RNCP41673 Active · Niveau 7

Manager expert de solutions responsables en science des données (MS)

Certificateur · INSTITUT POLYTECHNIQUE DE GRENOBLE (IPG) - INP GRENOBLE

L'essentiel

Nomenclature du niveau de qualification

Niveau 7

Code(s) NSF

310 · Spécialités plurivalentes des échanges et de la gestion (y compris administration générale des entreprises et des collectivités)

326 · Informatique, traitement de l'information, réseau de transmission des données

Formacode(s)

31026 · Data science

32054 · Gestion des organisations

32135 · Conduite projet

31025 · Analyse de données

Date d'échéance de l'enregistrement

27-11-2030

Certificateur(s)

Nom légalSIRETSite

INSTITUT POLYTECHNIQUE DE GRENOBLE (IPG) - INP GRENOBLE 19381912500017 https://ensimag.grenoble-inp.fr/

Grenoble institut national polytechnique (Grenoble INP) — —

ETABLISSEMENT D'ENSEIGNEMENT SUPERIEUR CONSULAIRE GRENOBLE ECOLE DE MANAGEMENT 81738914100018 —

Résumé de la certification

Objectifs et contexte

Le Manager-Expert de solutions responsables en science des données (MS) recouvre les métiers de Data Engineer et Data Scientist qui ont la spécificité de maitriser les sciences de données (à l’intersection des mathématiques statistiques et de la programmation informatique) pour réaliser deux grands types de missions qui peuvent s’entrecroiser et s’alimenter : le traitement des données d’une part, et l’analyse des données d’autre part.

S’appuyant autant sur des fondamentaux scientifiques que sur l’ingénierie et les technologies de la data, il identifie une solution de traitement et d’analyse de données, constituant donc un outil à même de mettre à disposition une information pertinente à la prise de décision en entreprise. Il fournit une solution technoscientifique, dont la finalité essentielle de ses activités est de valoriser les données via les démarches et les outils des sciences des données, et ainsi fournir des informations fiables et pertinentes.

Le Manager-Expert de solutions responsables en science des données (MS)

occupe une place centrale et pivot dans les métiers de la data. Il constitue le pilier de l’approche de l’aspect opérationnel des solutions de traitement et d’analyse en sciences des données. Aujourd’hui, parce que les maturités data des organisations s’intensifient, les attentes en la matière ne sont plus exclusivement techniques. Elles s’élargissent : qualité des datas, valorisation des solutions, et prise en considération des composantes RSE nécessitent le développement d’un profil hybride. Le Manager-Expert de solutions responsables en science des données (MS) associe des compétences technoscientifiques de haut niveau et des compétences relevant des champs de la gestion et du management. Face aux spécificités des solutions qu’il met en œuvre et les débats qui les entourent, les solutions qu’il doit élaborer se doivent d’être de plus en plus responsables.

Activités visées

Identification des opportunités des solutions en science des données pour une organisation et son modèle d’affaires

Analyse du positionnement stratégique de l’entreprise et de sa gouvernance SI et data

Veille systémique concernant les solutions en science des données

Identification des questionnements éthiques

Elaboration de recommandations et mise en exergue de points de vigilance concernant les opportunités et menaces relatives aux solutions data et IA

Pilotage d’un projet de solutions en science des données

Validation du cahier des charges

Définition de la méthodologie et des étapes du projet

Gestion des risques

Suivi du projet

Animation des équipes et mobilisation des méthodes d’intelligence collective

Structuration de l’architecture et du déploiement d’infrastructures de gestion de données

Choix d’une solution de traitement des données

Sélection et traitement des données internes et externes

Choix des méthodes et outils d’intégration et de stockage

Choix des méthodes d'interrogation du Web

Evaluation des risques de sécurité et de confidentialité

Conception des solutions en science des données visant une problématique stratégique ou organisationnelle

Sélection de possibles solutions de traitement de données comparativement à un problème métier

Définition des critères d’arbitrage techniques pour la solution de chaînes de traitement de données

Sélection des méthodes statistiques ou d’apprentissages automatisés adaptées

Estimation des coûts de fonctionnement

Caractérisation des créations de valeurs économiques et extra-économiques des solutions en science des données

