En Data Science, la différence ne se fait pas uniquement sur le choix d’un modèle. Elle se fait souvent sur quelque chose de plus prosaïque (et plus déterminant) : comment travailler ensemble. En consulting, les équipes sont dispersées, les contextes clients variés, et l’expertise peut vite rester “dans les têtes”. Maëva Merlet, practice leader Data Science chez Astek, au sein de la CRO Alsinova, s’est donné un objectif simple : transformer des expertises individuelles en dynamique collective, pour progresser plus vite et livrer plus robuste.
Le défi invisible du consulting : l’isolement
C’est un paradoxe fréquent : les consultants sont souvent sollicités pour résoudre des problèmes complexes, mais ils le font parfois dans des environnements où l’échange technique quotidien est rare. Missions chez le client, contextes très différents, outils variés… et au final, une réalité simple : on peut vite se retrouver seul face à un choix méthodologique, un arbitrage, un doute sur une hypothèse.
Maëva l’a observé très tôt : quand chacun avance de son côté, on perd du temps à réinventer ce qui existe déjà, et on capitalise moins sur l’expérience du collectif. À l’inverse, quand les compétences circulent, l’organisation devient plus rapide… et plus sûre.
“Faire circuler l’expertise” : la logique practice
Chez Alsinova (Groupe Astek), la structuration en practice donne un cadre à cette ambition : cartographier les compétences, relier les expertises et installer des habitudes de partage. Maëva, qui a longtemps évolué dans des univers techniques exigeants, voit cette organisation comme une façon de sécuriser la qualité : moins de silos, plus de standards, plus de cohérence.
Son rôle, aujourd’hui, dépasse le suivi managérial classique : il s’agit d’identifier ce que chacun sait faire, ce qu’il veut approfondir, et comment mettre en relation les bonnes personnes au bon moment pour résoudre un problème, monter en compétence ou challenger une approche.
Les mécanismes concrets d’une communauté Data Science
Une communauté ne se décrète pas. Elle se construit avec des mécanismes simples, réguliers, et utiles. Maëva met l’accent sur quelques leviers très concrets :
Cartographie des expertises
Savoir “qui sait quoi” : méthodes, outils (R/Python), types de données, industrialisation, visualisation, expérimentation… L’objectif n’est pas de “classer”, mais de faciliter l’entraide et la progression.
Rituels techniques
Des rendez-vous réguliers où une personne présente un sujet : retour d’expérience sur un projet, focus méthode, veille sur un package, bonnes pratiques de code, etc. Ce format valorise les consultants et diffuse des réflexes communs.
Canaux d’entraide
Un espace où demander un avis, partager un blocage, recommander une approche. Souvent, une discussion ciblée entre pairs permet de gagner du temps et d’éviter des erreurs.
S’aligner avec le client tout en proposant mieux
Dans la plupart des missions, le cadre de travail est d’abord celui du client : ses process, ses exigences, ses outils. En parallèle, les équipes Alsinova s’appuient sur un socle interne pour sécuriser la qualité et gagner en cohérence. Mais surtout, l’enjeu est d’être force de proposition : produire des fiches méthodes, des cheat sheets, des retours d’expérience, qui permettent d’améliorer l’existant sans perturber l’organisation en place.
“L’idée, c’est que l’expertise ne reste pas dans la tête d’une seule personne. Quand elle circule, tout le monde y gagne : les consultants, les clients, et la qualité globale.”
La qualité comme culture : pourquoi Maëva insiste sur la robustesse
Cette obsession de la robustesse ne vient pas de nulle part. Maëva a connu des environnements où la statistique ne sert pas seulement à “analyser”, mais à aider à décider sous contraintes. Dans l’industrie à forts enjeux, on apprend vite qu’un résultat doit être :
- défendable (hypothèses explicites),
- reproductible (process clair),
- compréhensible (restitution adaptée),
- utile (lié à une décision).
Même lorsqu’elle change de secteur (aéronautique puis santé/pharma), elle garde ce réflexe : une analyse ne vaut pas seulement par son niveau technique, mais par sa capacité à être expliquée, transmise et réutilisée.
C’est aussi pour cela que la communauté compte : elle permet de partager des standards (revue de code, documentation, validation), et de rendre la qualité moins dépendante d’un individu.
IA & développement : gagner du temps… pour mieux vérifier
Autre sujet que Maëva pousse : l’usage d’assistants IA orientés développement. Son approche est pragmatique : les statisticiens sont aussi des développeurs, et une partie du travail peut être répétitive (structuration de scripts, refactoring, documentation).
L’objectif n’est pas de “remplacer” l’expertise, mais de réallouer le temps : moins de temps sur la mécanique, plus de temps sur ce qui fait la différence :
- vérification et tests,
- relecture critique,
- architecture,
- bonnes pratiques,
- qualité du livrable
Dit autrement : accélérer, oui, mais surtout livrer mieux.
Ce que ça change pour les consultants
Une communauté Data Science bien animée produit des effets très visibles côté équipes :
- on progresse plus vite parce qu’on apprend des autres,
- on se sent moins isolé,
- l’expertise est reconnue (on la partage, on la valorise),
- on construit des trajectoires : spécialisation, montée en compétences, prise de parole technique.
Pour Maëva, c’est le cœur d’une promesse employeur : offrir un cadre où l’on peut être pointu, tout en appartenant à un collectif qui soutient, challenge et fait grandir.
La Data Science, un métier d’impact… et de collectif
Les modèles comptent. Les outils comptent. Mais ce qui fait la différence durablement, c’est souvent l’organisation de l’intelligence : la capacité à connecter les personnes, à capitaliser l’expérience, et à installer une culture de la robustesse, aujourd’hui clés dans nos équipes.
Maëva Merlet
Practice leader Data Science
