Interview de Benoît Binachon, fondateur de Uman Partners, pour la publication du GUIDE du BIG DATA 2016/2017.

Nous avons fondé Uman Partners sur deux dimensions importantes : tout d’abord le recrutement dans la Data, par goût et car il s’agit d’une spécialité métier intéressante et d’un véritable besoin des entreprises ; mais également la volonté d’insérer de la Data et du quantitatif dans nos processus de travail. Notre approche du discernement des candidats est donc très « data driven ». Notre objectif au sein de Uman Partners est d’aider nos clients à recruter dans tous les métiers séniors liés au Big Data, à la Data Science et au Machine Learning. Nous recrutons peu de profils quantitatifs classiques mais des Data Scientists Séniors, des patrons de la Data Science, des Chief Data Scientists…

Nous recrutons trois types de profils : les premiers et plus recherchés sont liés à la Data Science pure et dure, les métiers cœurs scientifiques ainsi que les métiers techniques autour du Big Data et de l’architecture qui souvent se mêlent aux premiers. Il y a des gens qui sont de dominante Data Science avec une mineure Big Data et des gens qui sont de dominante Big Data avec une mineure Data Science. Le premier besoin est en effet de construire la technique et la science, les entreprises recrutent d’abord le Chief Data Scientist et ensuite les personnes qui vont orchestrer le projet.

Les seconds profils recherchés sont les utilisateurs et intermédiaires de la Data science, soit des consultants qui savent parler le double langage Data science et métier : des directeurs de projet qui vont conduire des initiatives Data pour le compte du marketing, du risque, de la fraude, du consumer insights, du manufacturing, …

Il s’agit de personnes à même de comprendre le besoin d’un directeur métier sur sa problématique.

On constate, de la part des industriels et entreprises en général, une minimisation de l’importance de recruter des chefs de projets experts de la Data. Les entreprises ne sont pas conscientes de l’importance de la sensibilité des directeurs de projets et patrons de conseils à la Data. Mais il est vrai qu’il est possible de façonner un chef de projet Data Science à condition qu’il y soit sensible à la base. Une personne n’ayant pas forcément eu un parcours lié à la Data Science, sera capable d’assurer ce poste si elle est en mesure de détecter les cas d’usage qui peuvent être résolus par la Data Science à partir des outils disponibles, et qu’elle acquiert la culture de ces outils. On trouve des personnes diplômées de Science Po qui vont en être capables alors que des purs mathématiciens vont y être insensibles.

Les derniers postes pour lesquels nous sommes sollicités sont ceux qui demandent une forte sensibilité à la Data : Directeur Marketing Client, Directeurs Consumer Insight, Directeur de la Performance Industrielle etc… Aujourd’hui, on demande par exemple au Directeur du Service Client de gérer un call center avec une approche très quantitative. On peut également demander à un patron du Consumer Insight dans la cosmétique de savoir introduire de la prédiction et de la prescription dans l’élaboration d’un parfum ou d’une crème de beauté car cela coûte très cher de faire des essais et de développer des produits sans avoir une visibilité du succès d’un produit sur une population cible. La Data donne une grande longueur d’avance dans les fonctions métiers. On ne demande pas à ces opérationnels métiers d’être des Data Scientists, mais d’avoir une compréhension de ce que l’on peut faire et avec quels outils, d’être à l’écoute et d’utiliser tout l’écosystème technique. Sur cette dernière famille de postes, on constate un vrai retard en France notamment par rapport aux Etats-Unis, qui ont vu apparaître plus de postes data-driven. Il y a naturellement moins de besoins mais également moins de candidats sur ces postes en France et donc une grande difficulté à trouver des candidats qui ont vraiment une expérience data-driven sur leurs sujets.

En France, on constate une avancée plutôt par le digital au niveau des dirigeants. C’est le digital qui rentre au Comex. Ce n’est pas forcément réducteur car la Data est un des instruments du digital.

En revanche, il y a beaucoup d’initiatives digitales qui ne tiennent pas compte de la Data, ce qui est complètement aberrant : « Faire du digital sans faire de la Data, c’est comme construire une voiture sans moteur » et il est assez courant de voir un patron du digital ou Chief Digital Officer qui n’est pas du tout sensible à la Data. cela est générateur de beaucoup de frustrations et d’échecs.

De même, il y a encore très peu de Chief Data Officers en France, contrairement aux Etats-Unis. Le rôle du Chief Data Officer est de bien comprendre tous les métiers du comex : celui du Directeur Marketing, Financier, de la R&D, de la Supply-Chain etc. Il doit être une éponge pour comprendre tout l’écosystème de la Data, les besoins de son entreprise et l’ensemble de l’offre qui existent sur les sujets Data pour servir ces besoins.

Malgré son rôle primordial, l’important n’est pas qu’un Chief Data Officer porte le projet impérativement mais bien que la Data soit une des priorités du Comex de l’entreprise.

Le rôle du CDO (Chief Data Officer) en France est très souvent limité à une approche IT ou BI qui consiste à « mettre à disposition des décideurs les données ». C’est un bon début, mais le rôle du CDO peut être nettement plus avancé si sa démarche part de la problématique business et des insights attendus, remonte aux données disponibles, puis à la Data Science, aux algorithmes nécessaires pour y répondre, et délivre aux décideurs des plans d’actions et des outils en production et non uniquement des données.

Un CDO de grand groupe, interlocuteur stratégique des dirigeants, possèdera une forte culture de la Data Science et du Big Data, une bonne pratique de la conduite du changement et une vision assez exhaustive des sujets « business » adressables. Et il a une équipe !

Le rôle donné au Chief Data Officer est véritablement d’être au cœur des réflexions stratégiques, d’avoir un réel pouvoir d’influence, et des moyens. Il doit donc être membre du Comex. En France, des Chief Digital Officers pas vraiment à même de traiter les sujets Data ont été recrutés. Ils ne sont généralement pas compris par le Comex et cela crée une très grande frustration. Les initiatives Data doivent être portées au plus haut niveau, c’est fondamental.

Le Chief Data Officer détecte donc les sujets à adresser par l’Analytics pour chaque direction métier et coordonne la mise en place de l’architecture qui permet d’industrialiser les process, de la collecte des données à la livraison des recommandations aux dirigeants. Il a pour mission de mettre en place puis de gérer « l’usine » analytique qui va exploiter au mieux les données disponibles.

Le Chief Data Officer doit être en veille sur les besoins exprimés par le Comex pour aller chercher les outils qui conviennent mais il doit également être capable de faire accoucher un besoin d’un des membres du Comex, car il a détecté une nouvelle technologie à mettre en place qui peut y répondre. Il doit être en permanence en train de questionner les différentes directions métiers, le Directeur Financier, Marketing… Il s’agit d’une boucle permanente d’innovation qui existe entre les besoins externes exprimés et les besoins internes que le CDO doit faire exprimer.

Beaucoup d’entreprises, jusqu’aux plus grandes, sont en possession de données dont le potentiel est absolument extraordinaire. Mais la dispersion de l’information et le manque de mobilisation les font encore très souvent passer à côté de cette valeur. Pourtant, les moyens techniques sont maintenant complètement virtualisables, très peu d’infrastructures in-situ sont nécessaires, seules la matière grise et l’énergie mobilisatrice d’un CDO et de son équipe sont indispensables.

Et comme évoqué, pour réussir sa mission, le CDO doit avoir une équipe. La culture Data des entreprises n’est pas encore assez développée pour qu’il puisse assurer sa mission seule. Le CDO doit avoir son Data Lab, « son armée » avec un Chief Data Scientist, des data scientists, des patrons de projets, des architectes Big Data. Un CDO a besoin d’un laboratoire pour tester des projets et a minima d’une personne de très bon niveau scientifique pour lire des publications. Ce n’est pas le rôle du CDO qui est trop sénior. Le CDO va construire son Data Lab pour conduire la transformation.

De même un Data Lab exclusivement dédié au marketing peut être une vraie faiblesse. Faire de la Data science en marketing sans considérer le risque, par exemple, dans le secteur financier, peut être moins optimal. La Data est une discipline qui nécessite beaucoup de transversalité.

Google ou Facebook vont attirer des profils très scientifiques, spécialisés par exemple dans la classification ou l’indexation de vidéos. Il s’agit finalement de postes avec un périmètre assez restreint, qui conviendront à des purs geeks.

Lorsque nous accompagnons nos clients sur le lancement d’un Data Lab par exemple, il s’agit d’un véritable projet de transformation de l’entreprise. Pour les banques, opérateurs téléphoniques, assureurs, il s’agit de construire une équipe avec un périmètre très large. Les enjeux scientifiques sont tout aussi pointus mais il y a également des enjeux humains, des notions de transformation et du management.

Lorsqu’Axa lance son Data Innovation Lab, il s’agit de transformer toute la chaine, de la captation du sinistre, des données du sinistre jusqu’à une action du téléopérateur, du conseiller client dans un call center. De même, pour un opérateur télécom, un des cas d’usage est de faire apparaitre sur l’écran du téléopérateur une instruction très précise qui prescrit une action à appliquer au client qui appelle. Cela implique de la Data Science en amont, du juridique sur les données exploitables, de l’informatique, de négociations syndicales sans doute, car on fait évoluer la manière de travailler, et de la formation car cela a un impact sur l’action des téléconseillers qui vont obéir aux ordres de l’algorithme.

