Benoît

Binachon

Managing Director Executive Search - Smart / Big Data Analytics

Uman Partners

Du recrutement dans la Data à la Data dans les processus
de recrutement

 

retour au sommaire

Qu’est-ce qui vous a poussé à fonder Uman Partners ?

 

Nous avons fondé Uman Partners sur deux dimensions importantes, tout d’abord le recrutement dans la Data, par goût et car il s’agit d’une spécialité métier intéressante et d’un véritable besoin des entreprises, mais également la volonté d’insérer de la Data et du quantitatif dans nos processus de travail. Notre approche du discernement des candidats est donc très « data driven ». Notre objectif au sein de Uman Partners est d’aider nos clients à recruter dans tous les métiers séniors liés au Big Data, à la Data Science et au Machine Learning. Nous ne recrutons pas de profils quantitatifs classiques mais des Data Scientists Seniors, des patrons de la Data Science, des Chief Data Scientists…

 

 

Sur quels types de profils vous sollicite-t-on le plus ?

 

Nous recrutons trois types de profils, les premiers et plus recherchés sont liés à la Data Science pure et dure, les métiers cœurs scientifiques ainsi que les métiers techniques autour du Big Data et de l’architecture qui souvent se mêlent aux premiers. Il y a des gens qui sont de dominante Data Science avec une mineure Big Data et des gens qui sont de dominante Big Data avec une mineure Data Science. Le premier besoin est en effet de construire la technique et la science, les entreprises recrutent d’abord le Chief Data Scientist et ensuite les personnes qui vont orchestrer le projet.

 

Les seconds profils recherchés sont les utilisateurs et intermédiaires de la Data science, soit des consultants qui savent parler le double langage Data science et métier : des directeurs de projet qui vont conduire des initiatives Data pour le compte du marketing, du risque, du consumer insights…

Il s’agit de personnes à même de comprendre le besoin d’un directeur marketing sur sa problématique de fidélité, de développement d’un nouveau produit, ou d’un directeur des fraudes sur une problématique de fraude à l’assurance par téléphone.

 

On constate, de la part des industriels et entreprises en général, une minimisation de l’importance de recruter des chefs de projets experts de la Data. Les entreprises ne sont pas conscientes de l’importance de la sensibilité des directeurs de projets et patrons de conseils à la Data. Mais il est vrai qu’il est possible de façonner un chef de projet Data Science à condition qu’il y soit sensible à la base. Une personne n’ayant pas forcément eu un parcours lié à la Data Science, sera capable d’assurer ce poste si elle est en mesure de détecter les cas d’usage qui peuvent être résolus par la Data Science à partir des outils disponibles.
On trouve des personnes diplômées de Science Po qui vont en être capables alors que des purs mathématiciens vont y être insensibles.

 

Les derniers postes pour lesquels nous sommes sollicités sont ceux qui demandent une forte sensibilité à la Data : Directeur Marketing Client, Directeurs Consumer Insight etc. Aujourd’hui, on demande par exemple au Directeur Marketing de gérer un call center avec une approche très quantitative. On peut également demander à un patron du Consumer Insight dans la cosmétique ou en pharmacie de savoir introduire de la prédiction, de la prescription dans l’élaboration d’un parfum, d’une crème de beauté car cela coûte très cher de faire des essais et de développer des produits sans avoir une visibilité du succès d’un produit sur une population. La Data donne une grande longueur d’avance dans les fonctions métiers. On ne demande pas à ces métiers d’être des Data Scientists mais d’avoir une compréhension de ce que l’on peut faire avec quels moyens, d’être à l’écoute et d’utiliser tout l’écosystème technique. Sur cette dernière famille de postes, on constate un vrai retard en France notamment par rapport aux Etats-Unis, qui ont vu apparaître plus de postes data-driven. Il y a naturellement moins de besoins mais également moins de candidats sur ces postes en France et donc une grande difficulté à trouver des candidats qui ont vraiment une expérience data-driven sur leurs sujets.

 

 

Quelle intégration du Big Data dans les fonctions management de l’entreprise ?

