6 constats clés dans le monde de la Data Science

Voici les « Key learnings » (traduits de l’américain) du dernier benchmark REXER sur l’usage du datamining et de la Data Science en entreprise.

La Data Science pour exploiter la Connaissance Client

Au cours des dernières années, il y a eu une augmentation de la demande sur les sujets analytiques liés à la connaissance client auprès des data scientistes & dataminers. Les enseignes ayant répondu au sondage sont à la recherche d’une meilleure compréhension du comportement d’achat de leurs clients et cherchent également à améliorer l’expérience client en général. Cela peut être vu à tous les niveaux, dans leurs objectifs, dans le nombre de projets Big Data qui démarrent sur ce sujet, et aussi dans les demandes croissantes d’utiliser le text mining pour exploiter les verbatim des clients dans différentes applications.

Big Data

Beaucoup de gens parlent du Big Data, et il y a certains domaines ou, par exemple, le volume de données est perçu comme un facteur clé. Il n’est toutefois pas clair que le monde du Big Data ait réellement encore véritablement rencontré le monde de l’analytique avancé, et son impact sur le travail quotidien des data scientistes et dataminers. On a cependant eu des témoignages comme quoi le volume de données à traiter par le data mining a bien augmenté ces dernières années, alors qu’il avait jusqu’ici tendance à être extrêmement constant dans le temps.

L’essor du langage « R »

La proportion de dataminers utilisant le langage R est indéniablement en croissance. R est même actuellement au global l’outil de data mining le plus utilisé. De plus, même si R est souvent utilisé en second outil conjointement avec d’autres outils de datamining, on a aussi pu constater une augmentation du nombre de dataminers ayant sélectionné R comme outil de datamining principal.

Le datamining encore relativement sous utilisé

Les dataminers et datascientistes continuent de signaler de nombreux défis à tous les niveaux des processus analytiques. Les sociétés continuent (d’après les experts) à ne pas encore utiliser le datamining à son plein potentiel et continuent de rencontrer de nombreux challenges notamment dans le domaine de la mesure de la performance qui pourraient pourtant être résolus avec la Data Science.

Engagement et satisfaction au travail

Les data scientistes et dataminers sont en général très engagés envers la communauté, produisent du contenu, font parfois des compétitions, cherchent à s’améliorer et à apprendre sans cesse dans leur travail. Toutes ces activités conduisent en général vers un niveau de satisfaction au travail élevé et croissant avec le temps.

Logiciels analytiques avancés

Les dataminers forment un groupe diversifié qui recherche des choses plutôt différentes de leurs outils de datamining et d’exploration des données. La facilité d’utilisation et le coût restent malgré tout les deux critères fédérateurs les plus importants dans les choix, à fonctionnalités équivalentes par ailleurs.

Les outils logiciels n’ont pas tous les mêmes caractéristiques. STATISTICA, KNIME, JMP et IBM SPSS Modeler sont les logiciels qui reçoivent les meilleures notes de satisfaction auprès de la communauté des dataminers et des datascientists.