Étiquettes
audit interne, auditeur, base de données, conformité, contrôle, contrôle interne, contrôle périodique, contrôle permanent, Data, data analytique, data science, données, effcient, efficace, Gestion des risques, gouvernance, métier, périodique, permanent, processus, professionnel, qualité, risque opérationnel, Risques, statisticien, typologie
Ingénieur Data ou Scientifique Data ?
Il ne s’agit pas que d’un principe terminologique. La question se pose entre la nécessité de faire appel à un ingénieur data ou un scientifique data. Ou mieux encore entre un scientifique data et un statisticien data ?
Voici l’une des principales différences:
- ETL (Extract / Load / Transform) est destiné aux ingénieurs de données, ou parfois des architectes de données ou DBA
- DAD (Discover / Access / Distiller) est pour les scientifiques de données.
Parfois, les ingénieurs de données sont DAD, parfois les scientifiques de données sont ETL, mais c’est assez rare, et quand ils le sont, c’est purement interne (l’ingénieur de données faisant un peu d’analyse statistique pour optimiser certains processus de base de données, le scientifique de données faisant un peu de gestion de base de données pour gérer une petite base locale de données privée d’info résumée (non utilisé en mode habituelle de production, mais il y a des exceptions).
Laissez-moi vous expliquer ce que signifie DAD http://www.datasciencecentral.com/profiles/blogs/difference-between-data-engineers-and-data-scientists
L’extrait ci-dessus provient de mon billet du 30 janvier 2017 intitulé Big Data : nouvelle méthode marketing, nouvel or noir ou nouvelle approche des marchés et des projets ? Big Data : nouvelle méthode marketing, nouvel or noir ou nouvelle approche des marchés et des projets ?
Pouvoir assurer sa gouvernance de la qualité de ses données, lui apporter la quiétude de l’existence d’une gestion des risques en adéquation avec son appétence aux risques, complétée par un système de contrôle interne efficient et efficace incluant une gestion pertinente de la conformité, impliquent que ces intervenants connaissent les rôles d’une team data et les compétences requises pour exercer ces nouveaux métiers.
Ce commentaire est encore plus fondé en termes de contrôle périodique, à savoir l’audit interne.
C’est pour ces motifs que je vous invite à prendre connaissance du billet cité ci-après.
Data scientist et data analyst sont sans doute les métiers les plus emblématiques du champ d’expertise « data ». Pour autant, il n’est pas toujours simple de comprendre les différences entre ces deux professionnels – et ne parler que de ces deux métiers est fortement réducteur. Pour mieux comprendre la typologie des métiers de la […]
Pingback: Forbes France: Culture De La Donnée Et Fonction Finance : États Des Lieux | Résilience du Controle Interne
Pingback: Big data, big money : qui profite de l’explosion des données ? | Résilience du Controle Interne