Ces deux derniers cas montrent que les grands groupes restent attractifs car il s’agit d’une conduite du changement très large et dans laquelle la dimension humaine est très intéressante pour un Data Scientist.

En revanche, un vrai handicap pour les entreprises françaises réside dans la pression salariale exercée par Google, Facebook ou encore GE (à Paris) qui offrent des salaires bien supérieurs aux salaires consentis aux Data-Scientists dans la majorité des entreprises françaises. De même, et grâce à l’attractivité des salaires proposés, les entreprises américaines attirent aux Etats Unis de plus en plus de Data-Scientists français, dont les compétences techniques sont au plus haut niveau mondial. Pour éviter un brain drain de notre vivier en Data-Science et continuer à attirer des talents, les entreprises françaises doivent nécessairement revoir leurs barèmes de salaires.

Dans cet univers, ce sont des profils qui seront toujours rares… Même si on forme beaucoup plus de profils à la Data au sein de Polytechnique, Supéléc, Centrale,… ou à l’université. Ce sont des métiers élitistes qui produisent peu de talents car ils demandent beaucoup de capacités d’abstraction et de créativité, des qualités qui sont innées et sélectives.

Les compétences requises dans ce domaine sont de deux natures. On demande de nouvelles compétences techniques en lien avec de plus ou moins nouveaux langages et formalismes mathématiques. La Data Science est avant tout composée de gens qui sont très matheux, qui comprennent les concepts mais qui sont également capables d’avoir un véritable recul scientifique. Développer du code (des algorithmes de data science) sans garde-fou scientifique peut s’avérer dangereux.

Mais l’on demande désormais également aux talents une vraie capacité à comprendre le business et à participer à la transformation. Ce sont des compétences qui relèvent du leadership et qui incluent en fonction des postes et niveaux de :

– Savoir influencer un dirigeant ;
– Savoir porter l’innovation ou détecter les innovations qui peuvent être appliquées à une micro ou macro échelle ;
– Porter et développer ses équipes – savoir les manager avec les méthodes inspirées par les Google ou autres – savoir les faire rayonner, les connecter à la recherche, les faire parler dans des meetups, en plus de les faire rayonner au quotidien en les aidant à se développer d’un point de vue strictement scientifique ;
– Savoir rapidement acquérir de nouvelles approches et nouvelles technologies ;
– Avoir le sens du client et parler avec des mots simples de concepts abstraits qui ont des applications très concrètes dans les métiers ;
– L’écoute….

Les talents dans le domaine de la Data Science sont des moutons à cinq pattes. On peut imaginer le super Data Scientist comme introverti et peu communicant, alors que précisément, la communication est une compétence primordiale pour cette fonction. La Data Science n’a de sens qu’en face d’un métier à qui il faut savoir parler.

Par exemple, dans des cas de fraude (au compteur électrique, à l’assurance …), le faux positif (le fait de détecter quelqu’un comme fraudeur alors qu’il ne l’est pas) est très préjudiciable et peut avoir un impact business très négatif pour une entreprise. L’enjeu pour un Data Scientist est donc d’en minimiser le nombre et d’en comprendre les enjeux. C’est tout le contraire pour une fraude à la carte bleue, pour laquelle le client est victime. Dans ce cas, le faux positif est une perte d’énergie pour la banque, mais est plutôt rassurant pour le client qui se sent bien protégé.

Pour les fonctions utilisatrices de la Data comme le Marketing, une des compétences les plus importantes sera de savoir porter l’innovation, détecter l’innovation, évaluer sa valeur marchande, la projeter et adapter la technologie dans leur métier à priori non technique.

Selon moi, il n’y a pas de faux Data Scientists. Il y a les disciplines des statistiques, de l’actuariat, de l’économétrie … et celles de la Data Science et du Big Data. Il s’agit de deux mondes assez distincts (mais qui ont des zones communes) qui répondent à des besoins différents. Et il y a simplement des gens moins appétants au monde de la Data Science parmi les statisticiens, économètres, actuaires ou profils en mathématiques financières, et d’autres qui s’y convertissent. Et d’autres encore qui ont toujours été dans la data science (qu’on appelait avant Intelligence Artificielle née dans les années 70).

Je pense que ce que l’on pourrait appeller les faux Data Scientists (quoique c’est très péjoratif de les qualifier de « faux ») seraient des personnes qui sont d’excellents utilisateurs de boîtes à outils existantes, champions de challenges Kaggle, mais qui n’ont pas forcément le recul scientifique suffisant. Ils sont cependant indispensables à l’écosystème de la Data Science. Le Data Scientist, le Développeur, le Data Engineer et l’Architecte Big Data sont tous complémentaires.

