Data Scientist, Research Scientist et Applied Scientist : quelles différences ?

Juil 15, 2021 | IA/Data Science

Au cours de cette dernière décennie, les entreprises ont rapidement pris conscience de l’intérêt d’exploiter les données. En conséquence, de nouveaux métiers ont vu le jour.  Malheureusement en raison de leur apparition récente, il est très fréquent de voir une confusion entre ces derniers.

L’idéalisation et l’engouement de la science des données (Data Science en anglais) n’ont guère arrangé les choses. En effet, certaines entreprises ne savent plus quel rôle rechercher pour répondre à leurs besoins. Elles utilisent malencontreusement divers métiers de manière interchangeable. Ceci engendre de mauvais recrutement et donc un sentiment d’insatisfaction. Selon une enquête publiée par Kantar et l’Essec Business School, 70% des cadres dirigeants confirment vouloir embaucher des data scientists dans les prochains mois. Pourtant, 74 % affirment avoir du mal à évaluer leurs besoins en matière de data, dans un monde où les compétences évoluent très rapidement.

Comme pour toute activité, il est nécessaire d’établir en référentiel une nomenclature des divers métiers qui la compose. Cette nomenclature permet de coordonner les rôles et de clarifier les limites de leur champ d’action. Elle aidera non seulement toute entreprise à mieux cerner son besoin mais également les chercheurs d’emploi à ajuster leurs recherches.

Dans cet article, nous allons éclaircir les rôles de « Data Scientist », « Research Scientist » et « Applied Scientist ».

Trois univers sous forme de poupée russe

De nos jours, la data est un pourvoyeur de cas d’usage stratégiques au sein d’organisations en quête de croissance, et pour lesquels il est fondamental de poser des bases solides de structuration des ressources, processus et outils leur étant assujettis. Qu’en est-il de l’organisation des ressources de la cellule des opérations scientifiques sur la donnée ?

Il est important de distinguer les 3 profils qui composent principalement cette cellule, et dont les rôles distincts peuvent être perçus selon l’illustration suivante :

Représentation simplifiée des limites de chaque rôle
Les différences entre les rôles de Data Scientist, Research Scientist et Applied Scientist se situent sur le niveau de compréhension scientifique et des attentes.

La figure 1 illustre indirectement ces propos. Plus le cercle est grand, plus le niveau scientifique et les attentes sont élevés. On peut également voir que les rôles s’encapsulent entre eux :

  • Un Research Scientist possède un plus haut niveau de compréhension scientifique, et donc d’attentes, par rapport à un Data Scientist.
  • Un Applied Scientist peut effectuer le travail d’un Research Scientist et plus encore.
  • Un Research Scientist peut réaliser ce qu’un Data Scientist effectue au quotidien et plus encore.

Dans le reste de l’article, nous allons nous attarder davantage sur chaque rôle pour en comprendre quelques subtilités.

Data Scientist

Data ScientistLe Data Scientist signifie en français le scientifique des données.

Le niveau d’étude attendu pour ce poste est généralement un Master. Malheureusement, même ce poste est parfois confondu avec un autre. Par méconnaissance, certaines entreprises recrutent des Data Scientists pour réaliser le travail d’un Data Analyst, à savoir analyser les données pour les transformer en informations exploitables.

Bien qu’un Data Scientist analyse aussi les données, son rôle ne se limite pas à cela. Le Data Analyst, quant à lui, détient d’autres missions que nous traiterons dans un autre article.

Plus globalement, un Data Scientist vise à développer et mettre en place des modèles statistiques permettant de résoudre divers problèmes du monde « réel ». Son champ d’actions est large. Il peut collecter, traiter, modéliser et visualiser des données.

Pour ce rôle, on ne s’attend pas à ce qu’il révolutionne un domaine. Au contraire, il implémente et adapte ce que la recherche scientifique a découvert ou rendue possible.

Research Scientist

Research ScientistLe Research Scientist est un chercheur.

Dans le domaine de la Data Science, on peut lui attribuer d’autres dénominations telles que Data Science Researcher. Le niveau d’étude minimum généralement attendu pour ce poste est un Doctorat. Parfois, il est simplement attendu un Master. Cependant, il faut alors démontrer une appétence pour la recherche et de bonnes expériences en ce sens.

Ce rôle ne s’attarde pas à la création de produits ou de solutions. Il vise à faire progresser la recherche et donc la littérature scientifique.

Le champ d’action d’un Research Scientist est plus large qu’un Data Scientist, à savoir :

  • Il émet des hypothèses et effectue des expériences pour valider ces dernières,
  • Il évalue l’état de l’art et en tire des préconisations pour des approches génériques sur étagère,
  • Il contribue activement à l’état de l’art en rédigeant des articles et/ou journaux scientifiques à paraître dans des conférences et revues de la communauté de pairs.

Un Research Scientist se trouve généralement dans le monde académique, à savoir les Universités. Depuis quelques années cependant, les entreprises commencent à y voir un intérêt pour leur activité. On peut citer par exemple un des pères fondateurs du Deep Learning, Yann Le Cun, qui a été recruté par Facebook en 2013.

 

Applied Scientist

Applied Scientist

L’Applied Scientist signifie en français le scientifique appliqué.

Le niveau d’étude demandé pour ce poste est le même qu’un Research Scientist. La seule différence est qu’un Applied Scientist visera à appliquer ses connaissances et à implémenter des solutions au monde « réel » tandis que le Research Scientist, lui, mettra l’accent sur les avancées scientifiques.

 

Dans cet article, nous avons clarifié les rôles de Data Scientist, Research Scientist et Applied Scientist. Les entreprises peuvent dorénavant déterminer quel rôle leur est nécessaire. Les candidats, de leur côté, peuvent ajuster leurs recherches pour trouver un poste les correspondant davantage.

Au sein du Lab’Inno, laboratoire de recherche et d’innovation de DataValue Consulting, l’équipe se compose de l’ensemble de ces profils qui interopèrent en toute harmonie dans la construction de solutions disruptives activables en ligne. Pour plus d’informations sur nos activités, n’hésitez pas à nous contacter.

 

Livre Blanc

Mise en œuvre d'une stratégie 
de qualité des données 

Livre Blanc

Feuille de route d'une stratégie
de Data Management 

Baromètre annuel de la data

Les priorités des décideurs
data en 2022 

Share This