Comment devenir analyste de données d’entreprise en 2022

L’époque où un analyste de données d’entreprise n’avait besoin que d’être un ninja du tableur est révolue depuis longtemps. L’analyse commerciale moderne nécessite de solides compétences en analyse de données et des connaissances dans les méthodologies de science des données telles que l’analyse prédictive ou l’inférence causale. La familiarité vous permet de soutenir des équipes non techniques et de combler le fossé avec les services informatiques. En d’autres termes, vous devenez un traducteur analytique.

Néanmoins, vous devez avoir plus que la capacité de corréler les données pour identifier les problèmes de l’entreprise. Vos compétences techniques avancées mettent simplement le pied dans la porte. Ce sont les compétences non techniques qui le maintiennent ouvert. Des capacités hautement compétentes en communication, en gestion des parties prenantes et en sens des affaires sont essentielles pour devenir une clé de résolution essentielle pour la haute direction.

Voici les compétences techniques et générales nécessaires pour démarrer en tant qu’analyste de données d’entreprise.

Améliorez vos compétences d’analyste de données dures

Dans mon métier actuel, tous les stagiaires et collègues juniors sont incroyablement compétents. Cependant, comme ils n’ont pas des années d’expérience en analyse commerciale, nous examinons ce qu’ils apportent d’autre à l’équipe. Soit c’est autodidacte, soit appris à l’école grâce à des cours de données et d’informatique. Ce sont les mêmes principes pris en compte lors de mon processus d’embauche.

En d’autres termes, concentrez vos énergies post-universitaires sur l’amélioration de vos compétences en tant qu’analyste de données. Ce faisant, vous aidez les parties prenantes à s’engager dans des décisions commerciales positives.

Avoir une base statistique solide

Les statistiques sont à la base de l’analyse des données d’entreprise. Cette science vous permet de mieux comprendre les données d’une entreprise. De plus, cela vous donne une chance de voir les préjugés les plus courants dans les affaires. Par exemple, vous comprenez les définitions derrière les variables omises, les pertes mutuelles ou le biais de sélection.

Vous devez comprendre parfaitement des concepts tels que la moyenne, la corrélation ou le test t et la façon dont ils sont appliqués aux données d’une organisation. Non seulement une base statistique solide vous permet d’être plus sûr dans votre analyse de données, mais elle vous aide également à passer au niveau supérieur de votre parcours.

Les principales branches de l’analyse des données d’entreprise

L’économétrie, la segmentation et l’analyse prédictive sont les principales branches de l’analyse de données. Bien qu’elle soit à la fois extrêmement sous-estimée et impopulaire, cette application des méthodes statistiques utilisées en économétrie est une science puissante. Les algorithmes de cette science se concentrent sur le processus de prise de décision.

Ce qui est également perspicace, c’est la segmentation et les techniques associées. Ici, vous séparez les marchés en groupes de prospects et de clients présentant des caractéristiques similaires. Cela inclut ce qu’ils achètent.

Enfin, j’ai recommandé l’analyse prédictive comme troisième priorité à étudier. Cette forme de science statistique est actuellement populaire parmi les entreprises. Son objectif est de prédire les résultats futurs possibles à partir d’une série de variables.

Pour illustrer ces domaines d’études, voici quelques exemples tirés de mon parcours professionnel. Le premier utilise l’algorithme d’appariement pour l’économétrie. La seconde applique l’algorithme des k-moyennes pour la segmentation.

L’appariement est un algorithme économétrique pour trouver l’incrémentalité causale avec des groupes non comparables.

Je travaille pour l’entreprise de mode allemande Zalando. Il existe deux possibilités linguistiques pour leur site Web : l’anglais et l’allemand. La version anglaise a été introduite en 2018. Cependant, quelques mois après le lancement, la question de savoir si cela en valait la peine a été mise sur la table.

Le site anglais est dédié aux immigrés et aux expatriés. Ce profil est totalement différent de l’Allemand moyen. Les expatriés sont plus jeunes, vivent presque exclusivement dans les centres-villes et ont un revenu plus élevé, rien que pour les caractéristiques des personnes. Ainsi, leur comportement d’achat est différent.

Comme les consommateurs anglais et allemands ne sont pas comparables, une mise en correspondance était nécessaire pour déterminer si le site Web distinct valait l’investissement. Ainsi, j’ai essayé de déterminer chaque caractéristique qui fait un client Zalando. J’ai choisi d’aller avec 15 d’entre eux.

Pour la vérification de la robustesse, j’ai utilisé l’approche de l’expérience répétée et créé une répétition de 1 000 fois. Après la corrélation des données, j’ai présenté la méthodologie et l’approche à la haute direction et aux collègues.