Propositions d’indicateurs de performances économiques et environnementales de la solution

Arbitrages sur des enjeux de conformité et sécuritaires concernant la solution

Définition d’interfaces et d’ergonomies

Conduite des actions de communications écrites et orales de valorisation de la solution

Compétences attestées

Identifier, comparativement au périmètre d’activité en charge, les éléments clés du diagnostic stratégique comme ceux de la gouvernance du système d’information de l’organisation considérée – qu’elle soit privée, publique ou hybride -, de sorte à définir les objectifs de veille à conduire sur les dimensions technologiques comme non technologiques pertinentes (réglementaires, écologique, éthique, géopolitique..) et ainsi inventorier des opportunités et risques nécessaires aux futurs arbitrages concernant des solutions data et IA

Organiser la veille – ou compléter une veille existante - selon les objectifs définis, en inventoriant les sources d’informations - formelles et informelles - pertinentes et fiables au regard des domaines à couvrir, en sélectionnant les outils d’exploration à mobiliser, en spécifiant les rythmes d’actualisation et les modalités de restitution de manière à structurer et rendre efficace le processus de veille

Investiguer, en termes de veille, non seulement les évolutions en termes de modalités de traitement et d’analyse, afin de répertorier de nouveaux modèles, algorithmes, langages et techniques informatiques, mais aussi le domaine des bases de données disponibles - qu’elles soient externes (dont l’open data) ou internes à la structure -, pour améliorer, compléter, préciser les résultats d’analyses et leur niveau de pertinence en vue d’identifier les opportunités de leur intégration dans la chaîne d’analyse des données (processus data)

Explorer un axe de veille orienté sur les dernières avancées technologiques et scientifiques (quantiques et habilitantes, 6 et 7G, etc…) afin d’anticiper les évolutions des pratiques et des expertises datas avec les possibles incidences sur les besoins en compétences et la pérennité de certains choix technoscientifiques

Evaluer les opportunités et risques écologiques des solutions en science des données envisagées tant sur les phases de production, de modes de gestion de données, et d’usages qui en découleraient afin d’intégrer l’impact écologique comme dimension d’arbitrage

Répertorier les bonnes pratiques et les questionnements en termes d’éthiques afin de s’assurer que les solutions en science des données repérées pour de possibles applications futures respectent les principes de responsabilité sociétales et ne risquent pas d’être à l’origine d’une prise de risques pour l’organisation

Effectuer des recommandations de solutions datas pertinentes et viables pour l’organisation en proposant une synthèse récapitulative des principales opportunités et menaces des options répertoriées tant dans leurs dimensions techniques (SI et Data), organisationnelles mais aussi économiques, environnementales, sociétales, et éthiques afin de proposer les alternatives possibles et les éléments d’arbitrages à la Direction

Etablir le cahier des charges (note de cadrage) fonctionnel et technique de la demande client – interne ou externe - à partir d’une analyse des besoins, reposant sur une approche adaptée des processus métiers, de manière à le reformuler, le valider de sorte à définir le dimensionnement du projet, les technologies à mettre en place, les démarches nécessaires, sa faisabilité (technique, ressources, et « timing »), notamment au regard de l’infrastructure existante du système d’information

Définir, à partir du cahier des charges, des technologies pressenties, et du caractère innovant ou pas de la solution à élaborer, la méthodologie de projet adéquate classique (agile, waterfall, stage gate process, TLS théorie des contraintes Lean Six Sigma,..) ou innovante (design thinking, lean startup,..), pouvant être fonction du projet, des pratiques et des exigences de l’organisation et du secteur, de manière à optimiser la réalisation des livrables du projet en termes de faisabilité, qualité, coûts et délais

Décliner, si le projet est innovant, le processus de l’innovation – dit « pipeline de l’innovation » - nécessitant des phases spécifiques amont (brainstorming, créativité, prototypage, enquête terrain,..) ainsi que les multiples boucles d’itération concernant les différentes étapes de validités de sorte à proposer une solution à même d’offrir le caractère innovant idoine souhaité et conforme au besoin à satisfaire

