Les 5 traits de caractère d’un Data Scientist

couverture 5 traits data scientist

À la question « Qu’est-ce qui définit un excellent Data Scientist ? », les réponses sont souvent des listes de compétences et d’outils.

Mais on ne parle presque jamais des traits de caractère d’un data scientist, ceux qui font les grands et les excellents profils. J’aimerais aborder ce sujet dans cet article.

N’importe qui peut maîtriser les outils et les compétences d’un Data Scientist. Mais les acquérir et les appliquer correctement nécessite un ensemble de traits de caractère difficiles à identifier, et encore plus difficiles à maîtriser.

En bref : les 5 traits de caractère d’un bon Data Scientist sont la curiosité, la clarté, la créativité, le scepticisme et l’humilité. Contrairement aux outils et aux compétences techniques, ce sont des habitudes mentales qui se développent au fil du temps.

Qu’est-ce qu’un trait de caractère, et lesquels retenir ?

Un trait de caractère est une habitude mentale que l’on peut appliquer dans la vie de tous les jours. On peut les développer au fil du temps et compléter ceux qui nous manquent. Rien n’est figé, aucune inquiétude !

Si on cherche à identifier les traits de personnalité d’un bon Data Scientist, on arrive vite à 10 ou 15 traits de caractère. Ce qui fait beaucoup pour une seule personne…

Si on devait s’arrêter à 5, à mon sens ce serait :

  • la curiosité
  • la clarté
  • la créativité
  • le scepticisme
  • l’humilité

Pourquoi la curiosité est-elle le premier trait d’un Data Scientist ?

À bien des égards, la curiosité (cette faim insatiable de connaissances et de compréhension) est le premier et le plus important trait de caractère d’un Data Scientist. Notre travail consiste à poser des questions.

La plupart des gens ne connaissent pas la data et ne savent pas ce que l’on peut faire ou non avec. Nous devons donc être curieux et comprendre ce que ces personnes font et ce qu’elles veulent réaliser, pour répondre à leurs problématiques.

Et le domaine de la Data Science évolue si rapidement que nous devons entretenir notre intérêt pour rester à jour.

Pour développer la curiosité qui nous aide à construire et à maintenir nos compétences, nous devons poser des questions dont nous « devrions » déjà connaître la réponse. C’est un trait stimulant à développer.

Comment le développer ? En se forçant à poser des questions élémentaires, même dans sa propre expertise (là où tu excelles), juste par curiosité.

Il faut donc apprendre à mettre son ego de côté et ne plus avoir peur de ne pas être la personne la plus intelligente de la salle.

Pourquoi la clarté est-elle indispensable en Data Science ?

La clarté est un prolongement essentiel de la curiosité. Que nous écrivions du code, que nous effectuions une analyse ou que nous nettoyions des données désordonnées, nous devons comprendre ce que nous faisons et pourquoi nous le faisons.

Nous devrions être en mesure d’expliquer la Data Science comme si notre interlocuteur avait cinq ans, ou au contraire détenait un doctorat.

On développe la clarté en se posant constamment deux questions : « Pourquoi ? » et « Et alors ? ». Pour chaque étape de ton analyse, demande-toi :

  • pourquoi tu le fais ;
  • ce que signifie le résultat obtenu pour ton projet ;
  • et, dans un contexte bien plus large, quel est le sens de ce que tu fais.

Et, comme un enfant curieux ou un adolescent en pleine crise, continue à poser ces questions jusqu’à obtenir une réponse sans faille. En d’autres termes, utilise « Pourquoi ? » et « Et alors ? » pour expliquer la Data Science à quelqu’un.

Ce que l’on conçoit bien s’énonce clairement,
Et les mots pour le dire arrivent aisément. (Nicolas Boileau)

La créativité peut-elle s’apprendre ?

La créativité est probablement l’élément le plus controversé de cette liste, principalement parce qu’elle est mal comprise. On la voit souvent comme binaire : soit on l’a, soit on ne l’a pas.

Mozart, par exemple, est censé avoir tiré sa musique de nulle part, en composant dès son plus jeune âge uniquement grâce à sa créativité. L’histoire devient moins sexy quand on apprend que Leopold Mozart, le père de Wolfgang, était un professeur de musique qui a utilisé son fils comme cobaye pour ses méthodes pédagogiques dès sa naissance.

Avec tout le respect que l’on doit à Mozart, qui avait certainement un génie musical inné, la créativité peut être apprise et développée de la même manière qu’un athlète développe les compétences de son sport : à force d’entraînement, de volonté, de pugnacité et de résilience.

Essaye ces activités créatives, régulièrement :

  • fais un brainstorming sur un sujet que tu as en tête ;
  • jette tes idées sur un papier, au réveil par exemple ;
  • éveille ta créativité en lisant des articles hors des sentiers battus (sur des sujets que tu ne connais pas).

Essaye aussi de petits changements spontanés dans ta routine quotidienne : change ton itinéraire pour aller au travail, cherche à résoudre des problèmes de différentes manières… Cela t’aidera à développer ta créativité.