Il existe bien en revanche des Data Scientists convertis, et de nombreuses voies peuvent mener à la Data Science, avec comme point commun cependant qu’il s’agit toujours de scientifiques ayant une forte capacité d’abstraction, parmi lesquels :

– Des professeurs de l’université (en mathématiques et/ou Intelligence Artificielle) que l’on retrouve comme conseillers de Data Lab de grands groupes ;
– Des spécialistes du traitement du signal (radar, imagerie, télécoms);
– Des physiciens qui ont pu faire récemment des thèses en physique des particules, en astrophysique ou autre science et qui ont traité de tels volumes de données qu’ils ont utilisé de la data science et du big data ;
– Des spécialistes de la physique des particules ou de la finance quantitative haute fréquence, qui sont restés très matheux. Les premiers Data Scientists étaient en effet des traders ;
– Des développeurs informatique qui rentrent dans le domaine par le code.

L’esprit humain a tendance à provoquer le clonage. D’abord pour des raisons psychologiques, mais également par manque de capacités pour croiser et trier pertinemment les données réellement prédictives de la réussite. Dans le secteur des Ressources Humaines, on recrute majoritairement sur la base d’intuitions. Et contrairement aux idées reçues, la Data Science appliquée aux RH, ouvre des opportunités.

Depuis plus de 40 ans, les Nord-Américains en particulier ont conçu des outils de prédiction de la réussite d’un individu dans son futur poste en fonction de ses compétences de leadership et des caractéristiques de l’entreprise et du poste.

Les algorithmes permettent de déterminer des scénarios de réussite d’un candidat. Dans le volume et la masse, les algorithmes vont mettre à jour des milliers de configurations différentes. Ils vont détecter des niches de personnes qui pour des raisons communes sont en réussite, raisons qui n’auraient pas forcément pu être relevées par l’oeil humain. La détection de signaux faibles de ces niches de personnes en réussite va permettre d’agréger toutes les personnes qui présentent les mêmes caractéristiques et de les mettre en réussite également. Si l’on détecte 15 personnes qui sont en réussite pour la même combinatoire de raisons, dont par exemple une formation, on va pouvoir appliquer le facteur de réussite à 200 000 profils jumeaux. On fabrique bien des clones, mais pour créer des parcours qui n’avaient été générés que par le hasard : La Data Science c’est un outil pour faire fructifier le hasard.

En revanche, une bonne approche analytique au service des RH doit éliminer les clones “de bases”. On sait que salaires élevés et diplômes sont souvent corrélés. Les algorithmes suppriment donc cette corrélation pour s’intéresser aux corrélations plus complexes, par exemple, celles qui expliqueraient pourquoi certains réussissent avec des diplômes peu reconnus. On détecte les signaux faibles de la réussite en enlevant les couches supérieures de facteurs écrasants.

Cependant, l’humain reste primordial dans les Ressources Humaines : des recruteurs créatifs qui se fient à leurs intuitions seront toujours indispensables car la Data Science ne détectera jamais quelque chose qui n’est jamais arrivé. Elle va détecter des signaux faibles mais pas des signaux qui n’existent pas. L’humain, par sa créativité et sans trop savoir pourquoi ni comment, va créer les premiers cas que la machine va expliquer et aider à reproduire.

Nous avons donc crée (à partir de concepts existants) une approche reposant sur l’identification de compétences (dîtes « de leadership » aux US ou « compétences comportementales » en France) prédictives de la réussite dans un poste. Nous avons re-construit un référenciel de 46 compétences (créativité, capacité d’influence, capacité d’apprentissage, autonomie etc…), que nous avons corrélées avec une base de données d’individus contenant les informations de parcours, les compétences de leadership et la réussite dans les postes de chacun d’entre eux.

C’est un outil qui éloigne de l’informel, qui structure l’entretien en face à face et valide les compétences de leadership pour la réussite dans le poste. Les candidats se subliment avec cette méthode en permettant au recruteur de poser les bonnes questions. Rarement un scientifique décrira naturellement la manière dont il a convaincu un dirigeant si la question ne lui est pas posée. Il s’agit donc d’une approche plus factuelle, plus humanisante qui s’intéresse aux qualités véritablement importantes pour un poste. Cela sert la démarche d’« A compétences égales », association dont nous sommes membres. A compétences égales nécessaires pour un poste, nous donnons toute leurs chances aux personnes qui peuvent être introverties par exemple.

Il s’agit d’un outil data-driven supplémentaire, qui ne fait pas pour autant de notre cabinet une machine à recruter, mais au contraire permet au recruteur d’y voir plus clair sur les aspirations et capacités des candidats.

Benoît Binachon
Uman Partners
Managing Director – Executive Search – Smart / Big Data Analytics