 

En France, on constate une avancée plutôt par le digital au niveau des directions. C’est le digital qui rentre au Comex. Ce n’est pas forcément réducteur car la Data est un des instruments du digital. En revanche, il y a beaucoup d’initiatives digitales qui ne tiennent pas compte de la Data, ce qui est complètement aberrant. Faire du digital sans faire de la Data, c’est comme construire une voiture sans moteur et il est assez courant de voir un patron du digital ou Chief Digital Officer qui n’est pas du tout sensible à la Data. De même, il y a encore très peu de Chief Data Officers en France contrairement aux Etats-Unis. Le rôle du Chief Data Officer est de bien comprendre tous les métiers du comex : celui du Directeur Marketing, Financier, de la R&D, de la Production etc. Il doit être une éponge pour comprendre tout l’écosystème de la Data, les besoins de son entreprise et l’ensemble de l’offre qui existent sur les sujets Data pour servir ces besoins. Malgré son rôle primordial, l’important n’est pas qu’un Chief Data Officer porte le projet impérativement, mais bien que la Data soit une des priorités du Comex de l’entreprise.

 

 

Face à des géants comme Facebook ou Google, comment vos clients arrivent-ils à rester attractifs pour
des profils Data Science et Big Data qui se raréfient ?

 

Google ou Facebook vont attirer des profils très scientifiques, spécialisés par exemple dans la classification ou l’indexation
de vidéos. Il s’agit finalement de postes avec un périmètre assez restreint, qui conviendront à des purs geeks.

 

Lorsque nous accompagnons nos clients sur le lancement d’un Data Lab par exemple, il s’agit d’un véritable projet de transformation de l’entreprise. Pour les banques, opérateurs téléphoniques, assureurs, il s’agit de construire une équipe avec
un périmètre très large. Les enjeux scientifiques sont tout aussi pointus mais il y a également des enjeux humains, des notions
de transformation et du management.

 

Lorsqu’Axa lance son Data Innovation Lab, il s’agit de transformer toute la chaine, de la captation du sinistre, des données
du sinistre jusqu’à une action du téléopérateur, du conseiller client dans un call center. De même, pour un opérateur télécom,
un des cas d’usage est de faire apparaitre sur l’écran du téléopérateur une instruction très précise qui prescrit une action
à appliquer au client qui appelle. Cela implique de la Data Science en amont, du juridique sur les données exploitables,
de l’informatique, du syndical, car on fait évoluer la manière de travailler, et de la formation car cela a un impact sur l’action
des téléconseillers qui vont obéir aux ordres de l’algorithme. Ces deux derniers cas montrent que les grands groupes restent attractifs car il s’agit d’une conduite du changement très large et dans laquelle la dimension humaine est très intéressante
pour un Data Scientist.

 

De plus, les grandes entreprises telles Facebook, Google… sont américaines ou étrangères et les missions sont plus limitées pour un Data Scientist qui travaillera pour eux en France.

 

En revanche, un vrai handicap pour les entreprises françaises réside dans la pression salariale exercée par Google, Facebook ou encore GE qui offrent des salaires bien supérieurs aux salaires consentis aux Data-Scientists dans la majorité des entreprises françaises. De même et grâce à l’attractivité des salaires proposés, les entreprises américaines attirent de plus en plus de Data-Scientists français, dont les compétences techniques sont au plus haut niveau mondial. Pour éviter un brain drain (fuite des cerveaux) de notre vivier en Data-Science et continuer à attirer des talents, les entreprises françaises doivent nécessairement revoir leurs barèmes de salaires.

 

 

Quelles nouvelles compétences sont désormais demandées pour un spécialiste Big Data et Data Science ?

 

Dans cet univers, ce sont des profils qui seront toujours rares… Même si on forme beaucoup plus de profils à la Data au sein
de Polytechnique, Supéléc, HEC… Ce sont des métiers élitistes qui produisent peu de talents car ils demandent beaucoup de capacités d’abstraction et de créativité, des qualités qui sont innées et sélectives.

 

Les compétences requises dans ce domaine sont de deux natures. On demande de nouvelles compétences techniques en lien avec de plus ou moins nouveaux langages et formalismes mathématiques. La Data Science est avant tout composée de gens qui sont très matheux, qui comprennent les concepts mais qui sont également capables d’avoir un véritable recul scientifique.
Faire de l’informatique sans garde-fou scientifique peut s’avérer dangereux.