Identifier, dès les premières phases du projet, les phases de la chaîne de valeur du process générant les impacts écologiques les plus négatifs, de manière à soutenir une éco-conception (réduction de l’obsolescence, IA frugale, plan de nettoyage du Dark data …) la plus pertinente sur la solution en science des données en cours d’élaboration

Répertorier les différents types de risques (technologiques, réglementaires, concurrentiels, ..) pouvant impacter le projet afin d’en définir leur criticité et les actions correctives possibles en mobilisant les méthodologies en contexte opérationnel de type adéquates (AMDEC,…)

Organiser, que ce soit pour un projet innovant ou non, les phases de déroulement d’un projet classique selon la méthodologie définie articulant les étapes –souvent itératives- de collecte, d’exploration, d’exploitation et de mise en production des données et les différentes actions nécessaires (organigramme, organisation planification des taches, chemin critique, définitions des livrables, « work package »),.. afin de garantir une réponse satisfaisante, en temps et en heure, au cahier des charges des clients internes et externes

Animer les équipes et les parties prenantes, dans le respect des valeurs éthiques et inclusive, au travers notamment d’actions de communication cadencées, structurées, mobilisant les tiers requis, usant des outils et des modalités adéquats, de manière à assurer la transparence et la fluidité de l’information propice à l’efficacité de l’organisation du travail et au climat de confiance

Promouvoir l’usage des méthodes d’intelligence collective (mobilisation des profils de personnalités, inclusion, brainstorming, event storming, ..) afin de renforcer l’engagement des parties prenantes, d’améliorer l’appréhension de la diversité des points de vue, de stimuler la créativité, et d’optimiser la prise de décision, contribuant ainsi à l’efficacité du projet et à la qualité du livrable final

Définir, en relation avec d’autres experts des sciences des données, une solution de traitement de données concernant leur acquisition, stockage et mise à disposition, en déployant les différentes étapes de la constitution d’un pipeline de traitement de données compatible avec le SI existant, sur la base d’une analyse de celui-ci, de l’identification des axes de stratégie et de politique Données et SI de l’organisation, comme des besoins métiers afin de permettre une mobilisation des données générant de la valeur

Identifier, en considérant les interdépendances avec les autres problématiques et enjeux de l’entreprise, les données pertinentes pour la solution envisagée, en sélectionnant à la fois les données déjà repérées et disponibles en interne, comme des données externes mobilisables, via des achats, des sources disponibles en open data, ou des partenariats, afin d'accroître la pertinence des analyses qui en seront réalisées

Évaluer la qualité nécessaire des données afin de décider de la mise en œuvre ou non de leur nettoyage (par modification, par imputation, par suppression,..), de sorte à ultimement optimiser la pertinence des résultats obtenus par les analyses effectuées sur ces données

Intégrer les données identifiées dans le système d’information de l’entreprise en arbitrant sur la ou les méthodes adaptées (ETL et ELT), les langages (Python, JavaScript,..), les outils [bases de données relationnelles, bases de données NoSQL - MongoDB,

Neo4J,..-], l’utilisation de systèmes distribués de manière à avoir accès facilement et efficacement à l’ensemble des données requises

Mettre en place des processus d’interrogation du Web -sémantique ou non- en tirant partie du fonctionnement sous-jacent des moteurs de recherche textuel ainsi que de la structuration des données disponibles (pages web, web sémantique,..) dans le but d’extraire de l’information exploitable

Mener des évaluations concernant le respect de la sécurité et la confidentialité -issues notamment des réglementations nationales et internationales dont le RGPD-, des infrastructures utilisées, en mettant en œuvre des phases de test, une démonstration des vulnérabilités aux parties prenantes de manière à prodiguer les recommandations nécessaires et leur déploiement le cas échéant

Conceptualiser un problème professionnel en problématique de traitement de données, en définissant, une fois le ou les cas d’usage bien clarifié(s), si la tâche est descriptive ou prescriptive, les méthodes à utiliser, les analyses à mener et les livrables à produire, de sorte à répondre à une sollicitation des Directions de l’organisation, visant à améliorer l’efficacité du SI et de ses données, l’aide à la décision, l’élaboration de nouvelles offres

