Les métiers de la Data

Hello à tous, c'est Louisa. J'espère que vous allez bien.
Vous regardez Meet The Expert, le visio live où des experts te donnent leurs conseils pour que tu puisses réussir son insertion professionnelle.
Aujourd'hui, je reçois Lucile et Marion qui sont toutes les deux Data Scientists au sein de Société Générale et qui vont nous parler des enjeux de la féminisation dans les métiers de la Data Science. Bonjour Lucile, bonjour Marion.
Comment allez-vous ? Ça va bien merci, et toi ?
Ça va bien merci. Alors toutes les deux aujourd'hui, Lucile, Marion, vous allez répondre aux questions des étudiants et nous dire comment devenir Data Scientist, quels sont les enjeux et les apports de la Data Science, mais aussi comment œuvrer pour inclure les femmes dans le secteur. Avant cela, chez vous, sachez que si vous voulez retrouver davantage de contenus, vous pouvez vous abonner à notre page YouTube ou nous suivre sur notre insta en tapant Jobteaser_FR si vous voulez retrouver davantage de tips, de tutos ou de conseils sur votre insertion professionnelle. Alors avant d'entrer dans le vif du sujet, Lucile, Marion, je vais vous demander de vous présenter. Lucile, est-ce que tu peux commencer, nous parler des formations que tu as pu suivre et de tes expériences professionnelles ? Oui bien sûr. Moi, j'ai fait un master en mathématiques appliquées avec une spécialité en Data Science. Ensuite, j'ai fait mon stage de fin d'études chez Société Générale et à l'issue, j'ai été embauchée. Donc ça fait maintenant 2 ans que je travaille en CDI pour le DataLab de l'Inspection Générale et de l'Audit. Merci Lucile.
Marion à ton tour, est ce que tu peux nous parler de tes expériences professionnelles et de ton parcours ?
Oui je peux. Du coup moi, je suis diplômée de l'ENSAE et du master Laure Ellie, qui est un master de modélisation aléatoire. J'ai fait plusieurs stages en trading et en structuration, puis j'ai été embauchée en 2013 chez Société Générale en tant qu'Ingénieur quantitatif.
Il y a 3 ans, je me suis orientée vers la Data Science en travaillant en tant que Data Scientist au sein du Digital Office de la Banque d'investissement. Merci Marion. On va prendre les questions des étudiants, et une des premières questions, c'est "en quoi consiste le métier de Data Scientist en un mot ?". Marion, pour ceux qui n'ont pas de culture Data, est-ce que tu peux me donner une définition pour "vulgariser" le métier de Data Scientist ? Oui, en gros un Data Scientist, c'est quelqu'un qui va récupérer des données, et grâce à des outils mathématiques et informatiques, il va pouvoir prédire des informations. Par exemple, on a en tête Amazon ou Netflix qui vont vous recommander des livres, des séries. Derrière, il y a tout simplement un Data Scientist qui se cache et qui va effectuer donc des algorithmes de recommandations pour vous proposer ces choix. Lucile, pour en savoir davantage, pour en apprendre un peu plus, est-ce que toi, tu peux me donner une définition plus précise du métier de Data Scientist ? Oui, nous notre métier finalement au jour le jour, c'est dans un premier temps s'approprier un sujet qui peut être divers et varié au sein de la Banque, on en reparlera. Ensuite, ça va être les données. C'est le grand cœur du sujet : comment on récupère nos données dans un premier temps, et une fois qu'on les a récupérées, en quel état on les récupère. Est-ce que ce sont des données propres ? C'est rarement le cas donc il va y avoir tout un travail de retraitement de la donnée, de mise en forme, d'autant plus si c'est une donnée non structurée qu'on va restructurer.
Une fois qu'on a ça, on a nos données propres. A ce moment-là, on va pouvoir appliquer différents algorithmes dont Marion parlait tout à l'heure, typiquement de prédiction. Une fois qu'on a fait ça, on a prédit quelque chose, on a notre résultat : c'est comment on le documente, comment on le présente derrière. Donc il va y avoir aussi un travail de documentation et de présentation à différentes audiences. Et pour finir, potentiellement un passage en production. On va reprendre tout de suite si vous le voulez bien une autre question d'un étudiant qui sont "quelles sont les compétences indispensables pour se lancer dans une carrière de Data Scientist ?". Donc forcément on parle compétences, on pense à hard skills et soft skills.
