Interviewée par Klara Natek
Quel master avez-vous suivi à TSE et en quoi votre formation dans cette école vous a préparé à une carrière dans la data et l'intelligence artificielle ?
Je suis diplômée du Master Data Science for Social Sciences depuis 2022. Cette formation offre un enseignement approfondi en statistiques et économétrie, avec une base théorique particulièrement solide. Les projets data réalisés en M2 permettent également de se familiariser avec les principaux langages de programmation, compétences indispensables en entreprise.
Vous avez fait partie de l'équipe d'AVISIA en charge de prédire qui allait être la future Miss France 2025. Comment avez-vous mis en place le modèle qui permet cette prédiction ? En quoi était-il différent par rapport à l'année précédente, où vous faisiez aussi partie de cette équipe ?
Initié chez AVISIA en 2017 par un petit groupe de consultants, ce projet n'a cessé d'évoluer depuis, grâce aux nouveaux modèles et technologies, jusqu'à même avoir une dimension médiatique depuis quelques années. Nous entraînons un modèle de machine learning sur les résultats des élections des dernières années, à partir des caractéristiques des candidates, de leurs résultats aux élections passées, des votes du public et de données socio-économiques issues de l'INSEE. Nous enrichissons ensuite ce modèle avec une analyse de sentiments issue des réseaux sociaux (Instagram, TikTok et X), en collectant les publications et commentaires mentionnant les candidates. Ces contenus sont analysés grâce à la GenAI. La nouveauté de l'édition 2025 résidait précisément dans cette utilisation de la GenAI (auparavant un modèle NLP classique était utilisé pour l'analyse de sentiments) ainsi que dans l'amélioration de la web app ouverte au public en 2024.
Avant de rejoindre AVISIA, vous avez déjà eu d'autres expériences dans le secteur de la data science. En quoi votre travail se différencie-t-il de vos expériences chez le Crédit Agricole et VIASANTÉ Mutuelle ?
Lors de mon stage de M1 au Crédit Agricole, je n'occupais pas un poste de Data Analyst ou Data Scientist à proprement parler : j'apportais un support ponctuel via des analyses SQL ou Excel. Cela m'a néanmoins permis de découvrir le fonctionnement d'une grande entreprise. J'ai ensuite réalisé mon M2 en alternance chez Viasanté Mutuelle, cette fois en tant que Data Scientist au sein de l'équipe Actuariat. J'y ai mené de A à Z un projet de segmentation clients et me suis confrontée aux contraintes techniques (outils disponibles, ressources limitées…) ainsi qu'aux enjeux business grâce aux échanges réguliers avec les équipes métiers.
À quoi ressemble une journée type de Consultante Data Scientist chez AVISIA ? Le travail en équipe occupe-t-il une place importante dans vos missions ?
Je n'ai pas de journée type : ma to-do list évolue selon les priorités et deadlines. Mes tâches incluent le développement de projets (scripts python, requêtes SQL, dashboards Power BI…), la résolution de bugs, les réunions, et la préparation de supports. Une part importante de mon travail consiste aussi à industrialiser les projets : automatisation des scripts et des traitements, gestion des accès et mise en place de bonnes pratiques de maintenance. La collaboration en équipe est omniprésente, il s'agit surtout d'échanges fréquents avec divers métiers (Data Analysts, Data Engineers, Product Owners…) et des Data Scientists intervenant sur d'autres périmètres.
Pouvez-vous décrire une mission récente que vous avez dû effectuer ?
Je travaille actuellement pour un client du secteur de la beauté sur plusieurs projets. Le premier a été la migration d'un projet de Dataiku vers Google Cloud Platform, deux plateformes permettant de stocker, requêter des données et industrialiser des projets data. Ce projet est un algorithme de machine learning recommandant le meilleur taux de promotion pour chaque produit lors des gros temps forts de l'année (Black Friday, Soldes…). J'ai également travaillé sur un outil de recommandation d'influenceurs pour les prochaines campagnes. Plus récemment, j'ai également participé au développement d'agents GenAI, une demande de plus en plus courante chez nos clients.
La data science peut être un domaine très technique et difficilement compréhensible pour le grand public. Quelle place occupent la pédagogie et l'explication de vos modèles auprès de vos clients ?
La vulgarisation est essentielle dans notre métier. Nous interagissons très souvent avec les équipes business, et il est crucial qu'elles comprennent nos modèles, leurs limites et leurs usages. C'est d'ailleurs une compétence que nous valorisons de plus en plus chez les candidats, car rares sont les missions sans interaction avec les métiers.
Y a-t-il une pratique interne chez AVISIA qui vous a particulièrement marquée depuis votre arrivée ?
Oui, le côté humain du cabinet m'a frappée dès la première semaine. Même si, en tant que consultants, nous sommes présentés aux clients par les équipes commerciales, nous ne sommes jamais considérés comme de simples "pions" : la proximité entre consultants, commerciaux et direction est réelle. Tous les moyens sont mis en place pour que les nouveaux consultants puissent s'intégrer rapidement. J'ai aussi été marquée par l'importance donnée à la formation continue : articles internes, ateliers animés par les consultants, préparation aux certifications… Cela permet de monter rapidement en compétence et d'enrichir son profil pour accéder à davantage de missions.
Quel conseil donneriez-vous aux étudiants de TSE qui souhaitent travailler dans un cabinet de conseil en data et IA comme AVISIA ?
Le premier conseil que je pourrais vous donner, c'est de rester curieux. Avec l'IA et la GenAI, tout change très vite, donc on peut être vite perdu, il faut donc aimer apprendre en continu. Ensuite, ne soyez pas fermés sur les secteurs : l'avantage du conseil c'est justement de pouvoir bosser pour une banque pendant 3 mois puis un retailer pendant 6 mois. C'est très formateur, donc ne vous fermez aucune porte. Et pour finir, ne pas négliger la communication et la vulgarisation. Il est important de pouvoir délivrer des modèles techniques et poussés, mais il est tout aussi important de savoir l'expliquer à un client qui n'a pas un profil data.