Etablir un premier inventaire des types de solutions en science des données, adapté au système data existant, en termes de : données, modalités de stockage, modèles statistiques et d’algorithmes d’apprentissage automatique -machine learning, deep learning-, de sorte à adapter au mieux la pertinence de la solution à la nature des données devant être analysées

Evaluer l’intérêt de l’introduction de nouvelles méthodes de data science (IA, Deep learning, technologie de seconde génération quantique, …) en mobilisant les connaissances des fondements de la science des données pour questionner la pertinence des options techniques envisagées et l’intégration de ces dernières au SI existant

Mobiliser les méthodes statistiques afin d’analyser les données disponibles et évaluer les réponses aux questions posées de manière à éviter l’influence des valeurs extrêmes, erronées, manquantes, ou des situations de sur-apprentissage

Élaborer un modèle d’apprentissage automatisé en sélectionnant un algorithme (Deep learning, KNL,…) et la mise en place de jeux de données d’apprentissages, de tests et de validations pour entrainer le modèle et valider ses capacités prédictives

Intégrer dans les solutions techniques envisagées les coûts de fonctionnement des structurations des données et des modalités de traitement de manière à en optimiser l’impact budgétaire et à en réduire l’impact environnemental

Elaborer une estimation de la valorisation économique de la solution data, en mobilisant par exemple le Business Model Canvas –BMC- permettant d’identifier la création de valeur et sa structuration afin de stabiliser la pertinence et la pérennité de la solution, et plus généralement sa contribution aux performances économiques et extra-économiques de l’entreprise

Définir, outre la valorisation économique, différentes catégories d’indicateurs de performances économiques et non économiques permettant de piloter et de spécifier les résultats attendus en termes d’optimisation des ressources (Retour sur investissement –ROI-, coût total de fonctionnement), en termes d’efficacité opérationnelle, en termes de conformité, de satisfaction client,.. de manière à préserver et à atteindre les objectifs de la solution visée

Justifier de la prise en considération des risques et enjeux de conformité (droit, légal) et sécuritaires dans les arbitrages concernant les différentes composantes de la solution responsable de manière à offrir une solution data sécure, fiable et conforme aux lois en vigueur sur la science des données et leur exploitation chez leurs clients (interne – externe)

Préconiser une solution de visualisation des données utilisant les standards actuels, les règles relevant du fonctionnement de la perception visuelle et de la sémiologie graphique, de manière à la rendre inclusive, d’être à même d'en évaluer l'efficacité afin de permettre une restitution qualitative des informations pertinentes aux différentes équipes métiers concernées et d’en améliorer l'impact

Communiquer à l’oral ou à l’écrit de manière efficiente, pertinente, percutante et juste sur une solution data vers des spécialistes et non spécialistes (Flyer, Pitch, présentation Flash BMC, document technique, …. ) de manière à assurer l’engagement et l’intérêt pour la solution tant au niveau des équipes parties prenantes à l’élaboration de la solution, les futurs usagers, les sponsors du projet comme les Directions, actrices de la décision et de promotion

Blocs de compétences · 5

RNCP41673BC01

Identifier des opportunités de solutions en science des données pour une organisation et son modèle d’affaires

Compétences visées

Identifier,

comparativement au périmètre d’activité en charge, les éléments clés du diagnostic stratégique comme ceux de la gouvernance du système d’information de l’organisation considérée – qu’elle soit privée, publique ou hybride -, de sorte à définir les objectifs de veille à conduire sur les dimensions technologiques comme non technologiques pertinentes (réglementaires, écologique, éthique, géopolitique..) et ainsi inventorier des opportunités et risques nécessaires aux futurs arbitrages concernant des solutions data et IA