De la segmentation basée sur la valeur au comportement client

Quant à la segmentation, ma première expérience a été dans un concours fermé pour un conglomérat. L’entreprise avait mis en place une segmentation de la valeur, ce qui l’a aidée à hiérarchiser ses clients. Ils connaissaient la valeur que chaque client apportait à l’organisation. À leur tour, ces données leur ont permis de concentrer leur attention.

Cependant, malgré la robustesse de leur segmentation des valeurs, il n’y avait pas de séparation comportementale. Par conséquent, l’entreprise en a demandé un pour le concours. Pour obtenir les informations correctes, l’organisation nous a fourni une quantité massive de données anonymisées.

Le nombre total de variables était supérieur à 600, ce qui va au-delà d’un concept pour minimiser les problèmes. Vous ne voulez pas rencontrer de problèmes tels que la multicolinéarité, la malédiction de la dimensionnalité ou même l’interprétation. Ainsi, la première chose était de couper l’ensemble de données.

Notre première étape était basée sur des hypothèses : quels éléments pourraient définir le comportement du client et être simultanément perspicaces ? La réponse nous a fait passer de 600 variables à 30. Ensuite, j’ai exécuté une matrice de corrélation pour voir où nous avions des variables expliquant la même chose, et cela a entraîné la suppression de 15 caractéristiques supplémentaires.

Nous avons ensuite utilisé les k-moyennes pour regrouper davantage les données. Il a produit sept segments et nous avons présenté nos conclusions au concours. Bien que nous ayons perdu, l’expérience a été incroyable.

La raison de comprendre les trois branches principales est d’apprendre ce qui peut être mieux fait. Par exemple, pour le concours, sept segments étaient à l’extrémité supérieure de la complexité. Peut-être que la simplicité aurait été plus sage.

De plus, les nouveaux clients ne faisaient pas partie de la solution car aucune information n’était disponible. Nous devions créer un processus pour eux, comme un huitième segment temporaire. Ensuite, nous l’aurions attribué une fois que l’entreprise aurait mis à jour les informations.

La présentation et la communication de l’idée nécessitaient également des améliorations. C’était trop technique plutôt que perspicace. Cela conduit à une discussion sur les compétences générales.

La communication est la prochaine étape

Une bonne communication devient de plus en plus pertinente à mesure que vous élargissez votre rôle en tant qu’analyste de données. Peu importe que vous ayez un diplôme dans un domaine commercial, en technologie de l’information (TI) ou en anglais. Une bonne communication n’est pas quelque chose à ignorer.

Cela ne signifie pas que vous êtes enclin à des discours inspirants instantanés. Je ne fais pas ça. Le fait est que j’ai lu un script pour mes vidéos. Pourtant, je dois encore être prêt à présenter une version simplifiée des résultats que vous avez compilés.

Permettez-moi de partager certains des principes que je suis pour améliorer la communication.

Soyez prêt

Mes présentations sont peu convaincantes et déroutantes Si je ne sais pas tout sur mon sujet ou mes données. Chaque fois que j’ai une présentation, aussi petite soit-elle, je m’assure de comprendre les faits.

J’essaie de créer un aperçu de l’histoire dans mon esprit. Cela me permet de parler avec fluidité et confiance.

Le langage du corps

Une fois, j’ai reçu des commentaires selon lesquels mon langage corporel semblait fermé et conflictuel. Je ne m’en suis pas rendu compte jusqu’à ce que j’aie fait une présentation dans une pièce avec des miroirs. Je me suis observé et j’ai vu ce que la personne voulait dire.

Maintenant, j’essaie de montrer plus d’ouverture. Je garde le dos droit et le corps lâche. Je garde un petit sourire sur mon visage tout au long de la présentation.

Soyez ouvert et curieux

Je suis confiant dans ce que je dis parce que je fais des efforts pour connaître les faits. Au début de ma carrière, si quelqu’un présentait un concept qui contredisait le mien. Je l’écarterais immédiatement, puis contrecarrerais l’idée avec la mienne. Cela s’est avéré sec et abrasif.

Aujourd’hui, au lieu d’un congédiement instantané, je pose des questions à l’orateur. S’ils sont préparés et présentent un argument logique, alors je considère la faisabilité de l’idée.

Certes, être ouvert aux questions et aux critiques n’est pas facile. Cependant, vous devez adopter une curiosité honnête pour créer un environnement proactif.

Compétence

Votre rôle en tant qu’analyste de données d’entreprise est considéré comme le deuxième intervenant le plus compétent d’une organisation. Ainsi, les hard et soft skills vous apprennent et augmentent votre compétence aux yeux de la direction.

C’est un travail difficile d’atteindre cette position. Vous devez établir de solides compétences analytiques et ses trois branches principales. Dans le même temps, réfléchissez à la manière de communiquer correctement votre expérience et les informations que vous compilez.

Grâce à la combinaison de compétences générales et spécialisées, vous bénéficiez d’un avantage pour décrocher un poste exigé par de nombreuses organisations.