Data Scientist CRM : Définition, rôle & compétences dans un dispositif CRM

Au début des années 2000, la Data science était encore lovée dans son berceau. Il s’agit donc d’une discipline relativement récente, rendue indispensable par l’essor considérable des données collectées par les entreprises grâce au digital et aux nouvelles technologies. D’ici 2025, on estime que 463 exabytes de données seront créés chaque jour dans le monde, sachant qu’un 1 exabyte est égal à 1 million de terabytes. C’est un chiffre difficile à imaginer…

Comme le montre le graphique suivant, la requête Google « data scientist » connaît une croissance continue depuis 2014. Avant cette date, le terme était très peu requêté. Cela permet de prendre conscience de la jeunesse de ce métier de la data. Pour l’anecdote, le terme « Data Scientist » a été inventé en 2008 par deux ingénieurs de chez LinkedIn et Facebook.

Source : Google Trends.

Alors, en quoi consiste justement le métier de Data Scientist ? Le Data Scientist est un scientifique des données. C’est une personne douée de fortes capacités en mathématiques et en analyse statistiques qui met ces capacités au service de l’analyse des données via les technologies et la programmation informatique. Il est celui qui cherche à dégager des tendances, des comportements clients, des patterns, des relations, des enseignements divers et variés à partir des données structurées et non structurées de l’entreprise. Il est un explorateur. Son terrain d’exploration ? Les bases de données de type Data Lakes qui stockent le maximum de données dans leur état brut. Ses outils ? Le code (Python ou R), les librairies de frameworks, les applications de programmation (Jupyter, Pycharm…), les outils de Business Intelligence, de Data Visualisation et autres solutions de reporting.

Les enseignements dégagés par les Data Scientists CRM sont ensuite exploités par les équipes marketing et CRM afin d’enrichir les programmes et scénarios marketing, de renforcer la personnalisation des interactions et des recommandations, d’optimiser la pertinence des sollicitations et in fine d’augmenter la Performance CRM.

C’est grâce au travail acharné de son équipe de Data Scientists que Netflix est parvenu à comprendre très finement les schémas relationnels de ses utilisateurs et leurs centres d’intérêt aboutissant à la mise en place du dispositif de recommandations bluffant que tout le monde connaît. Ce dispositif de recommandations, vecteur d’engagement client, est, comme pour Amazon, ce qui a permis à Netflix de se propulser au premier rang des plateformes de streaming vidéo. La base utilisateurs de Netflix a bondi de 22 millions en 2011 à près de 150 millions en 2019. Tout cela n’aurait pas été possible sans Data Scientists.

Le moteur de recommandations de Neflix, un produit du travail de l’équipe de Data Scientists.

On confond souvent les deux profils. Il y a pourtant des différences clés entre un Data Scientist et un Data Analyst. Les mettre en exergue permettra de mieux comprendre encore la spécificité et le rôle du Data Scientist CRM.

Commençons d’ailleurs par dire deux mots des Data Engineers, troisième profil data que l’on retrouve au sein des organisations. Le Data Engineer est le spécialiste de la conception et de la mise en place des architectures de données. Il met en place les bases de données et les flux de données entre les différents systèmes de données de l’entreprise (pipelines de données). Il met en œuvre l’infrastructure, il ne joue aucun rôle dans l’analyse des données (sauf dans les petites organisations où il est fréquent que les professionnels des données endossent les différentes casquettes – celle d’ingénieur et celle d’analyste).

Les Data Analysts, quant à eux, réunissent et croisent les données en provenance de plusieurs sources pour les analyser et trouver des corrélations et des patterns. Ils produisent ensuite les reportings destinés aux utilisateurs métiers et aux décideurs. Vous me direz, quelle différence avec le Data Scientist ? Jusque là, les deux profils semblent se recouper parfaitement.

En fait, un Data Scientist est un Data Analyst qui va plus loin. Il réunit toutes les compétences du Data Analyst, mais est aussi capable, à la différence du Data Scientist, de mettre en place des technologies de machine learning, de construire des algorithmes et des modèles permettant de faire de l’analyse prédictive.

