Mapper les compétences Data permet de construire une scorecard, une grille d'évaluation ou un plan de progression. Cette Skills Map couvre six catégories, notées pour les trois grands métiers de la Data. Co-construite avec Thomas Clavelloux, Head of Data @ Ankorstore, et Otávio Leite Bastos, Global Data & AI Strategy Manager @ Carrefour.
1. Pourquoi cartographier les compétences
Quatre usages concrets : construire une scorecard de recrutement, bâtir une grille d'évaluation, définir un plan de progression d'équipe, monter en culture technique côté recrutement.
2. L'échelle de notation, de 1 à 5
1. Conscience
Vous connaissez l'existence de la compétence, sans pouvoir exécuter les tâches.
2. Novice
Vous comprenez la terminologie et pouvez en discuter.
3. Intermédiaire
Vous avez appliqué la compétence à des situations occasionnelles, sans être guidé.
4. Avancé
Vous pouvez guider d'autres personnes et expliquer les nuances.
5. Expert
Vous avez démontré une excellence constante sur plusieurs projets.
3. Les six catégories et leurs notes par métier
1. Machine Learning
Data Engineer 1, Data Analyst 2, Data Scientist 5. Développer des modèles prédictifs et des algorithmes qui apprennent des données. Arbres de décision, réseaux de neurones, SVM. Sélection et prétraitement des données, validation croisée, optimisation des hyperparamètres.
2. Programming
Data Engineer 5 en SQL, Data Analyst 3 en SQL et Python, Data Scientist 5 en R et Python. Manipuler de grands volumes, nettoyer la donnée brute, la préparer pour l'analyse. Développer des algorithmes et automatiser par scripts.
3. Math et Statistiques
Data Engineer 2, Data Analyst 4, Data Scientist 5. Probabilités, statistiques descriptives, inférence, modélisation. Explorer les données, identifier les tendances, valider des modèles prédictifs.
4. Data Visualization
Data Engineer 1, Data Analyst 5, Data Scientist 3. Maîtriser Matplotlib, Seaborn ou Tableau. Concevoir des visualisations claires qui rendent les insights lisibles par un public non technique.
5. Problem Solving
Data Engineer 3, Data Analyst 4, Data Scientist 5. Formuler des questions de recherche pertinentes, concevoir des expériences, identifier les obstacles et trouver des solutions.
6. Data Pipelines Management
Data Engineer 5, Data Analyst 2, Data Scientist 1. Concevoir et maintenir des pipelines robustes avec Apache Kafka, Airflow ou AWS Glue. Surveiller et optimiser leurs performances en continu.