DataBird | Formation bootcamp en data analyse | Paris

webinar à venir : présentation du bootcamp | webinar en replay : initiation à SQL

webinar à venir : présentation du bootcamp | webinar en replay : initiation à SQL

Loris Clement, alumni DataBird : Diplômé d'école de commerce à Data Analyst chez Effilab en l’espace de 3 mois 

La vie sur le Bootcamp DataBird

Illustration

Est-ce que tu pourrais te présenter ?

Je m’appelle Loris, j’ai 22 ans et je suis diplômé du bachelor international de Kedge Business School depuis juin 2020. Suite à mon école de commerce, j’ai décidé de rejoindre le bootcamp DataBird, qui m’a permis d’intégrer dès sa sortie un poste en tant que Data Analyst.
Revenons un peu en arrière.
Data, machine learning, intelligence artificielle, scraping, Python, Pandas, SQL … ce sont tant de termes qui en effraient certains, en intriguent d’autres. Il y a 3 mois encore, c’était mon cas. La data était un univers qui m’intriguait et qui m’attirait. Mais, il y a 3 mois, il m’était impossible de créer de la valeur à partir de données brutes, ou alors je ne pouvais gratter que la surface de petits datasets sur Excel. 
Aujourd’hui, après un travail intense au sein du bootcamp en Data Analytics de DataBird, je sais transformer de grandes tables illisibles à première vue, en information utile, et surtout, j’ai décroché mon premier CDI en tant que Data Analyst chez Effilab.

Pourquoi cette volonté de te former à la data analyse ?

Les écoles de commerce savent former et préparer les étudiants à de nombreux postes, mais elles ont encore des difficultés à se positionner sur les métiers de la data. La particularité des data analysts et des data scientists est que leur métier se trouve à l’intersection entre l’ingénierie et le business. Le data analyst doit avoir un bagage de programmation et de statistiques pour pouvoir être performant. Il doit aussi avoir une bonne compréhension des enjeux business liés à la donnée. 
Mon école de commerce m’a donné cette compréhension globale de l’entreprise, des services qui la composent et des challenges qu’ils relèvent. Cependant, je n’avais pas de bagage technique. C’est là que DataBird est entré dans la partie. 
DataBird m’a apporté cette brique technique qui me manquait tant. Je n’avais que de faibles bases en Python avant le bootcamp, mais aujourd’hui j’ai toutes les connaissances nécessaires pour être autonome en data analyse et continuer à apprendre seul.

Peux-tu nous expliquer certains des challenges que tu as pu réaliser lors de ta formation chez DataBird ?

Au cours du bootcamp, certaines étapes se sont imposées comme de véritables milestones de mon apprentissage. Chacune de ces étapes clés est intervenue après avoir accompli une mission qui avait un vrai potentiel de valeur commerciale. 
Par exemple, à la fin d’un module dédié au scraping, le challenge que j’ai dû surmonter a été d’écrire un programme en Python capable d’aller chercher des informations sur un site commercial pour faire une analyse de marché. À la fin de cette journée, mes collaborateurs et moi-même disposions de nombreuses informations et statistiques sur le site en question. C'est -à -dire que sans débourser un centime, simplement avec nos connaissances informatiques nous avions accès à des informations clés pour une entreprise de ce secteur.

Parlons du déroulement des deux semaines de projet.
Pourquoi l’avoir choisi ? Sur quoi et avec qui travaillais-tu ?