Marion, est-ce que tu peux commencer à nous parler des qualités techniques ? Déjà, on a quand même des profils assez variés, mais globalement c'est vrai qu'en qualités techniques, ce sont souvent des personnes qui ont un certain goût pour les mathématiques, pour le code, des outils informatiques dédiés au Machine Learning.
Globalement, il faut être assez à l'aise sur certains langages de code, par exemple du Python ou du R. Et au sein de Société Générale, qu'est-ce que vous utilisez comme langage de code ? C'est essentiellement du Python pour la Data Science parce que Python propose énormément d'algorithmes disponibles en open source donc publiquement. C'est facile d'accès, on peut les réutiliser, on peut s'en inspirer et puis on peut être à la pointe des algorithmes innovants en réutilisant justement ce qu'on appelle ces "packages" qui sont disponibles publiquement.
Ce qui est vrai d'ailleurs, c'est que pour un étudiant qui souhaite s'orienter en Data Science, je conseillerais le langage Python. Lucile, est-ce que tu peux nous parler des soft skills, donc les qualités humaines, pour être un bon Data Scientist ? La principale qualité, enfin les principales d'ailleurs, il va y avoir la curiosité. Il faut être très curieux des nouvelles choses parce que la Data Science, ça bouge constamment, donc il faut avoir envie d'aller sur Internet rechercher quels sont les derniers algorithmes, les dernières nouvelles. Il faut avoir un bon esprit d'équipe parce qu'on travaille très souvent avec d'autres personnes, que ça soit des Data Scientist mais aussi d'autres personnes dans le milieu de la Data. Une bonne communication pour bien restituer ces résultats, savoir finalement vendre ce qu'on a fait. Et une certaine rigueur dans l'application des différentes choses, des différents algorithmes et des différents traitements sur la donnée, et s'assurer qu'on a quelque chose qui est juste finalement. On prend une autre question : "quelles sont les formations à privilégier pour devenir Data Scientist ?", ce qui permet de s'intégrer dans la lignée des hard skills et des soft skills.
Marion, selon toi quelles sont les formations à privilégier ? Alors, ce sont souvent des formations assez mathématiques et informatiques généralement. Parfois l'expertise mathématique peut être prépondérante par rapport à l'expertise informatique et inversement. Il faut avoir quand même quelques notions de codes. Habituellement, on va dire la plupart des Data Scientists viennent d'écoles d'ingénieurs ou d'universités avec des spécialités Data Science / mathématiques / informatique. Ce qui est vrai, c'est que si le candidat n'a pas forcément de spécialité Data Science, par contre il a peut-être un petit background mathématique. Aujourd'hui on peut toujours se former avec des formations en ligne par exemple, notamment celles disponibles sur Coursera en Machine Learning, intelligence artificielle. Et puis il y a également des plateformes comme celle de Kaggle qui proposent des concours de Data Science. On peut visualiser le code d'autres Data
Scientists, s'en inspirer et puis nous-mêmes justement pouvoir participer à ces concours et ça, c'est très formateur. Lucile, tu as un mot à dire là-dessus ? Oui, peut-être ajouter qu'on peut aussi se former via un mastère spécialisé en 1 an à l'issue d'un bac+5, c'est aussi possible. Marion, est-ce que le domaine de la Data Science n'englobe pas d'autres métiers ? Oui bien sûr, il existe beaucoup d'autres métiers en fait dans le domaine de la Data, notamment le Data Scientist va même travailler avec ces autres métiers. On peut découvrir le métier de Data Analyst comme ça. Le Data
Analyst, il va traiter différentes données, des données sur le client, sur le produit qui sont liées à la performance de l'entreprise. Il va donner des indicateurs qui vont permettre de guider, de piloter l'entreprise. Généralement, il va disposer de skills graphiques, il peut proposer des outils assez sophistiqués de visualisation des données, des graphiques assez évolués. Et puis également le métier de Manager de projets dans le digital. Lui va piloter des projets dans la transformation digitale par exemple.
Lucile, qu'en est-il de ton avis là-dessus ? Le domaine de la Data englobe-t'il d'autres métiers ? Est-ce que tu veux ajouter quelque chose par rapport à ce que vient de dire Marion ?
