Où tout a commencé : choisir Agilytic

1. La fondation culturelle

Avant qu'Alex ne rejoigne Agilytic en 2018 en tant que Data Scientist, juste après Solvay, il a reçu une offre d'une grande société de conseil. Ce qui distinguait Agilytic était son accent spécialisé sur la science des données et quelque chose de moins tangible mais tout aussi (sinon plus) important : la culture organisationnelle.

Le contraste était frappant. Après avoir passé des entretiens chez la grande entreprise de conseil, avec poignées de main formelles et costumes, Alex a découvert une atmosphère différente chez Agilytic : nous donnons la priorité à faire rencontrer les candidats avec leurs futurs collègues avant de signer—une pratique rare qui s'est avérée décisive pour lui. Voir des collègues comme Jérôme démontrer des modèles de prévision sophistiqués a révélé le niveau d'expertise technique avec lequel il travaillerait.

Cet accent sur la composition de l'équipe plutôt que sur le nom de la marque reflète l'un de nos principes de recrutement fondamentaux : les professionnels rejoignent d'abord des équipes humaines, et ensuite des noms d'entreprises. La possibilité d'évaluer la compétence technique, l'adéquation culturelle et les mécanismes de résolution de conflits avant d'accepter une offre fournit des informations essentielles que les descriptions de poste ne peuvent transmettre.

2. Des projets qui définissent l'impact

Tout au long de ses années chez Agilytic, Alex a travaillé sur divers projets mettant en avant la large gamme des applications de la science des données, y compris les scores de leads et les projets d'automatisation.

💯 Évaluation des prospects

Ces projets visent à optimiser l'efficacité marketing en prédisant quels clients montrent la plus forte propension pour certains produits. Ces modèles agrègent à la fois les données internes de l'entreprise et des informations publiques récupérées, particulièrement précieuses dans les contextes B2B. Ils aident les organisations à concentrer les budgets où ils génèrent un impact maximal.

💵 Réduction des coûts par automatisation

L'un des principaux projets d'Alex a consisté à transformer les processus de reporting mensuels—qui ne fournissaient que des insights rétrospectifs—en systèmes de reporting quotidiens. Ce passage à une visibilité quotidienne a donné aux managers l'agilité d'identifier les points de friction et d'apporter des ajustements immédiats plutôt que d'attendre des semaines pour obtenir des informations exploitables.

Le détour entrepreneurial

1. Une nouvelle aventure

Après quatre années à développer son expertise technique en science des données, Alex a cofondé Leadix lorsqu'un ami d'université l'a approché avec des questions de plus en plus techniques sur une nouvelle entreprise.

Ce qui a commencé comme des conversations de conseil informelles a culminé avec une question inattendue : où chercheriez-vous un CTO ? La réponse immédiate d'Alex a été de suggérer des réseaux d'anciens élèves et des personnes spécifiques avant de dire « ou je pourrais le faire ». Cela a marqué le début d'un chapitre entrepreneurial de deux ans et demi.

L'expérience a renforcé l'engagement d'Alex envers la responsabilité : alors qu'Agilytic cultive une forte culture de prise de responsabilité, fonder une entreprise a élevé ce concept plus loin. Quand quelque chose doit être fait dans une petite équipe de start-up, cela incombe aux fondateurs—qu'il s'agisse de travail administratif fastidieux ou de corriger les erreurs des autres. Cela signifie souvent des heures supplémentaires imprévues et du travail le week-end, car les jeunes entreprises font face à des risques existentiels où l'exécution détermine la survie.

2. Retour là où tout a commencé

Alors que Leadix passait à une équipe de 7 personnes, une divergence de vision avec le cofondateur d'Alex a mené à une séparation à l'amiable où il a vendu ses parts. Plutôt que de poursuivre immédiatement la prochaine opportunité, il a pris le temps d'évaluer ce qu'il voulait :

• un travail techniquement intéressant,

• une reconnaissance pour ses contributions personnelles sans l'intensité dévorante de la création d'une start-up,

• une culture mettant l'accent sur la responsabilité et la collaboration.

Lister ces critères a rendu la réponse évidente : puisque Agilytic les remplissait tous déjà, il n'était logique que de revenir. Cette décision reflète une compréhension mature que les opportunités exceptionnelles sont rares et que rechercher constamment quelque chose de mieux peut obscurcir la valeur d'environnements éprouvés.

3. Évolution et continuité

En retournant chez Agilytic après deux ans, il a remarqué à la fois la constance et la croissance.