Sans hésiter, le plus gros accomplissement lors de ce bootcamp a été de mener des analyses pour une station de ski alpin. Cette mission a duré deux semaines. Chris Mugnier, Stéphane Lavaud et moi-même, étions pendant cette durée des consultants pour cette entreprise qui disposait de grande quantité de données, mais qui n’avait pas de personnel qualifié pour l’exploiter ou pas de personnel qui pouvait prendre le temps d’étudier le sujet.
L’enjeu de cette mission était de donner à cette station de la visibilité sur les habitudes de ses skieurs de manière à améliorer l’expérience des skieurs et d’augmenter la rentabilité de la structure.
Ce projet était très intéressant et très formateur pour de jeunes data analysts comme nous car nous y avons appris la réalité du terrain. 
Quelles ont été les difficultés à surmonter lors du projet ?
Premièrement, il a fallu bien comprendre les besoins des équipes de l’entreprise et les challenges que représentent la gestion d’une station de ski. Ce type d’entreprise fonctionne sur un modèle rarement étudié et les armes dont ils disposent pour améliorer leur succès sont parfois difficiles à actionner. Certaines informations sont donc essentielles pour évaluer la santé de l’activité et prendre de bonnes décisions alors que d’autres n’auront aucun impact sur cela.
Finalement, après différentes prises de contact avec les équipes business, nous sommes arrivés à une liste de produits livrables ayant de la valeur pour l’entreprise. Nous avons alors décidé de concevoir un Dashboard de monitoring journalier. Celui-ci comparait les performances en fonction de certains KPIs d’un jour de l’année N avec le jour comparable de l’année N-1 et/ou N-2. Aussi, nous avons proposé un modèle de machine learning permettant de faire une estimation du nombre de skieurs qui skient sur le domaine. Et finalement, nous avons travaillé sur une analyse plus générale du comportement des skieurs de manière à proposer des axes d’améliorations du domaine conduisant à une hausse des profits. Une fois les objectifs fixés, il n’y avait plus qu’à mettre les mains dans le code.
La seconde grande difficulté à laquelle nous avons dû faire face a été la qualité de la donnée. Bien entendu, nous avions été préparés à ce type d’obstacle tout au long du bootcamp. Les données sont souvent peu explicites et mal conçues. Grâce à nos apprentissages, cet obstacle a été surmonté, bien qu’il nous en ait coûté du temps. Nous sommes donc arrivés à automatiser le nettoyage de la donnée et l’agrégation de manière à la rendre exploitable. 
Après avoir transformé cet amas de données portant à confusion en le rendant clair et compréhensible, nous avons exploré les données dans le sens des objectifs précédemment fixés. 
Qu’avez vous pu proposer à l’apporteur de projet ?
La première étape a été de faire cette analyse générale du comportement des skieurs. Par exemple comprendre où skient les adultes et où skient les enfants pour pouvoir adapter le domaine au mieux. Aussi, nous pouvions mesurer les coefficients de ce que rapporte chaque remontée à la station en fonction de plusieurs facteurs. Grâce à cela, nous avons pu proposer des rénovations de remontées prioritaires en raison de leur fort impact sur le chiffre d'affaires et la rentabilité.
Au sujet du dashboard, nous avons créé un dashboard montrant le nombre de passages sur le domaine dans une journée, comparé à la même statistique sur le même jour de la même semaine l’année précédente. Ce diagramme en bâtons montrait aussi s’il y avait une différence de condition météorologique entre ces deux jours. De plus, ce dashboard comparait le nombre de personnes dormant en station par rapport au nombre de skieurs sur les pistes et le nombre de passages par remontée, toutes ces informations toujours comparées à l’année précédente. 
Pour finir, nous avons proposé un modèle de machine learning qui prédit la fréquentation des pistes en fonction de plusieurs facteurs dont l’affluence des années précédentes à la même période et la météo. Le fait que la météo ait un impact sur l’affluence limite l’utilisation au lendemain ou au surlendemain puisque la météo en montagne est difficile à prédire.
Quel a été le résultat ?
L’entreprise bénéficiant de notre travail a été très satisfaite des résultats que nous avons prodigués et cela a représenté une vraie valeur pour eux. Nous avons aussi présenté nos travaux à des responsables de Veepee, Monoprix, OpenClassRooms, Elevate, BlaBlaCar, Foxintelligence, Altissia. C’était donc l’aboutissement de ce bootcamp !