Oui, peut-être pour compléter, on a aussi le métier de Data Engineer qui va être plutôt pour quelqu'un qui a une appétence pour l'informatique. Ce sont des personnes qui vont plus travailler sur la mise en production de projets, aussi sur l'extraction de données et avec lesquels on travaille de manière assez régulière en fait. Marion, je sais que tu voulais parler d'un autre métier ? Oui c'est vrai, il y a le métier également d'UX Designer. Donc lui, il va optimiser l'expérience et le parcours utilisateur. Comme ça peut-être que ça ne dit pas grand chose mais ça consiste à penser, concevoir un site web pour que son utilisation soit optimale. Il va proposer des solutions adaptées quel que soit le support. Ça peut être smartphone, tablette, grand écran, etc. Et là encore, on travaille avec eux.
Une autre question plutôt sur votre expérience personnelle. Un étudiant vous demande "qu'est-ce qui vous passionne dans la Data Science et pourquoi avoir choisi cette voie ?". Lucile. Moi, ce qui me passionne dans la Data Science, il y a 2 choses principales on va dire. La première, c'est que c'est une science qui est en constante évolution, vraiment. Tout le temps, il y a des nouvelles choses qui sortent, des nouveaux algorithmes, des nouvelles découvertes finalement.
Ça va être très riche, il faut tout le temps se tenir à la pointe de ce qui est fait.
Et la deuxième chose, ça va être les applications.
En fait, on se rend compte qu'il y a une multitude d'applications, on peut travailler dans pleins de métiers différents avec la Data Science et ça, c'est vraiment cool. Marion, pourquoi est-ce que toi tu as choisi cette voie ? Je ne vais pas être très originale parce que je vais reprendre exactement ce que dit Lucile. Oui c'est vrai, c'est en constante évolution et ça c'est très attrayant. Les projets sont très diversifiés. En effet, on peut l'appliquer dans tellement de domaines que oui, c'est très intéressant. Un autre étudiant vous demande "pourriez-vous nous parler d'un projet que vous avez livré récemment ou sur lequel vous travaillez en ce moment ?". Marion, est-ce que tu peux nous parler d'un projet ? Oui, actuellement je travaille sur un projet de "nowcasting" sur le PIB (Produit Intérieur Brut) qui est un indicateur économique très regardé. "Nowcasting", c'est vraiment la contraction de 2 termes anglais : "now" et "forecasting". C'est la prédiction immédiate et l'objectif du coup, c'est de prédire le PIB à n'importe quel moment au cours du trimestre. Ces prédictions sont très utiles pour les responsables politiques, notamment pour évaluer les conditions macroéconomiques en temps réel, pour prendre des décisions économiques cruciales. Notamment dans cette période de Covid, on voit que c'est assez important. Ce qui est vrai, c'est que ça mène à des décisions qui modifient notre quotidien, comme on le voit aujourd'hui. Du coup, de ce fait, c'est quelque chose de très regardé par le marché qui a besoin de comprendre, d'anticiper lui aussi l'économie. Comme ça, on a l'impression peut-être que ce n’est pas si nouveau de prédire le PIB, mais par contre ce qui est beaucoup plus rare, c'est de pouvoir le prédire à n'importe quel moment, en prenant en compte une multitude de données et en utilisant des outils innovants de Machine Learning et de Deep Learning. Lucile, tu peux me donner un exemple de projet sur lequel tu travailles ou tu as travaillé ? Moi, je vais choisir un sujet qui est assez récurrent à l'Inspection et à l'Audit, qui est la lutte contre la fraude, que ça soit finalement du blanchiment d'argent, du financement de terrorisme ou même de la fraude interne. Peut-être pour resituer l'Inspection Générale et l'Audit, c'est ce qu'on appelle la troisième ligne de défense.
Dans une banque, on a trois lignes de défense : la première, qui va être composée des équipes qui contrôlent leurs métiers eux-mêmes finalement, leur propre travail. La deuxième ligne, ça va être le contrôle permanent qui contrôle tout le temps ce que font les métiers, et nous qui sommes le contrôle périodique. Donc on arrive en dernière ligne de défense et on le fait périodiquement.
Ce sujet de la fraude revient de manière périodique, mais assez fréquemment et donc c'est un sujet qui nous intéresse beaucoup. Comment finalement on a décidé d'adresser ce sujet. L'objectif, c'est s'assurer qu'il ne reste plus de fraudes dans le réseau transactionnel des clients. Pour ça, on a déjà recréé le graphe transactionnel, donc toutes les transactions entre les différents clients. Ensuite, il a fallu découper cet énorme réseau en communautés, ça a été un deuxième travail. Et ensuite, pour chaque communauté, on a voulu la décrire pour passer finalement d'une donnée comme ce que je disais "non structurée" à une donnée "structurée", avec une ligne par communauté et des variables qui vont décrire ces communautés-là. Ensuite, sur cette base de données structurées, on a pû appliquer des algorithmes d'apprentissage supervisé visant à prédire si une communauté est saine, donc pas frauduleuse, ou au contraire si elle est suspectée d'avoir commis une fraude.