Modalités d'évaluation

* Proposition d’un processus de veille concernant les solutions en science des données, comprenant 1/ une synthèse des éléments clés du diagnostic stratégique de l’organisation considérée et de la gouvernance concernant le système d’information et data 2/ la définition des objectifs de veille concernant les solutions, les bases de données, et les nouvelles technologies comme les dimensions nécessaires à couvrir 3/ l’inventaires des principales sources d’informations pertinentes à explorer en matière de solutions en science des données 4/ les modalités de recherche, de sélection, les outils de veille à mobiliser Cas réel ou fictif Pour 1/ Production écrite collective Pour 2, 3 et 4 : Production écrite individuelle et collective * Note de recommandations des opportunités et risques de solutions en science des données pour l’organisation comprenant 1/ la proposition argumentée de : -solutions en science des données (dont d’IA) pertinentes -les possibles sources de bases de données pertinentes à exploiter -des nouvelles technologies prometteuses comparativement aux objectifs répertoriés 2/ des focus concernant la proposition argumentée sur les 3 domaines ci-dessus en termes d’impact/ d’enjeux environnementaux et éthique, en particulier dans leurs dimensions de menaces Cas réel ou fictif Production écrite et orale, individuelle et collective

RNCP41673BC02

Piloter un projet de solutions en science des données

Compétences visées

Définir, à partir du cahier des charges, des technologies pressenties, et du caractère innovant ou pas de la solution à élaborer, la méthodologie de projet adéquate

classique (agile, waterfall, stage gate process, TLS théorie des contraintes Lean Six Sigma,..) ou innovante (design thinking, lean startup,..), pouvant être fonction du projet, des pratiques et des exigences de l’organisation et du secteur, de manière à optimiser la réalisation des livrables du projet en termes de faisabilité, qualité, coûts et délais

Répertorier les différents types de risques (technologiques, réglementaires, concurrentiels, ...) pouvant impacter le projet afin d’en définir leur criticité et les actions correctives possibles en mobilisant les méthodologies en contexte opérationnel de type adéquates (AMDEC,…)

Modalités d'évaluation

* Elaboration du cahier des charges (ou note de cadrage) à partir de la transformation de l’expression du besoin client précisant le besoin, l’objectif, le périmètre, les contraintes, les ressources, les principaux critères de validation et de réussite Cas réel ou fictif Production collective, écrite et orale * Rapport de clôture d’un projet comprenant : - Les objectifs initiaux et leur atteinte - Les décisions clés et arbitrages effectués (notamment concernant les choix de méthodologie, le séquençage, l'analyse de risques, le plan de communication) - Les écarts entre prévisions et réalisations - Les enseignements et bonnes pratiques à retenir - Les recommandations pour les futurs projets Cas réel ou fictif Production orale collective avec supports * Note synthétique de recommandations d’écoconception d’une solution en sciences de données sur l’ensemble de son cycle de vie comprenant : - l’analyse du cycle de vie des données - les phases les plus pertinentes à optimiser Cas réel ou fictif Production écrite, individuelle et collective Note de recommandations OU Retour d’expérience concernant le choix/la mise en œuvre de méthodes d’intelligence collective dans un contexte de projet portant sur une solution data et IA à même de favoriser un environnement de travail sain Cas réel ou fictif Production écrite individuelle

RNCP41673BC03

Structurer l’architecture et le déploiement d’infrastructures de gestion de données

Compétences visées

Définir,

en relation avec d’autres experts des sciences des données, une solution de traitement de données concernant leur acquisition, stockage et mise à disposition, en déployant les différentes étapes de la constitution d’un pipeline de traitement de données compatible avec le SI existant, sur la base d’une analyse de celui-ci, de l’identification des axes de stratégie et de politique Données et SI de l’organisation, comme des besoins métiers afin de permettre une mobilisation des données générant de la valeur

Identifier,

en considérant les interdépendances avec les autres problématiques et enjeux de l’entreprise, les données pertinentes pour la solution envisagée, en sélectionnant à la fois les données déjà repérées et disponibles en interne, comme des données externes mobilisables, via des achats, des sources disponibles en open data, ou des partenariats, afin d'accroître la pertinence des analyses qui en seront réalisées

Neo4J,..-], l’utilisation de systèmes distribués de manière à avoir accès facilement et efficacement à l’ensemble des données requises