La culture de base, l'énergie de l'équipe et l'esprit de collaboration sont restés intacts. Mais ce qui avait évolué était la méthodologie, raffinée à travers plus de 350 projets clients réussis. Cette expérience accumulée permet des approches plus rapides et plus affirmées aux problèmes familiers.

Nous avons professionnalisé notre documentation, nos processus d'intégration, nos protocoles d'engagement client et notre suivi de projets, tout en préservant notre culture de base.

4. Apprendre des erreurs

Réfléchissant à sa trajectoire de carrière, Alex identifie comme leçon critique le fait de "faire attention à ce que vous souhaitez" : se concentrer sur une progression rapide et une accumulation de responsabilités, motivée par des considérations de statut et des augmentations de salaire, n'est pas une véritable stratégie de carrière. Les responsabilités supplémentaires ont des implications allant au-delà des titres sur LinkedIn.

Son conseil à son jeune lui-même : prenez votre temps. Les carrières s'étendent sur 40 à 50 ans, et les décisions prises au cours des cinq premières années ne déterminent pas tout ce qui suit. Les gens surestiment ce qu'ils peuvent accomplir en un an tout en sous-estimant ce qu'ils peuvent réaliser en dix. La trajectoire compte plus que les objectifs à court terme : plutôt que de se fixer sur des promotions à des dates précises, concentrez-vous sur aligner votre chemin actuel avec votre direction à long terme.

Cela s'applique aussi à la prise de décision. La plupart des décisions paraissent plus grandes qu'elles ne le sont et beaucoup ont des conséquences limitées ou sont réversibles. Évaluez les décisions par leur impact potentiel et leur réversibilité pour juger de l'inquiétude appropriée. La plupart des choix de carrière, y compris les premiers emplois, entrent dans des catégories où les erreurs sont gérables et des alternatives existent.

Les engagements d'Alex chez Agilytic

1. Aider les organisations à naviguer dans l'incertitude

Les organisations confrontées à la volatilité macroéconomique et aux changements technologiques rapides se demandent souvent : que devrions-nous faire avec les données? L'orientation d'Alex s'appuie sur la philosophie stoïcienne: concentrez-vous sur ce qui relève de votre contrôle. Les conditions macroéconomiques sont hors de ce champ; les processus opérationnels, les efforts commerciaux et l'optimisation interne ne le sont pas.

En période d'incertitude, les projets ciblant la réduction des coûts et l'optimisation opérationnelle sont les plus performants. L'automatisation, l'optimisation de l'allocation des ressources et les améliorations de l'efficacité deviennent particulièrement précieuses.

De plus, l'incertitude rend les organisations prudentes concernant les fournisseurs. Les cabinets de conseil établis avec des antécédents de plusieurs décennies et des centaines de projets accomplis inspirent plus de confiance que les nouveaux arrivants ne commercialisant leur expertise en IA sur la seule base de leur familiarité avec ChatGPT.

Des équipes d'experts plus petites offrent souvent une meilleure valeur que les grandes sociétés de conseil qui déploient de nombreuses ressources juniors. Les praticiens expérimentés qui ont résolu des problèmes similaires à plusieurs reprises fournissent de plus grandes garanties en termes d'impact, de délais et de respect du budget.

2. Bâtir des capacités en science des données

Lorsqu'il s'agit de construire des équipes internes en science des données, la compétence technique est l'exigence de base. Mais les ressources gratuites abondantes et les programmes de formation formels rendent le développement des compétences techniques accessible; le véritable facteur de différenciation réside dans les compétences non techniques.

Par exemple, l'empathie client—la capacité à comprendre les problèmes avant d'offrir des solutions—est un concept critique qui souvent s'avère étonnamment difficile à mettre en œuvre. La différence entre des scientifiques des données adéquats et excellents réside souvent dans la manière dont ils comprennent les besoins des parties prenantes.

Dans ce contexte, le cadre de l'histoire utilisateur de la méthodologie Agile ("En tant que [rôle], j'ai besoin de [fonction] pour atteindre [bénéfice]") offre une structure puissante. Il encourage une pensée basée sur les rôles et clarifie les résultats désirés par rapport à la fonctionnalité, évitant les solutions prématurées avant de comprendre les besoins réels.

3. Fournir des conseils stratégiques pour les initiatives de données

Lorsque des décideurs sceptiques questionnent les investissements en données, le discours ascenseur d'Alex est direct : les organisations accumulent un désavantage concurrentiel chaque jour qui passe. Le meilleur moment pour planter un arbre était il y a 20 ans; le second meilleur moment est aujourd'hui. Il en va de même pour les capacités en IA et en données.

