Cet article a été publié originellement sur mydatacompany.fr
Face à des candidats « rois » et un marché du recrutement des Data scientists « très tendu », les employeurs doivent soigner plus que jamais l’attractivité. Étapes et réalités de ce parcours du combattant et conseils pour recruter.
Charlotte Vitoux, directrice générale de l’agence de recrutement Aquent France, le confirme, les tensions à l’embauche sont « très fortes ». Différents secteurs bataillent pour attirer à eux ces compétences. Les services aux consommateurs, comme Airbnb, figurent parmi les secteurs qui recrutent le plus aujourd’hui de Data Scientists.
Rivalités et tensions sur le recrutement de Data Scientists
Les cabinets de conseil, eux aussi, « intègrent de plus en plus ces compétences », comme les agences de communication, qui s’efforcent de les concurrencer. Dans la banque et l’assurance, la demande est constante, tout comme dans le domaine de l’hôtellerie. Il ne faut pas oublier non plus les pure players du numérique. En revanche, l’industrie se montrerait moins active.
La concurrence est rude donc, et les candidats exigeants. Si le cycle de recrutement d’un Data scientist dure en moyenne trois à six mois, la signature du contrat de travail n’en est pas toujours la conclusion. « Il n’est pas confirmé qu’une fois le contrat signé, le talent se présente le premier jour ou reste très longtemps » prévient la recruteuse.
Les employeurs doivent en effet composer avec une spécificité : « nous sommes sur un marché de talents, c’est-à-dire de candidats qui décident. Ils ont le pouvoir. » Et ce pouvoir s’exerce notamment sur les conditions de travail.
Des candidats exigeants sur les conditions de travail/attractivité
La rémunération reste un élément important pour attirer des candidats (comptez 42 à 48K€ par an de salaire brut pour un junior). S’ajoutent d’autres avantages comme l’intéressement ou la participation. Mais le salaire ne suffit pas à faire la différence.
« Ces profils de Data scientists vont être précurseurs dans la gestion des ressources humaines. Ils peuvent imposer d’être en télétravail deux jours par semaine ou d’habiter dans une autre ville que leur employeur» indique la responsable d’Aquent.
Les conditions offertes aux candidats sont donc essentielles si les employeurs veulent accroître leur attractivité. Etre un grand nom de son secteur ne suffit pas en la matière. Charlotte Vitoux le souligne, le premier facteur, c’est le projet lui-même. La mission confiée au Data scientist sur les 6 à 12 premiers mois sera déterminante dans sa décision.
A « l’intérêt intellectuel de la mission » s’ajoutent les gains en compétences et en apprentissage, ainsi que les formations proposées, « même si ces profils se forment énormément et en permanence. » L’équipe, Data et au-delà, est un « autre très gros facteur de prise de décision. »
La flexibilité dans le travail et la mobilité entrent également en ligne de compte. Face à ces attentes, les employeurs se montrent de plus en plus à l’écoute. Ils envisagent plus aisément désormais de faire évoluer leurs modes de travail, « de moins en moins axés sur le présentéisme. »
Quels Profils de data scientists disponibles ?
Les offres d’emploi et les profils LinkedIn des Data scientists l’illustrent, les débutants et les juniors sont sans doute les plus représentés. Cependant attirer un junior, ou un débutant, n’est pas forcément plus simple qu’un profil « middle » affichant de 8 à 10 ans d’expérience.
Les cursus de Data scientists sont encore récents et des employeurs vont chasser directement dans les écoles. A ce titre, une approche de type « campus management » sera « cruciale » pour attirer les débutants.
Stages et alternance sont à ce titre des leviers efficaces de recrutement. Cela pose naturellement des difficultés aux employeurs qui n’ont pas su au départ attirer des stagiaires et des alternants. Ils se trouvent souvent confrontés à la concurrence de grands groupes.
« Beaucoup de profils ont fait une alternance et la plupart des employeurs les recrutent juste après » explique la directrice d’Aquent. « Il est crucial d’avoir une présence, une vraie stratégie et des opérations de campus management. »
En conséquence, les profils disponibles à l’embauche ne sont pas nécessairement ceux qui sortent d’école, mais ceux disposant de deux à trois ans d’expérience. « Le vivier est un peu plus disponible » précise-t-elle.
Rémunération selon les profils
Si la rémunération n’est pas l’alpha et l’oméga, les entreprises ne peuvent cependant pas la négliger sur un marché en tension. Le salaire brut annuel pour un junior oscillera ainsi entre 42 et 48K€. Des avantages comme l’intéressement et la participation sont aussi des leviers à activer pour les employeurs. Le candidat les prendra en compte dans son calcul.
Pour les candidats avec une première expérience, le salaire grimpe. Et la fourchette est large, allant de 48 000 € jusqu’à 65 000 € pour certains. Compétences spécifiques, personnalité du Data scientist, nature de la première expérience et catégorie d’entreprise (startup, grand groupe…) seront des variables de cette rémunération.
Enfin, pour un professionnel affichant plus de huit d’expérience, ce salaire annuel «ira facilement au-delà de 70 000 € » estime le cabinet de recrutement.
Compétences : hard et soft skills
Dans sa boîte à outils, le Data scientist dispose de « fondamentaux », des « incontournables » comme la maîtrise d’un langage de programmation tel que Python ou R. Ce sont les « hard skills » attendues par l’employeur. Elles sont généralement acquises en formation initiale ou par auto-formation, sur des Mooc par exemple. Mais les entreprises ne doivent pas se focaliser sur ces seules compétences ou savoirs techniques.
Car pour mettre en œuvre la Data science dans les organisations de manière opérationnelle, avec à la clé de la création de valeur, les « soft skills » des candidats sont un enjeu majeur. « Être un bon communicant, comprendre la chaîne de valeur de l’entreprise, son client et ses besoins… ce sont des éléments qui manquent aux plus juniors » observe Charlotte Vitoux.
Mais cela aussi s’apprend. La formation interne le favorise. L’organisation dans laquelle s’intègre la Data science aussi. Celle-ci doit permettre l’acquisition de la compréhension métier et de ses problématiques business. Une coopération directe entre les Data scientists et les métiers dans le cadre des projets de Data science est un incontournable.
Cela suppose aussi du candidat Data scientist qu’il dispose des qualités humaines pour « rapidement s’adapter » : curiosité, culture générale, sensibilité aux problématiques business des entreprises… Les attentes à l’égard des profils plus expérimentés sont nécessairement plus grandes dans ce domaine. Les employeurs peuvent escompter d’eux une capacité à devancer les besoins Data des métiers et à être véritablement une force de proposition.