Mais d'abord : c'est quoi un data scientist ?

La data science est un domaine à la croisée des chemins : statistiques, mathématiques, IA, programmation, analyse et storytelling s'y combinent pour transformer les données en valeur concrète. C'est le lien entre la donnée brute et la direction générale, un pont entre le monde technique et le monde business.

Un data scientist sait manier les méthodes statistiques et un large éventail d'outils pour analyser et préparer les données. Mais il sait aussi expliquer ce que ça signifie, à des profils très différents. C'est justement ce qui fait sa valeur : la capacité à vulgariser sans trahir.

Les compétences d'un bon data scientist en 2026

• Soft skills : communication solide, sens de l'écoute, et talent pour rendre l'abstrait accessible aux non-initiés.

  
  

• Approche AI-first : maîtrise des LLMs, du RAG, des agents et des outils IA modernes, plutôt que de tout recoder from scratch.

  
  

• Expertise cloud : bonne connaissance d'au moins une grande plateforme (Azure, AWS ou Google Cloud), idéalement validée par une certification.

  
  

• Réflexe API : savoir tirer parti des services existants plutôt que de réinventer la roue.

L'essentiel : l'état d'esprit

À l'heure où les outils IA peuvent abattre une grande partie du travail, ce qui compte vraiment, c'est la compréhension de fond. La conception, l'architecture, la pensée stratégique : c'est là que se joue la valeur humaine aujourd'hui.

Et ce n'est pas qu'une question de qualité. Des agents mal conçus, trop génériques, produisent de mauvais résultats et consomment des tokens à un coût bien réel. Savoir formuler un problème, structurer une solution et arbitrer les choix techniques, voilà ce qui distingue un data scientist ordinaire d'un excellent.

La stack technique

1. IA générative et outils modernes

La GenAI a changé le métier en profondeur. Les compétences IA ne sont plus optionnelles, elles sont au cœur du travail.

Large Language Models (LLMs)

Pour travailler efficacement avec les LLMs, il faut comprendre leurs capacités, leurs limites et leurs cas d'usage :

• Maîtriser le prompt engineering pour obtenir des résultats fiables.

• Explorer des outils comme Claude Code pour le développement assisté par IA.

RAG (Retrieval-Augmented Generation)

Le RAG, c'est l'ensemble des techniques qui permettent d'enrichir un LLM avec des données propres à l'organisation. Cela implique de construire des bases de connaissances connectées aux systèmes IA, et de savoir choisir entre RAG et fine-tuning selon les besoins.

Agents IA

Concevoir et orchestrer des agents autonomes pour des tâches précises, et pour les workflows plus complexes, penser en termes de systèmes multi-agents.

2. Plateformes cloud

L'expertise cloud est aujourd'hui un prérequis. Un data scientist doit savoir exploiter des services managés plutôt que tout construire lui-même.

Les concepts clés à maîtriser :

• Utiliser le MLOps as a Service (Azure ML, SageMaker, Vertex AI)

• Préférer les APIs préconstruites aux implémentations custom

• Comprendre scalabilité, gestion des coûts et sécurité dans le cloud

• Déployer et monitorer des modèles en production

Une certification sur l'une de ces plateformes est un vrai plus, en compétences comme en crédibilité :

• Microsoft Certified: Azure Fundamentals

• AWS Certified Cloud Practitioner

• Google Cloud Professional Data Engineer

3. Fondamentaux de la programmation

Les outils IA génèrent du code, certes. Mais encore faut-il savoir le relire, le déboguer et en guider la production. Les bases restent indispensables.

📚 Automate the Boring Stuff with Python : idéal pour débuter, très concret si vous faites les exercices au fil de la lecture.

📚 Data Science from Scratch – First Principles with Python, de Joel Grus : une introduction aux bases de Python et aux concepts du quotidien d'un data scientist.

🎥 Corey Schafer sur YouTube : du très basique jusqu'aux sujets plus avancés comme la création d'applications web.

4. Fondamentaux du Machine Learning

Même en s'appuyant de plus en plus sur des APIs et services préconstruits, comprendre les concepts ML reste essentiel. Pour poser de bonnes bases, nous recommandons le cours Machine Learning de Stanford University sur Coursera. Pas suffisant à lui seul en 2026, mais un excellent point de départ.