Le Data Analyst est une personne qui analyse les données pour trouver des réponses à des questions qu’on lui pose, tandis que le Data Scientist créé lui-même ses propres questions. Le Data Scientist est à la fois un fin analyste et créatif. Il est un trouveur autant qu’un constructeur. Il ne fait pas qu’analyser, il construit les dispositifs d’analyse. Il formule des hypothèses et met au jour des relations insoupçonnées entre les sets de données. En d’autres termes, le Data Analyst travaille dans un cadre prédéterminé, là où le Data Scientist construit son propre cadre. Le rôle de ce dernier dépasse donc de loin la simple (et parfois « bête ») analyse de ce qui se trouve sous ses yeux.

Data Scientist & Data Lake

On pourrait enfin ajouter cette différence importante pour compléter ce qui précède :

• Le Data Analyst travaille essentiellement sur des données structurées, telles que celles stockées et organisées dans le Data Warehouse.
• Le Data Scientist travaille essentiellement sur des données non-structurées ou semi-structurées, telles que celles stockées dans des systèmes de type Data Lake.

Rappelons que le Data Lake stocke toutes les données, avant toute transformation. C’est une baignoire de données qui contient des données essentiellement non-structurées. Aucun traitement ne leur a été appliqué – aucun filtre, aucune règle n’a été mis en place. Les données sont dans leur état brut. Un Data Warehouse, à l’inverse, stocke des données structurées, transformées en vue de cas d’usage marketing définis à l’avance. Il exclut les données non-pertinentes au regard des cas d’usage conçus au moment du design de la base. Dans un Data Warehouse, on cherche des réponses à des questions que l’on a déjà formulées. Par construction, le Data Lake se prête plus facilement à l’exploration « sauvage » et aux découvertes imprévisibles.

Un Data Scientist ne fait pas de la recherche fondamentale. Les modèles qu’il construit, les dispositifs et technologies d’analyse qu’il structure et déploie visent à dégager des informations utiles pour le business. Scientifique des données, le Data Scientist doit donc avoir un sens affirmé du business. Ce sens est la boussole qui doit l’aiguiller dans ses travaux exploratoires.

Une chose est de répondre à des questions, autre chose est d’écouter les parties prenantes de l’entreprise. Le Data Scientist a une position transversale, au milieu des équipes data/IT et des équipes métier, parfois rattaché à l’équipe marketing, parfois à la DSI. Il doit dialoguer avec toutes les équipes, en particulier le marketing, les ventes, le service client, le digital pour comprendre :

• Les enjeux business, marketing et commerciaux de l’entreprise.
• Les challenges et besoins métier des équipes opérationnelles.
• Les caractéristiques de l’activité et du marché dans laquelle s’inscrit l’entreprise dans laquelle il travaille.

Cette écoute lui permettra d’orienter ses recherches dans la bonne direction et de construire les questions et les modèles aboutissant à une valorisation de l’actif data de l’organisation.

Le Data Scientist doit être capable de communiquer le fruit de ses investigations et ses découvertes de manière pédagogique (via de la Data Visualization) aux profils non-techniques qui auront à prendre des décisions data-driven. Il doit être un vulgarisateur et avoir un esprit collaboratif. Cela rejoint le point précédent. Le Data Scientist ne travaille pas dans son coin, il est en relation avec les équipes métier avec lesquelles il doit pouvoir dialoguer efficacement.

Beaucoup des concepts de la Data Science sont issus des mathématiques et de la statistique. Mais, aussi étrange que cela puisse paraître, l’une des premières qualités d’un Data Scientist CRM est la faculté d’intuition et, plus largement, l’imagination. Parce qu’il construit lui-même ses propres questions et hypothèses, il doit à la fois avoir un esprit scientifique et une grande imagination, illustrant la fameuse citation d’Albert Einstein : « L’imagination est plus importante que le savoir ».

Comme le dit le dicton populaire, on n’a jamais fini d’apprendre. Cette soif d’apprendre est une qualité essentielle pour un Data Scientist CRM, qui évolue dans un univers métier & un paysage technologique en perpétuelle transformation.

Le Data Scientist fait partie des métiers du CRM les plus recherchés par les organisations matures en Organisation des Données Clients. Nous espérons au travers de cette présentation introductive vous avoir éclairé sur les fonctions clés des Data Scientists CRM.

Découvrez les autres pages dédiées aux métiers du CRM :

• Responsable CRM.
• Directeur de l’Expérience Clients.
• Référentiel Relation Clients.