Modalités d'évaluation

* Définition et justification du pipeline à partir d’une problématique de mise en place d’une solution de stockage et de traitement d’un jeu de données existants (cas intégré ou fragmenté) traitant de : - le choix d’un modèle de données en vue du stockage des données - l’intégration des données (internes ou/et externes à l’organisation) incluant l’évaluation de la qualité et leur nettoyage potentiel Cas réel ou fictif Production écrite individuelle * Diagnostic de sécurité et de potentielles failles intégrant : - l’identification et l'analyse d’une faille de sécurité en lien avec le thème proposé - l’identification du service ou du programme compromis, en précisant la vulnérabilité, ses possibles exploitations par un attaquant potentiel - la description de l’architecture du système concerné - les recommandations pour limiter l’impact de la faille et empêcher son exploitation, en s’appuyant sur les bonnes pratiques de sécurité - la proposition de mesures préventives pour les équipes de développement - L’illustration par un scénario d’entreprise de la criticité de la faille et des actions à intégrer dans la politique de sécurité - La définition d’une expérimentation visant la démonstration de la vulnérabilité, en créant un environnement de test et en détaillant une procédure d’exploitation Production écrite individuelle Cas réel ou fictif

RNCP41673BC04

Concevoir des solutions en science des données visant une problématique stratégique ou organisationnelle

Compétences visées

Modalités d'évaluation

* Mise en place d’un modèle de Machine learning : - Acquisition et analyse des données - Filtrage et sélection des caractéristiques - Choix d’un algorithme adapté à partir de la connaissance des données - Evaluation de la qualité des résultats Cas réel ou fictif Production écrite individuelle * Evaluation de l’impact énergétique et environnemental d’une solution en science des données. Cas fil rouge Cas réel ou fictif Production écrite collective

RNCP41673BC05

Caractériser des créations de valeurs économiques et extra-économiques des solutions en science des données

Compétences visées

Elaborer une estimation de la valorisation économique de la solution data, en mobilisant par exemple le Business Model Canvas –BMC-

permettant d’identifier la création de valeur et sa structuration afin de stabiliser la pertinence et la pérennité de la solution, et plus généralement sa contribution aux performances économiques et extra-économiques de l’entreprise

Définir,

outre la valorisation économique, différentes catégories d’indicateurs de performances économiques et non économiques permettant de piloter et de spécifier les résultats attendus en termes d’optimisation des ressources (Retour sur investissement –ROI-, coût total de fonctionnement), en termes d’efficacité opérationnelle, en termes de conformité, de satisfaction client,.. de manière à préserver et à atteindre les objectifs de la solution visée

Modalités d'évaluation

* Selon le contexte et le type de solutions Data et IA considérés, proposition d’une analyse de la création de valeur et/ou d’indicateurs de performances clé (KPI) de pilotage et de caractérisations de la solution : 1. Pour une analyse de la création de valeur Proposition d’une analyse de la création de valeur en mobilisant un outil adapté (type Business Model Canvas (BMC), Kano Model & JTBD, Balance sore card,..) abordant - La justification de l’outil choisi - La mise en œuvre conforme de l’outil - Les principaux résultats obtenus et leur analyse critique 2. Pour la proposition d’indicateurs clés de performances (KPI) - Sélection des KPI clés concernés par la solution et les impacts attendus - Proposition des indicateurs de nature autre que les KPI spécifiques à la solution data - Estimation et appréciation des évolutions attendues/observées des KPI - Synthèses des plus-values et première analyse de la performance de la solution Cas réel ou fictif Production écrite, individuelle et collective * Selon la solution et l’acuité des problématiques et enjeux de conformité et sécuritaire la concernant, note d’identification des éléments de conformité et/ou sécuritaire actuels et potentiels pris en considération dans l’arbitrage des caractéristiques de la solution définie Cas réel ou fictif Production écrite, individuelle et collective * Proposition argumentée d’une visualisation d’un ensemble de données fourni. Cas réel ou fictif Production individuelle * Réalisation d’une action de communication écrite ou orale portant, selon la solution et le contexte, soit sur : - un pitch de la solution - un flyer à destination d’un public spécifié - une présentation orale de la solution devant un public d’experts ou de non experts, - un document de synthèse technique dédié à la gestion des connaissances sur la solution Mise en situation réelle ou fictive Production écrite ou orale, individuelle ou collective

Secteur d'activité et type d'emploi

Secteurs d'activités

Le certifié exerce ses fonctions dans toutes les tailles d’entreprises, que ce soient des grands groupes, des PMT/PMI, des start-up, et dans une moindre mesure des TPE, principalement en France. Il évolue à travers tous types de secteurs d’activités, aussi bien dans le secteur industriel (automobile, transports, fabrication d’équipements industriels, agroalimentaire) que dans celui des services (activités financières et d’assurance, commerce/distribution, activités de conseil).