L'objectif final du projet, c'est de concevoir un outil qui pourrait finalement évoluer et s'adapter aux tendances de fraudes qui évoluent constamment, sans pour autant nécessiter d'interventions humaines. Finalement, on a encore beaucoup de choses qui sont en cours, le projet n'est pas du tout fini, c'est quelque chose de longue haleine. On retravaille par exemple sur la création de nos communautés, l'une des étapes, en utilisant des méthodes de Social Network Analysis. Ces méthodes à la base ont appliqué plutôt sur des réseaux sociaux type Facebook, Twitter, pour finalement toujours décomposer en communautés. On travaille également sur de la création de variables de manière automatique avec de l'embedding de graphes. Et enfin, là dernièrement, pour améliorer les performances, au lieu d'utiliser des algorithmes de classification classique, on a appliqué des réseaux de neurones, ce qui permet finalement d'avoir de meilleurs résultats. Je pense que l'un des défis majeurs du projet, c'est que dans notre graphe transactionnel, on a très peu de fraudes, évidemment il y a très peu de personnes qui font de la fraude, heureusement. Mais du coup, ce qui fait que le projet est très compliqué, c'est que c'est dur pour l'algorithme d'apprendre ce qu'est un fraudeur, et ce qu'est un comportement frauduleux.
Merci Lucile pour tes précisions. On prend une autre question qu'on vous a posé, qu'on vous a adressé à toutes les deux : "quels sont les enjeux actuels du secteur bancaire et comment la Data Science et le Machine Learning permettent-ils d'y répondre ?". Marion, est-ce que tu veux bien nous répondre à cette question ?
Oui, il y a en effet plusieurs enjeux actuels, notamment le fait de devoir s'adapter à un environnement réglementaire qui est de plus en plus restrictif aujourd'hui, mais en même temps, une banque conserve son rôle clé de l'économie, son rôle central qui est de fournir du crédit à n'importe quel moment.
Et là, c'est encore plus important on va dire dans une période de crise comme celle-ci, à tout moment pouvoir financer.
Un autre enjeu, c'est effectivement que Société Générale souhaite s'inscrire dans ce rôle de plus en plus durable et responsable, notamment via les financements ESG (Environmental, Social and Gouvernance).
Ce sont trois facteurs qui mesurent la durabilité et l'impact sociétal d'un investissement dans une entreprise. En quoi le Machine Learning peut justement aider dans ces enjeux ? En évaluant avec précision les risques, en fournissant on va dire des données tangibles sur l'évaluation de ces risques, en détectant les entreprises, les personnes qui sont en difficulté, notamment en période de crise, en anticipant ces risques-là.
Pour tout ce qui est environnemental et sociétal, en effet en quantifiant les critères environnementaux et sociétaux dans les entreprises grâce à la donnée. Lucile, tu peux aussi nous en parler ? Justement, l'Inspection et l'Audit ont mené une mission sur la RSE, et on a notamment travaillé sur un projet de Data Science qui s'inscrit plutôt sur la réputation en fait de ces entreprises en termes de RSE et de risques climat. Marion, tu voulais ajouter ? Ce qui est vrai, c'est tout simplement que les entreprises essaient d'aller de plus en plus vers l'innovation, c'est d'ailleurs une des valeurs de Société Générale, et c'est clair que là encore le Machine Learning permet aussi de transformer les activités, d'automatiser des tâches, de fournir des services de plus en plus personnalisés aux clients. Et je dirais que la bonne nouvelle dans le secteur financier en l'occurrence, c'est qu'on dispose d'une grande quantité de données, et d'une grande variété, parce que ça fait partie de la culture de récolter des données, les analyser. Forcément, ça nous permet de relever tous ces défis.
