1933 : Scientifique des données au travail

L'intitulé de poste est bien plus jeune que le métier qui le sous-tend. « Data scientist » remonte à environ 2008, lorsque DJ Patil et Jeff Hammerbacher l'adoptent indépendamment en constituant des équipes data chez LinkedIn et Facebook, tandis que le statisticien William S. Cleveland ne propose « data science » comme discipline académique qu'en 2001. La discipline sous-jacente est bien plus ancienne : elle remonte à la promotion par John Tukey, dans les années 1960-1970, de l'analyse exploratoire des données, puis aux statistiques de Ronald Fisher dans les années 1920 et à l'étude de 1662 de John Graunt sur les registres de mortalité londoniens.

Un article de 2012 de la Harvard Business Review le qualifiant de « sexiest job of the 21st century » déclenche une décennie de recrutement massif en entreprise et des centaines de nouveaux programmes universitaires. Cette vague s'est depuis mûrie : le généraliste s'est scindé en ingénierie analytique, ingénierie de l'apprentissage automatique et analytique produit, et les outils d'IA prennent en charge une part croissante des requêtes, du nettoyage et des graphiques que le poste original supposait faits à la main.

Que fait concrètement un scientifique des données au quotidien ? Contrairement à l'image du « constructeur de modèles d'IA », la plupart des journées se partagent entre l'écriture de requêtes SQL et de code Python pour extraire et nettoyer les données, l'exécution de tests statistiques ou l'entraînement de modèles, et la traduction des résultats en graphique ou note de synthèse qu'un décideur non technique peut exploiter. Les enquêtes auprès des praticiens placent régulièrement le nettoyage et la préparation des données à environ la moitié — voire davantage — du temps de travail total.