Compétences en données et IA pour la tech, les médias et les plateformes

Les entreprises tech, les plateformes en ligne et les éditeurs modernes sont nativement data. L’outillage est mature, l’équipe data est solide et personne n’a besoin d’être convaincu que les chiffres comptent. C’est précisément pour cela que le discours habituel sur la culture des données tombe à plat ici.

La vraie contrainte se situe autour de l’équipe data. Les product managers, les growth marketers, les rédactions et les responsables commerciaux consultent des tableaux de bord et des résultats de tests toute la journée, et la qualité de leurs décisions dépend de leur capacité à les lire correctement. Savoir quand un test n’est pas significatif, quand une baisse de funnel relève de la saisonnalité, quand une hausse n’est que de la cannibalisation. Se tromper là-dessus à l’échelle d’une plateforme coûte cher comme nulle part ailleurs.

Le deuxième point est le rythme. Ce qu’un outil d’IA sait faire change chaque trimestre : un programme figé est dépassé avant la deuxième cohorte. Et les effectifs sont répartis entre marchés et fuseaux horaires, en remote-first, ce qui exclut tout ce qui s’organise autour d’une salle de cours.

Dans une entreprise nativement data, le comportement qui compte n’a rien de spectaculaire : lire un résultat honnêtement, y compris ceux qui ne montrent rien. Savoir quand un test n’est pas significatif, quand une baisse de funnel relève de la saisonnalité, quand une hausse n’est en réalité que de la cannibalisation. À l’échelle d’une plateforme, ce discernement vaut plus que n’importe quel outil.

Cela demande des connaissances sur ce qu’une expérimentation peut ou ne peut pas montrer, des compétences dans les outils où vos équipes vivent déjà (chez Skyscanner, c’était Tableau et Amplitude avec de vraies données Skyscanner), et, pour les équipes engineering et produit, une vraie aisance dans le travail assisté par l’IA plutôt qu’une démonstration. Cela couvre tout le spectre, du prompting et du context engineering aux schémas agentiques et à l’évaluation, et cela se reconstruit à mesure que les outils évoluent au lieu d’être repris d’un catalogue.

Comme les effectifs sont en remote-first et répartis entre marchés, l’ancrage est conçu pour cela : des cohortes sur plusieurs fuseaux horaires, des champions dans chaque marché et une transmission pour que cela continue. La progression se mesure à partir d’une mesure de référence prise avant le lancement et se compare à celle d’autres organisations.

Skyscanner a fait suivre à plus de 1 400 collaborateurs dans le monde un programme sur mesure bâti sur leurs propres données, avec 77 % d’achèvement et une hausse visible de l’usage quotidien de leurs produits data.

Just Eat Takeaway a formé des effectifs mondiaux en forte croissance sur six formations, avec 60-90 % d’achèvement et 22 % de progression mesurée des compétences data. Les deux programmes ont été distingués aux DataIQ Awards.

Nos deux fondateurs ont travaillé dans ce secteur avant de créer Data Booster : Nanne Veldman chez Ultimaker et Wouter Neef chez Uber. C’est de là que vient ce penchant pour l’expérimentation et le changement de comportement mesurable, plutôt que pour les catalogues de formations.