 

Mais l’on demande désormais également aux talents une vraie capacité à comprendre le business et une capacité à participer
à la transformation. Ce sont des compétences qui relèvent du leadership et qui incluent en fonction des postes et niveaux de :

  • Savoir influencer un dirigeant ;
  • Savoir porter l’innovation ou détecter les innovations qui peuvent être appliquées à une micro ou macro échelle ;
  • Porter et développer ses équipes – savoir les manager avec les méthodes inspirées par les Google ou autres – savoir les faire rayonner, les connecter à la recherche, les faire parler dans des meetups, en plus de les faire rayonner au quotidien
    en les aidant à se développer d’un point de vue strictement scientifique ;
  • Savoir vite incorporer dans leur disque dur cérébral de nouvelles approches et nouvelles technologies ;
  • Avoir le sens du client et parler avec des mots simples de concepts abstraits qui ont des applications très concrètes dans les métiers ;
  • L’écoute….

Les talents dans le domaine de la Data Science sont des moutons à cinq pattes. On peut imaginer le super Data Scientist comme introverti et peu communicant, alors qu’il s’agit d’une compétence primordiale. La Data Science n’a de sens qu’en face d’un métier à qui il faut savoir parler.

 

Pour exemple, dans la fraude, le faux positif (le fait de détecter quelqu’un comme fraudeur alors qu’il ne l’est pas) est très préjudiciable et peut avoir un impact business très négatif pour une entreprise. L’enjeu pour un Data Scientist est donc d’en minimiser le nombre et d’en comprendre les enjeux. Une fraude à la carte bleue (dont le client est victime) diffère d’une fraude sur un compteur électrique, dans laquelle l’accusation de fraude est faite sur le client lui-même.

 

Pour les métiers intermédiaires, la compétence primordiale réside dans la culture de la Data Science (et du Big Data) qui va leur être demandée d’emblée.

 

Enfin pour les métiers utilisateurs de la Data comme le Marketing, une des compétences les plus importantes sera de savoir porter l’innovation, détecter l’innovation, sa valeur marchande, la projeter et adapter la technologie dans leur métier à priori
non technique.

 

 

Les gourous du Big Data parlent de la mort des faux Data Scientists et de la naissance des Data Scientists convertis. Est-ce que vous observez ces phénomènes ?

 

Selon moi, il n’y a pas de faux Data Scientists. Il y a les disciplines des statistiques, de l’actuariat, de l’économétrie … et celles
de la Data Science et du Big Data. Il s’agit de deux mondes assez distincts (mais qui ont des zones communes) qui répondent
à des besoins différents. Et il y a simplement des gens moins appétants au Monde de la Data Science parmi les statisticiens, économètres, actuaires ou même les profils en mathématiques financières, et d’autres qui s’y convertissent. Et d’autres encore qui ont toujours été dans la data science (qu’on appelait avant Intelligence Artificielle née dans les années 70). Je pense que ce que l’on pourrait appeler les faux Data Scientists (quoique très péjoratif de les qualifier de « faux ») seraient des personnes qui sont d’excellents utilisateurs de boîtes à outils existantes, champions de challenges Kaggle, mais qui n’ont pas forcément le recul suffisant au niveau scientifique. Ils sont cependant indispensables à l’écosystème de la Data Science. Le Data Scientist, l’informaticien et l’Architecte Big Data sont tous complémentaires.

 

Il existe bien en revanche des Data Scientists convertis, et de nombreuses voies peuvent mener à la Data Science avec comme tronc commun cependant qu’il s’agit toujours de scientifiques ayant une forte capacité d’abstraction, parmi lesquels :

  • Des professeurs de mathématiques qui sont maintenant conseillers de Data Lab ;
  • Des spécialistes du traitement du signal (radar, imagerie, télécoms) ;
  • De jeunes physiciens qui ont pu faire récemment des thèses en physique des particules, en astrophysique et qui ont traité de tels volumes de données qu’ils ont utilisé de la Data Science et du Big Data ;
  • Des spécialistes de la physique des particules ou de la finance quantitative haute fréquence,  qui sont restés très matheux. Les premiers  Data Scientists étaient en effet des traders ;
  • Des informaticiens qui rentrent dans le domaine par les algorithmes.

 

 

Vous utilisez vous-même un outil prédictif de la réussite des candidats (EBI – Evidence Based Interviewer),
quel en est le fonctionnement ?

 

L’esprit humain a tendance à provoquer le clonage. D’abord pour des raisons psychologiques, mais également par manque
de capacités pour croiser et trier pertinemment les données réellement prédictives de la réussite. Dans le secteur des Ressources Humaines, on recrute majoritairement sur la base d’intuitions. Et contrairement aux idées reçues, la Data Science appliquée aux RH, ouvre des opportunités.

