Article original : How to become a freelance Data Scientist
Par Carl Dawson
Comment commercialiser vos services, trouver des clients et facturer plus en tant que freelance en data science
Bien qu'il soit vrai que la meilleure data science est réalisée par ceux qui connaissent très bien leur organisation, il y a beaucoup d'aspects de la data science qui se prêtent bien aux engagements de style conseil. J'ai travaillé en tant que freelance en data science (et en analytique de manière plus générale) pendant la majeure partie d'une décennie, et dans cet article, je vais vous montrer comment devenir freelance en utilisant vos compétences en data science.
La seule exigence
Il n'y a vraiment qu'une seule chose que vous devez faire pour devenir un data scientist freelance : vous devez trouver des clients prêts à vous payer pour faire du travail en data science. C'est tout.
D'autres articles sur ce sujet discuteront de choses comme l'obtention d'une licence commerciale, l'épargne de six mois de dépenses. Ils listeront toutes les compétences que vous devriez maîtriser avant de chercher votre premier client. Mais c'est faire les choses à l'envers. Vous pourriez avoir toutes les compétences du monde, une licence commerciale et un bas de laine. Mais sans clients payants, vous n'êtes pas un freelance, vous prenez simplement une pause dans votre carrière.
Cela dit, commençons par les choses importantes.
Comment trouver des clients
Il y a un adage dans le monde du freelance qui dit quelque chose comme ceci : n'importe qui peut trouver un premier client, mais seul un vrai homme d'affaires peut en trouver un second. Cela signifie que n'importe qui peut trouver un client grâce à son réseau. Ils peuvent harceler des amis, des cousins, des oncles réussis. Ils peuvent contacter d'anciens employeurs. Ils peuvent parler à suffisamment de personnes pour finir par tomber sur du travail.
Utiliser votre réseau de cette manière est à la fois une bénédiction et une malédiction. Lorsque vous décrochez ce premier client le lendemain du début de votre expérience de freelance, vous penserez que ce sera toujours aussi facile. Vous compterez sur votre réseau pour obtenir le prochain projet. Et vous traverserez votre relation avec votre premier client sans jamais faire le travail de vente et de marketing nécessaire pour vous assurer qu'il y en a un autre qui vous attend lorsque vous aurez terminé. Pour finir par constater que le réseau s'est tari.
Permettez-moi d'être clair. Vous devriez dire à tout le monde que vous connaissez que vous devenez freelance. Un réseau ne fait jamais de mal. Mais si vous voulez sérieusement devenir un data scientist freelance, vous ne pouvez absolument pas compter sur votre réseau pour trouver des projets chaque fois que vous êtes sans travail.
La data science est différente de la plupart des disciplines freelance : très peu de personnes en ont besoin (contrairement aux services de coiffure, par exemple), le succès est objectif (contrairement à la conception de logos), et c'est un travail de très haute valeur qui n'a pas encore été commodifié (contrairement au codage basique). Il est important de garder ces distinctions à l'esprit lorsque vous planifiez vos efforts de marketing et de génération de leads.
Connaître votre client
Il n'y a généralement que quelques personnes dans chaque organisation qui ont le pouvoir d'acheter des services de conseil en data science. Ce sont le PDG, le CTO, le responsable de l'ingénierie logicielle et le chef de département qui travaille sur un projet crucial dans leur domaine (comme un Responsable des Risques ou un Responsable des Ressources Humaines).
Ces personnes sont vos clients. Vous devriez apprendre à les connaître.
Si vous avez mis en place un site web décrivant vos services et lancé une campagne AdWords en espérant que ces personnes recherchent "Freelance Data Scientist" sur Google, vous avez fait une erreur. Ce groupe de personnes ne vous trouvera jamais de cette manière. Ce que vous trouvez si vous recherchez "Freelance Data Scientist" ce sont des articles comme celui-ci (y compris un autre de moi), des articles expliquant comment devenir un data scientist freelance ou à quoi ressemble la vie quotidienne d'un data scientist freelance.
Les personnes en position d'acheter vos services ne commencent pas par un désir d'achat, elles commencent par un problème.
Voici une explication cas par cas de ce que je veux dire :
Les PDG sont sous pression pour rester compétitifs et rentables. Leur problème est de trouver les meilleures façons de gagner un avantage sur un marché concurrentiel. Ils (généralement) ne se soucient pas de savoir si vous connaissez votre Adaboost de votre Adagrad. Ils ont simplement besoin d'aide pour améliorer les un ou deux chiffres sur lesquels leur performance professionnelle est jugée.
