi, la vraie question est : est-ce que je comprends les mécanismes que je développe ? Est-ce que je suis capable de recoder l'outil R/Python que j'utilise ?

Parce qu'en réalité, la régression linéaire n'a pas attendu R et Python pour exister, et on peut faire une régression linéaire sans R et Python.

Donc, cette année, je me focaliserai davantage sur le fait d'avoir une bonne logique algorithmique et de rester flexible pour monter en compétence sur n'importe quel langage de programmation.

3. Comprendre les tendances: cloud et les ia génératives

S'il y a une chose sur laquelle je vais personnellement progresser cette année, c'est bien le cloud et le déploiement des modèles de machine learning.

On a de plus en plus de données et comprendre les principes du cloud computing est indispensable aujourd'hui pour tout.e.s les professionnel.le.s du monde de la data. Je ferai certainement des vidéos sur le sujet cette année.

De mon côté, je vais également continuer à renforcer mes compétences en IA génératives car ce sont les tendances actuelles.

Je suis de celles et ceux qui pensent qu'au lieu de critiquer une technologie, il faut commencer par se faire une idée, comprendre ses limites et participer à son amélioration.

Les IA génératives ne vont évidemment pas réaliser tous vos travaux, mais on l'a vu avec ChatGPT : ça révolutionne notre quotidien.

Donc, un conseil pour cette année : il faut jeter un œil de ce côté pour comprendre les mécanismes (bien évidemment, après avoir compris les fondamentaux).

​

4. Renforcer sa présence en ligne

Beaucoup ne partagent pas sur les réseaux par peur, peur du jugement, peur du regard des autres.

Personnellement, il y a deux ans, quand je me suis lancée, j'avais exactement la même peur. Et la chose la plus importante que j'ai apprise est que la peur disparaît uniquement lorsqu'on passe à l'action.

Le réflexe des recruteurs, lorsque vous postulez à une offre, c'est de regarder votre profil sur LinkedIn. Avoir un réseau proactif et travailler à son développement fait clairement la différence.

Le meilleur moment pour travailler sa présence en ligne, c'est lorsqu'on ne recherche pas de travail. Cela permet de construire et de maintenir un réseau solide, d'interagir avec des professionnels du secteur, et de partager vos connaissances et expériences.

En ayant une présence en ligne active, vous montrez non seulement votre expertise et vos compétences, mais également votre engagement dans votre domaine professionnel.

Cela peut être à travers des articles, des analyses de cas, des retours d'expérience sur des projets, ou même des discussions sur des sujets d'actualité dans votre domaine.

Cela augmente votre visibilité et peut attirer l'attention de recruteurs ou de collaborateurs potentiels.

Votre premiere publication sur Linkedin ne doit pas être "Je recherche un emploi". Faites des publications avant!

​

5. Développer des compétences métiers et transverses

Je suis convaincue que pour se démarquer en tant que data analyst ou data scientist, il est essentiel d'acquérir non seulement les compétences techniques, mais aussi des compétences métiers et transverses.

​

Comprendre le métier implique de comprendre les processus d'affaires, les objectifs stratégiques, les défis de votre industrie, ainsi que la réglementation.

Aujourd'hui, on dit souvent que le marché de la data science est saturé. En réalité, la majorité des data scientists restent très techniques, pourtant maîtriser un métier spécifique permet de faire la différence.

​

Par exemple, dans le monde de la finance aujourd'hui, il y a beaucoup de demande pour des profils qui ont de bonnes compétences analytiques et qui comprennent le monde bancaire.

​

Je peux vous garantir que ces profils sont rares en France et dans le monde entier. Donc, maîtriser un métier vous rend unique et permet d'être efficace au quotidien.

Au-delà des compétences métiers, en tant que data scientist ou data analyst, nous travaillons en équipe.

​

Personnellement, je m'intéresse énormément à des sujets comme la communication, la gestion du temps, la gestion de projet car en tant que data scientist/data analyst, nous travaillons en équipe.

​

Il faut également développer son leadership, sa communication, sa pensée critique, son adaptabilité pour conduire des projets de façon efficace.

​

Vous pensez à autres chose pour booster sa carrière dans la data en 2024?

​

Pour passer de 0 à data analyst cette année, voici une roadmap que j'ai préparé.

​

​

​

Pour passer de 0 à data scientist, voici la roadmap que je propose.

​

​

---

Bon dimanche à vous et à très bientôt pour une autre édition,

​

​

Natacha