Depuis plus de 40 ans, les Nord-Américains en particulier ont conçu des outils de prédiction de la réussite d’un individu
dans son futur poste en fonction de ses compétences de leadership, des caractéristiques de l’entreprise et du poste.

Les algorithmes permettent de déterminer des scénarios de réussite d’un candidat. Dans le volume et la masse, les algorithmes vont mettre à jour des milliers de configurations différentes. Ils vont détecter des niches de personnes qui pour des raisons communes sont en réussite, raisons qui n’auraient pas forcément pu être relevées par l’œil humain. La détection de signaux faibles de ces niches de personnes en réussite va permettre d’agréger toutes les personnes qui présentent les mêmes caractéristiques et de les mettre en réussite également. Si l’on détecte 15 personnes qui sont en réussite pour la même combinatoire de raisons, dont par exemple une formation, on va pouvoir appliquer le facteur de réussite à 200 000 profils jumeaux. On fabrique ici bien des clones mais pour créer des parcours qui n’auraient été générés que par le hasard :
La Data Science c’est un outil pour faire fructifier le hasard.

En revanche, une bonne approche analytique au service des RH doit éliminer les clones de bases. On sait que salaires
élevés et diplômes sont souvent corrélés. Les algorithmes suppriment donc cette corrélation pour s’intéresser aux corrélations complexes, par exemple, pourquoi certains ne réussissent pas. On détecte les signaux faibles de la réussite en enlevant
les couches supérieures.

 

Cependant, l’humain reste primordial dans les Ressources Humaines, des recruteurs créatifs qui se fient à leurs intuitions
seront toujours indispensables, car la Data Science ne détectera jamais quelque chose qui n’est jamais arrivé. Elle va détecter
des signaux faibles mais pas des signaux qui n’existent pas.

Nous avons donc créé (à partir de concepts existants) une approche reposant sur l’identification de compétences dîtes « de leadership » aux US ou « compétences comportementales » en France) prédictives de la réussite dans un poste. Nous avons reconstruit un référentiel de 46 compétences (curiosité, influence, autonomie d’apprentissage etc…), que nous avons corrélées avec une base de données d’individus contenant les informations de parcours, les compétences de leadership et la réussite dans les postes de chacun d’entre eux.

 

C’est un outil qui éloigne de l’informel, qui structure l’entretien en face à face et valide les compétences de leadership pour la réussite dans le poste. Les candidats se subliment avec cette méthode en permettant au recruteur de poser les bonnes questions. Rarement un scientifique décrira la manière dont il a convaincu un dirigeant
si la question ne lui est pas posée. Il s’agit donc d’une approche plus factuelle, plus humanisante qui s’intéresse aux qualités véritablement importantes pour un poste. Cela sert la démarche d’«À compétences égales », association dont nous sommes membres.  À compétences égales, nécessaires pour un poste,
nous donnons toutes leurs chances aux personnes qui peuvent
être introverties par exemple.

 

Il s’agit d’un outil data-driven supplémentaire, qui ne fait pas pour autant de notre cabinet une machine à recruter, mais au contraire permet au recruteur d’y voir plus clair sur les aspirations
et capacités des candidats.

 

 

Ingénieur dans le domaine spatial de formation, Benoît Binachon s’est très rapidement redirigé
vers le domaine du recrutement en intégrant le Groupe Michael Page avant sa forte croissance.
Une aventure exceptionnelle qui lui a permis, en 2000, d’être propulsé parmi les directeurs généraux
de Michael Page France. Il a pris le goût au recrutement et est resté dans le groupe, de culture entrepreneuriale très forte, jusqu’en 2004.

 

Il cofonde et dirige ensuite la start-up Business effiScience (40 personnes, 10M€ de CA, cédée
à BearingPoint). Il s’est ainsi forgé, de 2004 à 2012, une expérience opérationnelle rare et reconnue
dans le domaine de la Data Science, du Big Data et du Machine Learning en développant notamment
de nombreux cas d’usage innovants et une boîte à outils d’algorithmes très pointus. Il a enfin souhaité revenir dans le domaine du recrutement par passion et a ainsi cofondé Uman Partners, après un an
et demi passé au sein de Korn Ferry.