Les CTO et les responsables logiciels sont les personnes auxquelles les PDG s'adressent lorsqu'ils pensent qu'un problème commercial doit être résolu par l'utilisation intelligente de la technologie. Les CTO ne cherchent pas à embaucher des data scientists freelance pour le plaisir. Aucun CTO que j'ai jamais rencontré n'a eu le problème "mon budget est trop grand". Ce sont les personnes qui essaieront de comprendre les choses par elles-mêmes (avec l'aide de leurs équipes). Cela signifie qu'ils rechercheront des réponses spécifiques à des questions spécifiques. Quel est le meilleur algorithme pour la prédiction de l'attrition ? Puis-je utiliser Azure ML avec AWS Redshift ? Ce genre de choses.
Enfin, les responsables de département qui dirigent des projets spécifiques à un secteur ne recherchent pas de data scientists freelance parce qu'ils n'ont aucune idée de ce qu'est un data scientist. Ils doivent savoir comment calculer le turnover des employés sur une base prorata pour un groupe de 10 000+ employés. Ils doivent savoir comment automatiser certaines sections de leurs procédures de souscription pour réduire les heures-homme passées sur des tâches subalternes. Ils ont besoin de conseils honnêtes d'un expert dans des mots qu'ils peuvent comprendre.
Lancer des publicités contre les mots "Freelance Data Scientist" peut être plus facile, mais c'est beaucoup moins efficace que d'aider l'une de ces personnes avec leur problème réel.
Choisir une niche
La data science est un domaine vaste. Presque tous les data scientists dignes de ce nom pourraient mettre en place un entrepôt de données rudimentaire, créer un tableau de bord, implémenter une régression linéaire à partir de zéro et entraîner un réseau de neurones convolutionnel. C'est ce qui rend le domaine amusant.
Malheureusement, des ensembles de compétences diversifiés rendent les entreprises indistinctes.
Pour atteindre vos clients (listés ci-dessus), vous devrez créer des plans de marketing dédiés spécifiquement à leurs problèmes.
Certaines personnes pensent que la data science est déjà une niche. Je dirais le contraire, mais cette distinction sémantique n'est même pas importante ici : plus vous pouvez être concentré, mieux votre marketing fonctionnera.
La réaction que vous voulez de la part de quelqu'un visitant votre site web est "Je n'arrive pas à croire que cela existe". Vous voulez proposer une offre si unique et adaptée à un groupe spécifique de personnes que leur décision d'acheter (ou de vous contacter au moins) devient automatique.
Cela ne signifie pas que vous ne pouvez rien faire d'autre pour toute votre carrière et que vous serez toujours connu pour une seule chose. Cela signifie que les personnes que vous souhaitez trouver vous trouveront. Une fois que vous êtes dans la place et que vous avez établi une relation de confiance, vous pouvez travailler avec eux sur n'importe quels projets que vous souhaitez. En fait, si vous faites bien le premier projet, ils vous demanderont probablement de faire le second, peu importe s'il est dans votre niche ou non.
Pour vous donner quelques exemples de niches, voici celles que j'ai eues tout au long de ma carrière :
- Construction d'entrepôts de données pour des projets de data science dans les entreprises de biens de consommation courante (FMCG)
- Construction de moteurs de recommandation pour des sites de contenu
- Prédiction d'événements rares dans le commerce de détail et l'e-commerce (achat, attrition, fraude, vol)
- Utilisation de la vision par ordinateur dans les applications SaaS
Chacune de ces niches repose sur un domaine spécifique de la data science et un secteur spécifique. Pour votre première niche, vous devriez choisir le domaine de la data science dans lequel vous êtes le plus à l'aise et un secteur que vous souhaitez aider.
Marketing par partage
Une fois que vous avez choisi une niche, vous devez commencer à faire du marketing à l'intérieur de celle-ci. La plupart des gens aiment apprendre et la plupart des gens essaieront de résoudre leurs problèmes par eux-mêmes en premier. Vous irez loin en enseignant aux autres.
Je lis tant de blogs de data science qui analysent les mêmes ensembles de données Kaggle encore et encore. Ou pire, ils utilisent np.linspace pour générer un ensemble de données afin d'expliquer un concept ou un phénomène. Ce n'est pas ainsi que la data science fonctionne en entreprise. Les articles comme celui-ci commencent trop tard (ils ne décrivent pas les efforts de récupération et de nettoyage des données) et s'arrêtent trop tôt (ils ne décrivent pas l'impact commercial de la solution).