D’ailleurs, beaucoup de gens plus intelligents que nous consacrent leur vie à l’étude de la créativité, il y a donc de nombreuses références pour t’aider à la stimuler. Personnellement, j’aime beaucoup la Reine blanche de Lewis Carroll, qui croit parfois à six choses impossibles avant le petit déjeuner.

Sometimes I believe six impossible things before breakfast. (Lewis Carroll, De l’autre côté du miroir)

Pourquoi un Data Scientist doit-il être sceptique ?

Même si nous voulons être toujours plus créatifs, nous devons garder les pieds sur Terre (au moins un ;p). C’est un scepticisme sain qui nous aide à le faire : il freine notre créativité et nous garde dans le monde réel, plutôt que de rester constamment la tête dans les étoiles.

Mais comment développer ce scepticisme tout en gardant une curiosité optimiste qui te pousse à continuer d’apprendre ?

Garde cette curiosité et explore la data avec tes propres méthodes. Il faut considérer les hypothèses et les attentes des personnes qui t’ont donné les données, sans oublier de tout remettre en question.

Lorsque tu construis un modèle, examine tes propres hypothèses. Si elles correspondent à celles du modèle et à ce que les données indiquent réellement, alors tu peux valider ce modèle.

Comme le disait le statisticien britannique George E. P. Box : « Tous les modèles sont faux, mais certains sont utiles ». C’est en maintenant cette attitude sceptique envers le monde qui nous entoure, et dans notre cas envers les data, que nous pourrons diminuer le risque d’erreurs inhérent à la Data Science.

Pourquoi l’humilité est-elle le trait qui unifie les autres ?

Ce qui nous amène au trait final et unificateur d’un Data Scientist : l’humilité.

La Data Science n’est pas magique et nous ne sommes pas des sorciers. Un Data Scientist est conscient qu’il ne sait pas tout et qu’il est impossible de tout savoir. Il cherche toujours de nouvelles choses à apprendre et se forme en permanence.

D’ailleurs, l’humilité est une valeur à garder en toute occasion. Il ne faut jamais prendre quelqu’un de haut : on est tous à égalité, quelles que soient nos expériences et nos compétences. On a toujours plein de choses à apprendre de tout le monde.

Quels sont les 5 traits d’un bon Data Scientist à retenir ?

Les cinq traits d’un bon Data Scientist sont :

  • la curiosité : cultive-la, pose des questions, même élémentaires ;
  • la clarté : explique ce que tu fais comme si ton interlocuteur avait cinq ans ou était doctorant ;
  • la créativité : pense différemment ;
  • le scepticisme : tous les modèles sont faux, certains sont utiles ;
  • l’humilité : tu ne vas pas sauver le monde, ne l’oublie pas.
Data Scientist : 5 traits de caractères d'un data scientist

Le spécialiste des données pense « hors des sentiers battus » : le ridicule ne le tue pas. Et, bien sûr, le Data Scientist est sceptique par nature : il se méfie de ses données et de ses modèles, et les évalue avec discernement.

Enfin, il doit savoir présenter ses résultats avec clarté et humilité.

Les traits de caractère se développent en pratiquant : sur DataXp, tu t’entraînes sur des exercices pratiques avec un coach IA qui t’aide quand tu bloques. Les premiers modules sont gratuits.

Questions fréquentes sur les traits de caractère d’un Data Scientist

Quels sont les traits de caractère d’un bon Data Scientist ?

Cinq traits : la curiosité, la clarté, la créativité, le scepticisme et l’humilité. L’article part d’une liste de 10 à 15 traits possibles et retient ces cinq.

Quel est le trait de caractère le plus important pour un Data Scientist ?

La curiosité est, à bien des égards, le premier et le plus important : le travail d’un Data Scientist consiste à poser des questions, à comprendre ce que veulent les interlocuteurs et à rester à jour dans un domaine qui évolue vite.

Comment développer sa clarté en Data Science ?

En se posant constamment deux questions, « Pourquoi ? » et « Et alors ? », à chaque étape de l’analyse : pourquoi tu le fais, ce que signifie le résultat pour ton projet et quel est le sens de ce que tu fais. L’objectif est de pouvoir expliquer la Data Science à quelqu’un de cinq ans comme à un docteur.

Peut-on apprendre à être créatif ?

Oui. La créativité se développe comme un athlète développe son sport, à force d’entraînement, de volonté et de résilience. L’article propose des activités régulières : brainstorming, notes au réveil, lectures sur des sujets inconnus et petits changements de routine.

Que signifie « tous les modèles sont faux, mais certains sont utiles » ?

C’est une citation du statisticien britannique George E. P. Box, utilisée pour illustrer le scepticisme : un modèle est une simplification, donc il faut examiner ses hypothèses et les comparer à ce que les données indiquent réellement avant de le valider.

Pour aller plus loin, découvre aussi comment te former à la Data Science.

Publications similaires

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *