Discussion :

[rayleigh94]

Bonjour , je suis actuellement en alternance en master 2 Mosef du l'université paris 1 ( python ,sql , sas ) .Je suis très inquiet quand a mon avenir , j'ai la sensation que le nombre de candidat en data science a littéralement explosé ces dernières années et que le marchée est bouché, beaucoup d'élèves de la promotion de l'année dernière n'ont toujours pas trouvé tandis que les promotions précédente (avant 2019 ) trouvaient très facilement un CDI. J'ai aussi un ami qui viens de trouvé un poste après 13 mois de recherche alors qu'il sort de l'ENSAE.

J'hésite a me reconvertir dans un tout autre domaine...

[olivier50]

Salut,

Hier soir en refaisant des recherches je suis tombé sur des formations Pôle Emploi puis de fil en aiguille je suis tombé sur une ssii avec un superbe mot clé "data": sur le site de cette ssii 9 offres sur 10 étaient web, 1 était data.

Le problème, et tes craintes sont justifiées, c'est que beaucoup de ssiis utilisent le "saupoudrage" en plaçant des mots clés sur leurs sites, du coup on croit que les besoins sont importants:

la data c'est:
-le big data: donc bases de données
-du dashboarding: beaucoup de sql aussi
-et un peu de modélisation, analyse de données

AAAhhh bien sûr de temps en temps on voit machine learning mais avec des diplômés d'Orsay et quand on connait le microcosme Orsay/Saclay/Palaiseau on a une mesure du niveau. Certaines formations sont même en anglais et on incite les gens à faire une thèse. L'université du Michigan apparait souvent sur Linkedin en mots clé.

Mon parcours: 50 ans et informaticien de gestion mais ayant passé le capes & agreg maths dans ma jeunesse puis fait un master en économétrie à 35 ans puis validé la data spécialisation cette année, cela fait un an que j'observe le marché.

Je pense que le plus gros des besoins est orienté bases de données donc BIG ou métiers dits business data où tu vas refondre les bases, puis sql et dashboarding. L'analyse, la modélisation ou le machine learning c'est plus pointu et ça concerne plutôt des labos de recherche, des organismes d'état (armée, police, etc...)

Alors normalement ça va monter en puissance mais malheureusement ce seront des produits utilisés par un public plus large et un master c'est plus un tremplin pour un doctorat.

Pour ceux qui n'arrivent pas à aller jusque là ça va être compliqué. Par exemple, j'ai vu passer le CV d'une jeune ingénieur et ça parlait PHP pour un stage ingénieur, on s'est dit "celle-là elle va s'ennuyer" et son CV est éliminé.

Ton problème, et c'est un problème que j'ai rencontré, c'est que par exemple les matheux ne sont pas toujours bien vus. On sait qu'ils aiment creuser, comprendre, analyser et parfois on préfère prendre des gens qui vont vite, sans se poser des questions et qui vont faire de la merde.

Il y a quand même des raisons d'être moins pessimiste. Comme moi, tu vas capitaliser des expériences au cours de ta vie et tu vas mieux comprendre les attentes du marché.

Je sors de ton domaine et tu transposeras. Si tu regardes le CV du type qui est à l'origine de Symfony il a fait "les Mines". Il a conçu avec d'autres un produit pêchu et très interessant, il peut être fier de son parcours.

Je pense que très tôt il faudra que tu te positionnes sur des produits pour te vendre. T'orienter vers des produits de pointe en échange de données pourrait être un choix par exemple. TU as le cas d'un biologiste (chercheur aux Etats Unis) qui s'est spécialisé sur Biztalk.

Et ta formation ne ne sera pas perdu car qd tu évolueras tu auras des échanges sur divers sujets et "ta culture" te permettra de faire des choix pertinents.