📚 The Hundred-Page Machine Learning Book, d'Andriy Burkov : une vue d'ensemble remarquablement dense pour un livre aussi court, avec quelques exemples mathématiques et de code bien choisis.

📚 Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow : la référence pratique, riche en exemples concrets avec les bibliothèques Python incontournables.

🎥 StatQuest with Josh Starmer sur YouTube : pour comprendre l'intuition derrière les formules, sans se perdre dans les maths.

5. Expérience pratique et projets

La théorie, c'est bien. La pratique, c'est mieux.

Construisez des projets qui mettent en valeur l'intégration IA et le déploiement cloud. Participez aux compétitions Kaggle pour vous confronter à des défis réels. Et documentez votre travail sur GitHub en mettant l'accent non pas sur le code lui-même, mais sur votre démarche de résolution de problèmes et l'impact business que vous visez.

Les compétences business

1. Comprendre les problèmes et définir les objectifs

En data science, l'objectif n'est pas de produire un beau modèle : c'est d'extraire des insights actionnables. Une solution technique n'a de valeur que si elle répond au bon problème. C'est souvent ce qui sépare les bons data scientists des excellents.

📚 Cracked it! : How to solve big problems and sell solutions like top strategy consultants : un livre qui entraîne à aborder les problèmes complexes avec méthode, et à convaincre avec les bonnes solutions. Concret, orienté résultats.

Quelques frameworks de cabinets de conseil sont aussi utiles à connaître, pas à mémoriser, mais à avoir dans sa boîte à outils mentale :

• Case interview frameworks: a comprehensive guide – IGotAnOffer

• Case Interview Frameworks: Ultimate Guide | Management Consulted

2. Communication et gestion des parties prenantes

Avoir la bonne solution ne suffit pas : encore faut-il savoir la partager. La data science, c'est autant de l'exécution technique que de la communication avec des clients, des collègues, des décideurs.

Les compétences à développer :

• Traduire des concepts techniques pour des interlocuteurs non techniques

• Cadrer les analyses autour des problèmes business, pas autour des modèles

• Écoute active et empathie pour cerner les vrais besoins

• Gestion des attentes et pédagogie sur les limites de l'IA

📚 Storytelling with Data: A Data Visualization Guide for Business Professionals : une lecture obligatoire chez Agilytic. Ceux qui l'ont lu voient leurs présentations et visualisations s'améliorer concrètement et rapidement.

Compétences bonus

1. Outils de collaboration

La data science est un travail d'équipe. Plusieurs personnes peuvent travailler sur le même code en parallèle, c'est pourquoi maîtriser Git et GitHub est essentiel.

🎥 Git and GitHub for Beginners - Crash Course sur YouTube : illustre l'utilité de GitHub avec des exemples pratiques et en temps réel.

💻 git - the simple guide (rogerdudler.github.io) : le minimum vital, expliqué simplement.

2. Outils de Business Intelligence

La BI permet d'exploiter les données existantes pour éclairer les décisions sur l'état actuel d'une organisation. Power BI et Tableau sont les deux références du marché en visualisation et reporting.

🎥 Power BI Tutorial From Beginner to Pro ⚡ Desktop to Dashboard in 60 Minutes ⏰ - YouTube.

🎥 Tableau Basics | Tableau Essential Training

3. Fondamentaux des systèmes

Comprendre comment fonctionne un ordinateur, surtout quand une erreur mystérieuse surgit, peut vous faire gagner énormément de temps en configuration et en débogage.

🎥 MIT Open Course : 10 chapitres en ligne sur des sujets rarement couverts en formation formelle : outils shell, éditeurs, ligne de commande, Git, débogage. Une ressource précieuse.

Intéressé.e par une carrière en data science chez Agilytic ?

Agilytic recrute des data scientists en ce moment.

Nous cherchons des collègues qui veulent contribuer à faire progresser notre pratique et s'inscrire dans un projet entrepreneurial qui a du sens. Chez nous, l'environnement de travail est pensé pour vous permettre de faire un excellent travail, de continuer à apprendre, et d'être heureux en le faisant.

Ça vous parle ? Rejoignez-nous !