Post-formation, comment as tu abordé la recherche d’emploi en data ?

Alors que j’étais débutant dans le code avant Databird, à la fin de cette expérience j’avais créé de la valeur pour une entreprise. Je me sentais alors prêt à trouver un emploi dans l’analyse de données.

La recherche d’emploi fut bien plus intéressante et efficace que d’autres auparavant. Cette fois ci je savais ce que je recherchais. J’avais trouvé ma voie et je connaissais le domaine. Je ne suis pas encore un expert de la data analysis, mais je compte bien le devenir.

Ma recherche était donc structurée, claire et sans perte de temps. En effet, j’étais déjà assez avancé dans les discussions avec mon employeur actuel avant même de finir le bootcamp. Ces discussions ont conduit à la signature de mon CDI peu après.

A qui est ce que tu recommanderais la formation de DataBird ?

Je recommande chaudement Databird à plusieurs profils divers mais je vais m’adresser ici premièrement aux personnes qui comme moi, sortent d’école de commerce et pensent que c’est avec la data qu’ils trouveront leur bonheur. 
Premièrement, travailler dans la data c’est apprendre en permanence. C’est se challenger chaque nouveau jour. Et le gros du travail du data analyst c’est le code. Coder est l’enfer de certains mais le plaisir d’autres. Mon avis sur la question est que pour apprécier coder il faut avoir un goût pour les puzzles et les casse-têtes. Si vous êtes une personne qui aime dépenser du temps et de l’effort pour trouver la solution à un problème, il y a des chances que le code vous plaise. Aussi, il faut avoir un sens du résultat. Au plus une tâche est difficile et consommatrice de temps, au plus le plaisir est intense lorsque cette tâche est accomplie. Débuger un code n’est pas toujours la partie la plus plaisante, mais la satisfaction de trouver la solution est vraiment grande.
Si vous avez un goût pour la technologie, un esprit assez mathématique, que vous êtes persévérant et méticuleux alors l’analyse de données est peut-être faite pour vous. Et si vous aimez apprendre par l’expérience, les environnements de travail intenses et la bonne ambiance alors DataBird est faits pour vous. 

Avec du recul, qu’est ce que tu retiens de l’expérience du bootcamp ?

Cette expérience a été grandement bénéfique pour moi. J’ai trouvé ma voie et j’ai développé ma passion pour l’analyse de données
Grâce à DataBird et au reste de mon parcours, j’ai pu trouver un poste qui me comble. Coder en Python est la partie de l’analyse de données que je préfère, dans ce nouveau poste je code chaque jour et progresse énormément.
Le bootcamp a aidé à différencier mon profil, je couvre aujourd’hui une palette de compétences allant de compétences business à des compétences beaucoup plus techniques comme les statistiques et la programmation !

Concrètement, comment se sont passés les process et entretiens dans les boîtes dans lesquelles tu as postulé ?

La recherche d’emploi à été très rapide et efficace comme je l’ai déjà mentionné. Je n’ai postulé qu’à quelques offres d’emplois relayées par Databird avant d’entrer en discussion avec Effilab pour le job de mes rêves. Dès lors, après une série d’entretiens j’ai pu signer pour le poste que j’occupe aujourd’hui et qui me comble! 

Tu es maintenant Data Analyst chez Effilab depuis début janvier, comment se sont passés tes premières semaines ?

Je suis entré en poste début janvier et je suis très à l’aise dans mes fonctions. Bien entendu, j’apprends toujours énormément chaque jour, que ce soit de par mes recherches ou l’aide de mes supérieurs, mais DataBird m’a donné des bases très solides. 
Grâce à mes connaissances acquises lors du bootcamp, j’ai pu me familiariser rapidement avec l’environnement data de l’entreprise et ses enjeux. Mes compétences en code SQL et Python m’ont aussi permis d’être opérationnel rapidement, c’est exactement ce que je recherchais ! Bref, n’hésitez pas, foncez vers DataBird !

Made with