Types d'emplois accessibles

Data scientist, data engineer, consultant data science, data solutions engineer, analyste scientifique des données, data miner, expert en sciences des données, ingénieur data scientist, expert big data, ingénieur big data, ingénieur données, responsable de pôle

Métiers visés (ROME)

M1403 — Chargé / Chargée d'études socio-économiques

M1802 — Expert / Experte systèmes et réseaux informatiques

M1805 — Développeur / Développeuse informatique

Références juridiques des réglementations d'activité

Les activités ne sont pas spécifiquement assujetties dans leur ensemble à une réglementation particulière. L’exercice du métier n’est pas conditionné à la détention d’une habilitation particulière. Cependant, le professionnel doit notamment tenir compte des réglementations spécifiques liées à la protection et à la confidentialité des données.

Tensions de recrutement · DARES 2024

Niveau de tension : Très élevée (5/5) en tension

Principaux facteurs : Manque de main-d'œuvre disponible et Lien formation-emploi.

2 912 € salaire médian (mensuel)

Diplôme le plus fréquent : Diplôme de niveau bac+5 ou plus (doctorat, master ou équivalent) en communication et information (41 % des actifs en emploi).

Mesuré au niveau de la famille professionnelle : 5 familles professionnelles (nomenclature FAP). Ces familles ne sont pas au même niveau de tension (de 3 à 5 sur 5) : le niveau affiché est une moyenne pondérée par l'emploi, à ne pas attribuer à chacune d'elles.

L4X82 — Techniciens et agents de maîtrise chargés d'études socio-économiques tension 4/5 (Élevée)
L5X93 — Chargés d'études socio-économiques tension 3/5 (Modérée)
M1X80 — Techniciens d'étude et de développement en informatique tension 4/5 (Élevée)
M2X90 — Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom tension 5/5 (Très élevée)
M2X93 — Experts et consultants en systèmes d'information tension 5/5 (Très élevée)

Indicateur de tension sur le marché du travail 2024 — DARES / France Travail. Les indicateurs sont publiés par famille professionnelle (FAP), pas par métier ROME : ils couvrent l'ensemble des métiers de ces familles.

Marché du travail · BMO 2026

Toute la France Île-de-France 17 117 Occitanie 3 031 Auvergne-Rhône-Alpes 3 020 Provence-Alpes-Côte d'Azur 2 545 Pays de la Loire 1 772 Nouvelle-Aquitaine 1 709 Bretagne 1 364 Hauts-de-France 1 345 Grand Est 1 077 Normandie 576 Centre-Val de Loire 464 Bourgogne-Franche-Comté 320 La Réunion 60 Guadeloupe 25 Guyane 20 Martinique 16 Corse 15 Mayotte 11

34 487 projets de recrutement

50 % en tension jugés difficiles à recruter

1 % emplois saisonniers

Mesuré au niveau de la famille professionnelle : 5 familles professionnelles (nomenclature FAP).

L4X82 — Techniciens et agents de maîtrise chargés d'études socio-économiques
L5X93 — Chargés d'études socio-économiques
M1X80 — Techniciens d'étude et de développement en informatique
M2X90 — Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom
M2X93 — Experts et consultants en systèmes d'information

Enquête Besoins en Main d'Œuvre (BMO) 2026 — France Travail (open data), cumul national. Les indicateurs sont publiés par famille professionnelle (FAP), pas par métier ROME : ils couvrent l'ensemble des métiers de ces familles.