A+

[olivier50]

J'ai visité la page du master MOSEF, on lit ça:

"En termes de savoir-faire et compétences, l‘étudiant saura :

- Travailler dans un environnement Big Data (Cloud avec Microsoft Azure, Hadoop, Spark ), Parsing de fichiers json, csv, txt., Web scraping...
- Traiter et analyser les extractions de bases de données (y compris celles non structurées) via toutes les techniques statistiques et de data mining
- Maitriser divers outils analytiques et de programmation : Scala,
Python, JAVA, R, SAS, Linux…
- Acquérir les compétences nécessaires en analyses de risques, finances quantitatives, pricing des dérivés et économétrie financière."

Effectivement le mot data science c'est un gros fourre-tout.

Normalement ta formation est censée être axée BIG hadoop, bases de données, un peu de parsing, du web scarpping, sql

On forme des bac+2 (cf formation datascientest/sorbonne) à ce sujet.

Le plus gros du marché c'est exactement ça: de la base de données. La Data Science en elle-même c'est surtout de la recherche et des produits qui seront utilisés plus tard, un master data science je ne crois pas à l'employabilité il faudra viser le doctorat derrière en tout cas pour le moins pour faire qqch en adéquation avec le machine learning etc ...

Il y a beaucoup moins d'employablité sur ce dernier pan niveau master. D'ailleurs si la Sorbonne essaie de sensibiliser les managers ce n'est pas sans raison: tant que les managers ne comprendront pas exactement ce qu'on peut faire, la sauce aura du mal à prendre. Pour le moment ça reste qd même très fortement modélisation de bases, dashboarding et sql.

A+

[olivier50]

Pout être plus complet:

- Travailler dans un environnement Big Data (Cloud avec Microsoft Azure, Hadoop, Spark ), Parsing de fichiers json, csv, txt., Web scraping...

Oui, il y a de l'emploi c'est même le plus gros du marché mais désormais ouvert aux bac+2 : exemple formation datascientest/Sorbonne

- Traiter et analyser les extractions de bases de données (y compris celles non structurées) via toutes les techniques statistiques et de data mining

Le data mining on voit un peut moins le mot dans les moteurs, il faut dire que pour faire une ACP ou une AFD on utilise des produits tout faits et les besoins ne sont pas permanents. Ce sont les tableaux de bord qui prévalent niveau besoin.

- Maitriser divers outils analytiques et de programmation : Scala,
Python, JAVA, R, SAS, Linux…

C'est bien mais après ça va dépendre du stage, de son contenu et du facteur chance. sas c'est assez fermé comme milieu et pareil il y a à boire et à manger. Pas mal de ssiis gèrent la part ingrate donc les migrations de version.

- Acquérir les compétences nécessaires en analyses de risques, finances quantitatives, pricing des dérivés et économétrie financière.

Pas mal, mais il faut être réaliste chez HSBC, par exemple, ils ont des docteurs en économie et à La Def on adore les profils genre master finance donc pas impossible mais un peu chaud qd même.

A+

[olivier50]

Ajout:

concernant le point 4, je t'invite à visiter la page du master 2 esa d'Orléans pour prendre la mesure. Au-delà des masters finance tu as aussi ce genre de formation spécialisée et ça devient de plus en plus dur de se faire embaucher car les employeurs ont de plus en plus de recul sur les formations et aussi du retour sur "investissement" (= s'il est intéressant ou non de disposer de ce genre de ressources).

La synthèse:

Le marché le plus facile = le point 1. Le 2: plus orienté DashBoarding Les autres point: compétition âpre dû au recul sur les formations bien nombreuses en effet.

[Glutinus]

Hello,

Il y aura toujours une différence entre :
- La qualité de la formation que ton établissement te donnera
- Le rôle des Data Scientists dans une société A, B, C
- Ce que font les Data Scientists quand ils intègrent ces boites
- Ce que font les Data Scientists quand ils intègrent d'autres boites mais sur d'autres intitulés de poste.

Le métier de Data Scientist, c'est d'intégrer des modèles pour dégager des tendances. Maintenant, là de dire que tu appliqueras une double régression linéaire ou un Bayes Naïf, je n'en suis pas sûr.

