Julien Guitard : du conseil en stratégie à la Data Science
En fin de scolarité à Polytechnique et à l’ENSAE, j’ai effectué un PhD entre Londres et Paris sur des questions d’économétrie, d’économie et de statistiques. J’ai ensuite travaillé en cabinet ministériel à Bercy où j’ai pu appliquer mes travaux de thèse et j’ai eu envie de donner une dimension plus business à mon parcours en rentrant en conseil au BCG en tant que consultant généraliste. C’est au bout de 2 ans au BCG que j’ai réalisé qu’avec mon background scientifique, je pouvais développer une expertise dans ce que l’on commençait à appeler la Data.
J’ai continué pendant quelques années chez Bluestone (EY) en conseil spécialisé Data, avant de rejoindre Lucky Cart pour travailler sur des projets concrets d’innovation.
Oui et non.
Non, car ma thèse m’avait permis de consolider mes compétences en informatique, statistiques et mathématiques appliquées.
Oui, car la Data Science ce n’était pas uniquement cela et il a fallu que je me mette dans le bain ! Cela demande d’être prêt à apprendre, posture dans laquelle j’étais encore à mes 30 ans. Sortir de sa zone de confort pour assimiler de nouvelles connaissances, c’est un réflexe qui à mon sens doit être adopté assez tôt dans une carrière, car avec la vitesse des évolutions techniques, nos compétences peuvent devenir rapidement obsolètes.
Il y a souvent une différence de niveau d’attaque des problématiques. Les problèmes Data sont en général plus opérationnels, même si on a de plus en plus affaire à des membres du board. Le conseil en Data était vu à mes débuts comme du conseil spécialisé, voire IT, mais c’est clairement de moins en moins le cas.
Si l’on compare la manière de raisonner, les deux se complètent bien. L’approche inductive du conseil en stratégie s’applique tout à fait à la recherche et à l’application Data.
Bien sûr, les compétences usuelles d’un consultant constituent un dénominateur commun: savoir communiquer sur ses résultats, faire des slides attrayants, organiser une réflexion et un projet, délivrer des messages clairs…
D’ailleurs aujourd’hui en tant que CDO, j’estime que ces compétences sont primordiales et j’essaie de transmettre à mes équipes cette envie de valoriser nos travaux.
Je pense vraiment que l’apport du conseil à une carrière dans la Data est fondamental et que ce choix peut être fait à différents stades de son parcours.
En début de carrière, il est crucial d’être dans un environnement où l’on apprend beaucoup. Ce qu’il faut développer en priorité c’est l’aspect technique, dans le prolongement du monde académique, mais il faut assez vite ajouter une dimension conseil à ses atouts.
2-3 ans d’expérience en start-up puis un passage en conseil ou bien un début de carrière dans du conseil très technique avec un environnement cadré me paraissent être de très bonnes options.
Attention toutefois aux start-ups au tout début de leur développement : on est souvent livré à soi-même et personne n’est là pour nous faire apprendre et nous challenger. La Data Science ne s’apprend pas que sur Coursera ou via des MOOCs, il y a une transmission qui peut être faite des seniors aux juniors et je pense que commencer dans le conseil permet d’en bénéficier.
Déjà, je pense qu’il faut se dire qu’aucune décision n’est définitive et que l’on peut changer de carrière plus tard. Personnellement, j’avais la conviction que les questions mathématiques et business pouvaient se rencontrer et j’avais envie de les combiner. Il faut se demander pourquoi on fait les choses, pourquoi on se dirige vers cette voie. Les raisons peuvent être de toutes sortes mais il ne faut pas le faire juste parce que c’est à la mode.
Ensuite, je pense qu’il faut être très analytique, savoir découper des problèmes compliqués en plusieurs problèmes simples, aimer les chiffres, être débrouillard et ne rien prendre pour acquis. Il faut surtout être prêt à suivre les évolutions technologiques et à se repositionner sur d’autres compétences, d’autres jobs si nécessaire.
Lucky Cart est une entreprise de plus de 10 ans d’existence qui compte une quarantaine de salariés. Tout part d’une conviction : le monde de la promotion et plus généralement du retail média n’a pas beaucoup évolué malgré le tsunami digital. On a donc décidé d’aider les retailers et les marques à optimiser leurs investissements promotionnels et leurs activations via notre API qui embarque des algorithmes de personnalisation, d’optimisation et de mesure de la performance. Concrètement, nous arrivons à distribuer la bonne promotion, au bon format et à la bonne personne.
La Data est au cœur de notre proposition de valeur : on s’appuie énormément sur l’intelligence artificielle, la recherche opérationnelle et la microéconométrie pour savoir ce qu’il faut adresser, à qui et à quel moment.
Aujourd’hui dans l’équipe Data, nous sommes une dizaine de collaborateurs. La moitié est représentée par des Data Scientists et la deuxième moitié par des Data Engineers auxquels s’ajoutent 2 Data Analysts.
Tout d’abord, nous voulons être capables d’augmenter graduellement les performances de notre plateforme pour maximiser la satisfaction de nos clients et de leurs clients, les consommateurs.
Ensuite, nous avons pour ambition de percer le secret des comportements des consommateurs dans nos secteurs de prédilection et de comprendre, grâce à la Data, les facteurs d’achat imperceptibles autrement, avec un grand degré de finesse.