Voie d'accès à la certification

Voie d'accèsOuverte

Formation initiale Oui

Formation continue Oui

Apprentissage Oui

Contrat de professionnalisation Oui

Candidature individuelle Non

VAE Oui

Prérequis à l'entrée

Sont recevables les candidatures d’étudiants titulaires d’un des diplômes suivants : * Titre d’ingénieur diplômé conférant le grade de master * Diplôme d’une école de management, privée ou consulaire, conférant le grade de master * Diplôme de 3ème cycle habilité par les autorités universitaires (Diplôme national de master, DEA, DESS, …) ou diplôme professionnel de niveau BAC + 5 * Diplôme ou attestation de validation d’un niveau équivalent M1 pour des candidats ayant au moins 3 ans d’expérience professionnelle en lien avec la formation visée * Diplôme de M1 ou équivalent, pour des auditeurs justifiant d’aux moins trois années d’expérience professionnelle * Titre inscrit au Répertoire national des certifications professionnelles (RNCP) niveau 7 * Diplôme étranger équivalent aux diplômes français exigés ci-dessus. Conditions d’accès dérogatoires : 1. Dans la limite de 40 % maximum de l’effectif de la promotion suivant la formation Mastère Spécialisé concernée, sont recevables après une procédure VAPP (Validation des Acquis Professionnels et Personnels), les candidatures de personnes justifiant à minima de 5 années d’expérience professionnelle pour lesquelles les activités exercées ont un lien avéré avec les compétences professionnelles visées par la formation. 2. Par dérogation pour 30 % maximum du nombre d’étudiants suivant la formation Mastère Spécialisé concernée, sont recevables les candidatures d’étudiants titulaires d’un des diplômes suivants à orientation techno-scientifique : - Diplôme ou attestation de validation d’un niveau équivalent M1 sans expérience professionnelle ou ayant moins de trois ans d’expérience professionnelle en lien avec la formation visée - Diplôme de licence (L3) ou grade de Licence ou titre inscrit au RNCP niveau 6 justifiant d’une expérience professionnelle de 3 ans minimum, en lien avec la formation visée. Le pourcentage total des dérogations prévues au a) et au b) ci-dessus ne doit pas excéder 40%. Ce programme requiert d’avoir abordé des aspects scientifiques lors de ses études ou d’avoir une 1ère expérience dans le domaine du traitement de la donnée (pré-requis en informatique et statistique).

Composition du jury — Formation initiale, Formation continue, Apprentissage, Contrat de professionnalisation

* Le Président : Les Directeurs académiques/des programmes GEM/Grenoble INP ou leurs représentants * Les Directeurs des programmes MS, MS-Titre ou Titre ou leurs représentants * Le Responsable académique ou un membre de la faculté non enseignant dans le programme, représentant l’un des Départements de Formation et de Recherches respectivement de GEM et de Grenoble INP Ensimag * Les membres extérieurs à l’organisme de formation, étant a minima 2 représentants du secteur professionnel et comptant pour 55% des voix.

Composition du jury — VAE

Le jury compte un minimum de 3 personnes : * Le Responsable académique de la VAE * Le Responsable du programme de la certification visée (sauf si le RP assure un enseignement dans un processus d’accompagnement ou formatif proposé dans le cadre de la VAE) * Un ou des représentant(s) professionnel(s) qualifié(s) du domaine de la certification, comptant pour au moins 50% des voix du jury

Liens avec d'autres certifications

Certifications en correspondance (équivalences par blocs).

CodeCertification en correspondance

RNCP35197 Expert en sciences des données (MS)

RNCP36398 Expert Big Data Engineer (MS)

RNCP36739 Expert en ingénierie des données

RNCP36921 Expert en ingénierie des données

RNCP37172 Data Engineer

RNCP37422 Data Engineer

RNCP37624 Data engineer

RNCP37750 Concepteur manager des infrastructures de données massives

RNCP39586 Ingénieur en science des données spécialisé en infrastructure data ou en apprentissage automatique

RNCP39775 Expert en ingénierie et science des données

RNCP40167 Expert en ingénierie de données massives et intelligence artificielle

Base légale

Date de décision27-11-2025

Durée de l'enregistrement5 ans

Date d'échéance27-11-2030

Dernière délivrance possible27-11-2034

Pour plus d'informations · Statistiques

AnnéeCertifiésInsertion 6 moisMétier visé 2 ans

2023 14 85 % —

2022 21 100 % 80 %

2021 19 100 % 88 %

Télécharger (PDF) MD