Je pense honnêtement que la tendance qui peut bien marcher, c'est le Cloud. Un de mes potes a réussi à convaincre sa boîte pour déployer de l'AWS. Il est ensuite allé dans une start-up d'une quinzaine de personnes qui se branlent la nouille pour dire qu'ils traitent des photos météorologiques jusqu'à ce qu'il comprenne, à son arrivée, qu'aucun d'entre eux n'a réussi à envoyer leur projet sur le cloud d'Amazon... en DEV !

Pour te donner quelques idées reçues dans le décisionnel (on appelle ça la "smart data" aujourd'hui, va comprendre) :
Attente : un consultant décisionnel travaille sur toute la chaine : recueil de besoin, alimentation de base de données, restitution
Résultat : un consultant fait le recueil de besoin + un consultant fait l'alim + un consultant fait la restitution. En règle générale, le moins bon c'est le recueil de besoin... et il suffit qu'il y ait un accroc en amont

Attente : il faut faire des tables de faits et des tables de dimension
Résultat : il y a des tables de données pêle-mêle, qu'on donne au hasard. Donc j'ai déjà eu des "tables de faits : produits" et des "tables de dimensions : primes d'assurance", c'est l'inverse...

Attente : il faut minimiser les historisations sur les tables de dimension ; on ne fait pas d'historisation sur une table de faits
Résultat : on historise tout ! Faut pas perdre de la data ! surtout pas ! Pourquoi faire ? Je sais pas, mais c'est tellement mieux d'avoir toute la donnée dont on a besoin ! et puis merde, ça fait des produits cartésiens et les requêtes mettent 24h et les alimentations 48h ! Mais on s'en fiche ! Faut tout historiser !

Attente : le Datalake est surpuissant, il délivrera toutes les données dont vous avez besoin à minuit
Résultat : les données sont dispos à 7h du matin, ça te laisse donc 2h pour faire l'intégration des données dans l'entrepôt et les magasins de données

Donc pour l'instant, pour moi pas d'inquiétude, continue ta formation, puis interviewe des personnes qui bossent dans le domaine pour qu'ils te donnent ton avis. De toute manière, ça sera radicalement différent de ce que propose la fiche ONISEP

[Invité]

Pout être plus complet:

- Travailler dans un environnement Big Data (Cloud avec Microsoft Azure, Hadoop, Spark ), Parsing de fichiers json, csv, txt., Web scraping...

Oui, il y a de l'emploi c'est même le plus gros du marché mais désormais ouvert aux bac+2 : exemple formation datascientest/Sorbonne

- Traiter et analyser les extractions de bases de données (y compris celles non structurées) via toutes les techniques statistiques et de data mining

Le data mining on voit un peut moins le mot dans les moteurs, il faut dire que pour faire une ACP ou une AFD on utilise des produits tout faits et les besoins ne sont pas permanents. Ce sont les tableaux de bord qui prévalent niveau besoin.

- Maitriser divers outils analytiques et de programmation : Scala,
Python, JAVA, R, SAS, Linux…

C'est bien mais après ça va dépendre du stage, de son contenu et du facteur chance. sas c'est assez fermé comme milieu et pareil il y a à boire et à manger. Pas mal de ssiis gèrent la part ingrate donc les migrations de version.

- Acquérir les compétences nécessaires en analyses de risques, finances quantitatives, pricing des dérivés et économétrie financière.

Pas mal, mais il faut être réaliste chez HSBC, par exemple, ils ont des docteurs en économie et à La Def on adore les profils genre master finance donc pas impossible mais un peu chaud qd même.

A+

j'en connais rarement des big data engineer avec un bac + 2 perso..

@op c'est globalement la conclusion que j'avais tenue il y a 2 ans et j'ai décidé de pas continuer dans la data, mais mes potes ont tous trouvé un taf (plus ou moins après une longue durée) dans la data. après faut se démarquer avec des projets de qualité surtout quand tu veux faire du machine learning (voir compétitions kaggle)

donc en gros t'as bcp de demande (en plus les ENSAE mines polytechnique doctorants etc passent avant toi) mais aussi bcp d'offre, donc je pense que faut bien chercher et que t'as pas trop à t'inquiéter