Si vous allez écrire un article de blog pour expliquer un concept dans l'espoir qu'un client potentiel le trouve, vous devez expliquer dans l'article comment le concept résout leur problème.
Les personnes recherchant des clients en data science ne devraient jamais écrire une exposition générale d'un algorithme particulier. Allez plus loin et trouvez un domaine de problème dans votre niche auquel vous pouvez l'appliquer. Et faites cela souvent. Plus vous écrivez sur votre niche, plus les gens associeront votre nom à ce domaine spécifique, vous deviendrez le choix évident.
Si vous construisez un corpus suffisamment large de ce type de travail, votre jeu SEO sera au top et les clients commenceront à vous trouver. Tout le monde ne se convertira pas, mais certains le feront et ce seront les personnes dont vous savez résoudre les problèmes.
Construire un processus
Maintenant que vous obtenez des clients, vous devez optimiser le processus de travail avec eux. Cela est important pour deux raisons :
- Cela aide à ce que l'engagement se passe bien et prévient la dérive des objectifs
- Cela vous permet d'extraire et de réutiliser les livrables clés
Un autre avantage d'avoir une niche est que vous finissez par voir les mêmes problèmes encore et encore. Vous pouvez réutiliser les mêmes algorithmes, expliquer votre solution de la même manière et mener les mêmes réunions de découverte encore et encore. Cela vous fait gagner un temps incroyable et vous permet de vous concentrer sur le travail important du projet.
Le processus que vous finirez par développer deviendra un argument de vente. Ce sera la chose que vous utiliserez pour expliquer comment vous travaillez dans des études de cas et des présentations de pitch. Donc, dès que vous le pouvez, vous devriez commencer à documenter les étapes de chaque projet, à mettre tous vos livrables en ordre et à apprendre à écrire des études de cas basées sur votre processus.
Doublez votre taux
La plupart des freelances facturent trop peu. Ils feront un peu d'algèbre et calculeront combien ils gagnaient par heure à leur ancien emploi et utiliseront ce taux. Malgré de nombreux conseils contraires, cela semble encore être la manière dont les gens procèdent.
Donc, ce que je dirai est ceci : si personne ne conteste votre taux lorsque vous soumettez une proposition, doublez-le la prochaine fois. Et continuez à le doubler jusqu'à ce que quelqu'un dise que c'est trop.
Il peut être facile de rejeter cela comme étant cupide ou autodestructeur, mais le fait est que si vous faites un travail très niche, vous allez très rapidement devenir un expert dans ce domaine. Les experts peuvent facturer une prime. Vous devriez être récompensé de manière adéquate pour avoir développé des processus et des livrables qui vous permettent de faire le travail plus rapidement que quiconque. Pourquoi devriez-vous être pénalisé pour être efficace ?
Avoir une stratégie de sortie
Sans un plan spécifique, les relations avec les clients suivent la voie de l'entropie. Ils disent qu'ils vous recontacteront lorsqu'ils auront un nouveau projet, vous les remercierez pour l'opportunité.
Le moment où vous avez terminé un excellent travail pour un client est le moment idéal pour demander des recommandations et des témoignages. Lorsque vous avez terminé, envoyer un e-mail avec un court questionnaire sur le déroulement du processus et demander les noms et coordonnées de personnes ayant des problèmes similaires vous fait paraître comme un professionnel qui se soucie d'aider la communauté.
Le seul moment où cela poserait un problème serait si le travail était médiocre. Donc, faites du bon travail et demandez à être recommandé.
Des citations élogieuses aident à la preuve sociale pour vos supports de marketing. Et le questionnaire de sortie vous permet de déterminer ce que le client serait heureux de voir dans une étude de cas à leur sujet.
Demander à un client de vous écrire une recommandation (sans être insistant) lui donne l'occasion de réfléchir aux bonnes choses qui se sont passées tout au long du projet et de terminer sur une note positive au lieu des sentiments de pression et de précipitation que les déploiements à grande échelle peuvent généralement laisser.
Merci d'avoir lu
Si vous avez des questions sur le fait d'être un data scientist freelance, n'hésitez pas à m'envoyer un e-mail.
Si vous êtes intéressé par des conseils plus spécifiques sur le freelancing en tant que data scientist, je propose maintenant un cours.
Publié à l'origine sur machinelearningphd.com le 9 mars 2019.