Les données sont donc un actif majeur de toute organisation. Seul bémol : la pénurie des travailleurs de la donnée, pourtant essentiels afin de les gérer correctement et en tirer les meilleures décisions et prédictions. 

La demande pour ces profils a été soutenue au cours des dernières années. Selon LinkedIn, les emplois en Data Science ont connu une augmentation de 650 % depuis 2012. Même constat chez Glassdoor, avec environ 1 700 offres d'emploi hébergées sur leur site web en 2016. Ce nombre est passé à 4 500 en 2018 et a atteint 6 500 en 2020. Un rapport du Bureau of Labor Statistics prévoit une progression des qualifications pour les métiers de la data et une croissance de 28 % dans le secteur dans les années à venir, et ce jusqu'en 2026. Plus la demande pour ces profils augmente, plus il devient nécessaire de perfectionner leurs compétences pour suivre l’évolution des modes de travail.

Les prévisions indiquent également que de nombreux travailleurs de la donnée démissionneront à mesure que la crise sanitaire perdra de son importance et que la "vie d’avant" se réinstallera. Pour l'instant, les rapports révèlent que le rythme des démissions est plus élevé chez les employés de niveau intermédiaire et dans les secteurs de la santé et de la technologie. Cette "Grande Démission" est une excellente occasion pour les entreprises de s'emparer des meilleurs profils. Les recruteurs devront modifier leurs processus d'embauche pour s'aligner avec les changements du marché.

Les défis liés au recrutement des travailleurs de la data

Il est important pour les entreprises d’adapter leurs processus de recrutement au risque de passer à côté d'excellents profils. Aujourd’hui, l’embauche d’un professionnel de la data est longue et difficile : comme la Data Science est en constante évolution, les entreprises sont souvent incertaines de leurs besoins. Il existe une déconnexion entre les ressources humaines et les équipes qui recrutent. Cela entraîne des processus d'entretien ardus, souvent étalés sur cinq ou six rencontres, avec des tests pratiques et des présentations par les candidats. Passer de nombreux entretiens pour finalement ne pas être retenu est extrêmement décourageant, plusieurs candidats – excellents pour certains – préférant tout bonnement abandonner.

Mais ce n’est pas tout : souvent le flou autour des besoins réels pour les data scientists mène à des inadéquations avec leurs postes. Par exemple, quand une entreprise recherche un profil possédant une expertise avancée en intelligence artificielle (IA), en Business Intelligence (BI) ou en Machine Learning (ML), le data scientist moyen est sous-qualifié. Et inversement : quand un data scientist hautement qualifié, travaillant avec le ML et l'IA, est engagé pour réaliser des graphiques pour des présentations. Cela prouve qu’il existe un décalage entre les qualifications et les besoins réels, et débouche sur des équipes démotivées et aucun bénéfice pour l'entreprise. 

Aussi, de plus en plus de travailleurs de la donnée constatent que leurs prouesses techniques sont priorisées par rapport à leur potentiel. La recherche du « mouton à cinq pattes » peut souvent conduire à la perte de bons candidats ayant un réel potentiel. Mettre trop l'accent sur les qualifications relatives à des variantes spécifiques de la Data Science aboutit incontestablement à la perte de candidats.

Autre point essentiel : cette pandémie a changé à jamais notre mode de travail. Travailler depuis chez soi ou avec des horaires flexibles n'a pas d'impact négatif sur la productivité. Le contexte sanitaire a largement contribué à la Grande Démission. Les entreprises ne doivent plus craindre le télétravail ou les modèles hybrides et, au contraire, proposer des postes en phase avec l’environnement actuel afin d'attirer les meilleurs candidats. 

Comment les entreprises peuvent-elle concrètement réussir leurs recrutements dans le secteur de la donnée ? 

Il existe certaines « bonnes pratiques » que les recruteurs peuvent adopter lors de la recherche et embauche de professionnels de la donnée.

Souvent, les entreprises ignorent comment les data scientists peuvent les aider, ce qui mène parfois à un recrutement surqualifié ou sous-qualifié - et donc inadapté au rôle ouvert. Il est alors primordial de connaître et comprendre d'abord les problématiques liées aux données que l’entreprise cherche à résoudre. Il faut avoir des exigences claires sur les qualifications requises pour une meilleure sélection des candidats, et ne pas hésiter à demander des lignes directrices aux équipes opérationnelles. 

Les recruteurs ont tendance à embaucher pour un problème spécifique rencontré - or, dans le monde de la donnée, il est nécessaire de recruter avec une approche plus prospective. Il s'agit de travailleurs capables de se perfectionner ainsi que de piloter l'entreprise pour accompagner sa croissance. La conséquence logique est de rechercher des compétences en matière de leadership et de vision au premier chef, mais aussi de transmettre cette perspective pour attirer les bons profils. 

Les attirer est une chose, les recruter en est une autre : il faut agir rapidement et couper les circuits d’entretiens trop longs, qui sont démotivants pour la plupart des candidats. Néanmoins, il faut également élargir les périmètres d'embauche : outre les compétences, le recruteur se doit d’étudier le potentiel des candidats, leur demander ce qu’ils peuvent apporter à l’entreprise pour la faire prospérer grâce aux données. 

Parce qu'un bon travailleur de la donnée va au-delà de ses capacités techniques, il doit également être un bon communicant, un chercheur, un animateur et un collaborateur proactif. En somme, recruter le bon candidat dans le secteur de la donnée peut améliorer tout le fonctionnement d'une entreprise.