- Récapitulatif d’un AMA publié sur le canal Reddit DataScience par un Staff Data Scientist d’une grande entreprise tech basée dans la Silicon Valley, aux États-Unis
- Titulaire d’un doctorat en statistique, avec environ 10 ans d’expérience, dans des entreprises de tailles variées : startup, licorne pré-IPO, FAANG, etc.
- A travaillé principalement comme IC (Individual Contributor), avec aussi un peu d’expérience en management
- Ses principaux points forts : machine learning, expérimentation / inférence causale, analyse de données
Résumé des principales questions et réponses
Quelle valeur a un doctorat (PhD) ?
- Un doctorat aide pour le premier poste ou le début de carrière, mais son influence diminue à mesure que l’expérience s’accumule
- L’industrie (en particulier la Silicon Valley) avance vite et se concentre sur la valeur business ; le pragmatisme y compte davantage que la rigueur académique
- S’il devait refaire ce choix, il n’investirait probablement pas plus de 5 ans dans un doctorat. Les tendances industrielles et les progrès de l’IA évoluent trop vite
- Les postes en recherche IA exigent un PhD, mais pour les rôles DS/ML orientés produit, un master ou une licence suffisent aussi
Carrière et développement professionnel
- Pour passer d’IC à Senior et au-delà, il faut avoir de l’impact au-delà de son équipe et contribuer à la stratégie et à l’organisation
- Il est important d’instaurer la confiance, de piloter des projets cross-fonctionnels et de construire de bonnes relations avec les managers et les dirigeants
- Pour réussir en startup : il faut être polyvalent, capable de couvrir plusieurs rôles (ML end-to-end / pipeline de données / analyse), et avoir une vraie passion pour le business
- En début de carrière, la technique est essentielle ; plus tard, la connaissance métier ainsi que la communication et le leadership deviennent plus importantes
L’avenir des data scientists et l’IA
- L’IA remplace rapidement les tâches simples et répétitives, mais les data scientists dotés de compétences solides se démarquent encore davantage
- Depuis l’adoption de l’IA générative, la manière de travailler a changé (code, rédaction de documents, etc.), mais les missions centrales (analyse, modélisation, etc.) restent pleinement pertinentes
- L’IA pourra occuper davantage de terrain à l’avenir, mais la résolution de problèmes complexes, l’interprétation métier et la capacité à communiquer restent des critères clés
Pratique du métier et culture d’organisation
- L’importance de l’inférence causale et de l’expérimentation (A/B test) varie selon le domaine. Quand l’expérimentation est impossible, la capacité à faire de l’inférence causale à partir de données observationnelles devient indispensable
- Quand on échange avec le business ou les dirigeants : mieux vaut se concentrer sur le « pourquoi », le « quoi faire » et l’impact, plutôt que sur les détails techniques
- Si la culture d’entreprise n’accorde pas d’importance à l’inférence causale ou à la qualité des données, il y a des limites à la communication et au changement. Il peut alors être pertinent d’envisager une mobilité interne ou un changement d’entreprise
- Si le manager ne perçoit pas le problème, il faut d’abord construire de la confiance, proposer des solutions et, si nécessaire, envisager un transfert interne ou un départ
Développement des compétences et conseils pour l’emploi
- En début de carrière, les stages, le portfolio et l’expérience de projet sont importants. Les compétences techniques (code, ML, etc.) constituent le minimum attendu
- La connaissance métier, la communication et la capacité à résoudre des problèmes deviennent des facteurs de différenciation encore plus importants à l’ère de l’IA et de l’automatisation
- Les projets concrets et l’expérience priment sur les diplômes et certifications
- Le recrutement dans le secteur valorise surtout l’expérience. Il est recommandé d’accumuler des stages, du conseil et des expériences sur des projets variés
Autres enseignements
- Signes qu’une startup va mal : baisse du moral, départ des talents clés, dégradation des indicateurs majeurs, etc.
- Sens politique : se concentrer sur des projets alignés avec la stratégie de l’organisation et construire des relations influentes
- Très haut salaire / avantages : dans des grandes entreprises tech comme Netflix, une rémunération de plus de 750 k$ est réaliste pour des postes seniors (actions incluses)
- Satisfaction de carrière : à part l’échelle des données, le travail en big tech peut être assez routinier ; il explore donc des activités parallèles pour retrouver de la croissance et du plaisir
Aucun commentaire pour le moment.