L'approche la plus efficace renverse les conversations typiques sur l'IA. Plutôt que de commencer par la technologie, rassemblez les parties prenantes par département pour discuter des problèmes:

• ce qui consomme trop de temps,

• ce qui empêche des ventes supplémentaires,

• ce qui cause des nuits blanches…

Ce n'est qu'après avoir cartographié ces points de souffrance que les conversations devraient tourner vers l'évaluation de si l'IA ou la science des données peuvent fournir des solutions.

Cette séquence problème d'abord, technologie ensuite garantit que les initiatives de données répondent aux besoins organisationnels réels. Mettre en œuvre des solutions à la recherche de problèmes est un piège commun qui sape de nombreux projets bien intentionnés.

Perspectives sur l'industrie

Outils essentiels pour le travail de données moderne

1. Outils d'enregistrement et de transcription d'appels

Ces outils génèrent automatiquement des comptes rendus de réunion, des résumés et des actions à entreprendre. Ils effectuent maintenant ce travail mieux que les consultants juniors il y a quelques années, rendant leur absence presque inexcusable.

2. Grands Modèles de Langage

Alors que ChatGPT et ses semblables démontrent souvent une performance pure supérieure, l'intégration de Copilot au sein de l'écosystème Microsoft fournit des garanties de sécurité équivalentes à celles de SharePoint et Outlook. Les organisations à l'aise avec la posture de sécurité de Microsoft pour les informations confidentielles peuvent étendre cette confiance à Copilot.

D'autre part, les solutions de niveau entreprise (y compris les licences professionnelles de Perplexity ou les systèmes d'IA internes personnalisés) offrent des couches de sécurité supplémentaires et des capacités de réglage fin.

3. Outils de réduction des frictions pour fluidifier le travail

Ces outils n'encouragent pas la paresse; ils amplifient l'intelligence humaine, permettant aux professionnels de fournir un travail de qualité supérieure. Par exemple, les utilitaires d'expansion de texte comme TextExpander permettent un déploiement rapide de bibliothèques de suggestions et de blocs de texte standardisés.

La création de répertoires partagés de suggestions efficaces pour ChatGPT, Copilot et d'autres outils d'IA crée également des points de départ réutilisables pour les tâches courantes.

L'évolution récente de la politique d'Agilytic reflète cette réalité. Les restrictions antérieures sur les outils d'IA, notamment pour la génération de code, ont cédé la place à la reconnaissance que les gains de productivité et d'intelligence justifient un accès plus large. Cependant, cela nécessite une formation sur les limitations des outils et des environnements sécuritaires: ne pas fournir d'outils internes efficaces signifie que les employés peuvent utiliser des versions publiques comme ChatGPT, où des informations confidentielles collées dans des suggestions créent de graves vulnérabilités de sécurité.

Plus sur Alex

Créer un jumeau numérique de la Terre

Au-delà de la science des données, Alex s'intéresse à des concepts ambitieux comme la création d'un jumeau numérique de la Terre. Cela permettrait de tester des politiques, des impacts de start-up et des scénarios macroéconomiques, améliorant la prise de décision pour les défis mondiaux y compris la durabilité environnementale.

Dans ce projet, le défi technique ne réside pas dans la création de complexité, mais dans la combinaison de nombreux modèles simples en un système holistique. Tout comme des modèles de sciences des données individuels s'agrègent pour optimiser des organisations entières, une simulation à l'échelle planétaire nécessiterait d'interconnecter des modèles physiques, chimiques et sociaux pour représenter des phénomènes émergents complexes.

Recommandations de livres

Parmi ses recommandations de lecture, Alex met en avant Storytelling with Data comme essentiel. Le principe du livre est simple : si les clients ne comprennent pas vos visualisations, c'est la faute du créateur, pas du public. Malgré sa simplicité apparente, appliquer ces principes exige de la discipline. Le livre mérite d'être lu plusieurs fois pour se rappeler les bases : rester simple et facile à comprendre.

Le thème récurrent tout au long du parcours d'Alex, de salarié en start-up à fondateur en passant par manager de retour, est centré sur l'intentionnalité. Une évaluation réfléchie des besoins et des trajectoires à long terme dépasse systématiquement les décisions réactives motivées par des pressions externes ou des indicateurs de statut. Pour les professionnels de la science des données et les leaders organisationnels, cette approche mesurée constitue un cadre pour naviguer à la fois dans l'accélération technologique et l'incertitude économique.