Je le disais en introduction, vous allez nous parler de la féminisation des métiers de la Data. Une question qui a été très redondante, qu'on a reçue, c'est : "pourquoi est-ce important de parler de la féminisation des métiers de la Data ?". Marion. Alors, c'est important parce que tout simplement, la diversité, plutôt le manque de diversité, peut nuire à l'entreprise. On a eu une étude récente du BCG qui montrait encore qu'il y avait seulement 15% des Data Scientists qui étaient des femmes, donc aujourd'hui encore c'est trop peu. Et puis ce manque de diversité, que ce soit des questions de genre ou autre, peut apporter des biais parce que notre manière de penser est clairement formatée par notre propre vécu. Donc si on pense tous de la même manière, on va traiter les données de la même manière, avec ou sans absence de sensibilité, sans vraiment souhaiter challenger ces traitements. Et ça quelque part, ça peut produire des biais sociétaux de genre en intelligence artificielle. C'est pour ça que c'est essentiel d'avoir des équipes de Data Science, et même ailleurs, qui sont assez diversifiées. Et puis aussi le fait que ce manque de diversité puisse être un frein à l'innovation. Plus une équipe est diversifiée, plus on aura de solutions innovantes tout simplement. Les personnes penseront différemment, donc forcément on ira vers de l'innovation. On sait aussi qu'il y a différentes études qui montrent que généralement, les équipes sont plus heureuses quand il y a une mixité, elles sont plus productives. Je crois qu'il y avait même une étude de l'Organisation Mondiale du Travail qui montrait qu'en effet, ça pouvait apporter des meilleurs résultats commerciaux quand il y avait une certaine politique de diversité. Voilà, pourquoi s'en priver ?
Il y a vraiment tous les arguments pour.
Après ce qui est vrai, c'est qu'on considère vraiment qu'à compétences égales évidemment, on va souhaiter aller vers de la diversité.
Mais c'est important quand même de garder ça en tête, c'est à compétences égales. Ça passe en effet par le fait de communiquer sur la féminisation.
On avait aussi une autre question concernant ce sujet. Lucile, tu vas peut-être pouvoir nous répondre, qui était : "selon vous, quelle est la cause profonde du manque de femmes dans le domaine de la Data Science ?". Alors, peut-être une première chose, c'est l'étude que Marion a mentionné tout à l'heure de BCG, elle montre aussi qu'en fait, il n'y a que 35% des étudiantes en sciences, technologies, ingénierie, et mathématiques. Donc on a déjà ce biais là qui fait qu'il n'y a pas suffisamment d'étudiantes dans un premier temps. Et ensuite, je pense que nous, chez Société Générale, on a en plus un biais qui est le fait que ce soit de la finance. Quand on fait Data Science + finance, on a encore moins de femmes. Et je le vois notamment à travers un cours que je donne à l'université Paris Dauphine sur un master finance justement, mais un cours de Python donc plutôt Data Science, où je n'ai qu'une seule étudiante dans mon TD. C'est très parlant. Marion, tu veux ajouter quelque chose sur cette question ? Je pense que justement, ça vient soutenir aussi pourquoi on est là aujourd'hui.
C'est important de montrer tout simplement que ce n'est pas un métier d'hommes, que toute femme intéressée par ce métier ne doit surtout pas se dire "oui ok mais rejoindre la Data Science chez Société Générale, c'est évoluer dans un milieu qui ne favorise pas du tout l'inclusion des femmes".
C'est totalement légitime en fait d'avoir ce type de stéréotypes en tête, on le comprend totalement, mais c'est une idée fausse. On va dire que notre présence en atteste également aujourd'hui. Et alors, Lucile, tu disais que dans le cours que tu donnes à Paris Dauphine, il y a une seule étudiante. Au sein de ton équipe, tu représentes la gente féminine ou pas du tout ? Non, du tout, justement au sein de mon équipe, on est quasiment autant de filles que de garçons. C'est aussi le message que je voulais faire passer, les étudiantes qui nous écoutent, si vous rejoignez Société Générale, vous ne serez pas la seule femme, mais vous ne serez pas non plus le seul homme si vous êtes un étudiant. On prend une autre question pareille sur ce sujet : "comment donner aux femmes un sentiment de légitimité à travailler dans ce secteur ?". Marion. La question ne se pose pas. En commençant par leur assurer que bien sûr, elles sont légitimes, il n'y a aucun doute là-dessus et on en est clairement convaincues. Lucile. Peut-être pour compléter, c'est ce que je disais, le poste on l'a pour nos compétences et pas parce qu'on est des femmes, donc ce sera pareil pour les étudiantes potentiellement qui nous écoutent, où je le redis mais les étudiants également.
Pour les femmes en tout cas, croire en soi et savoir que ça amène aussi une richesse de points de vue comme Marion le soulignait tout à l'heure. C'est vraiment le cas. On prend la dernière question, on vous demande : "comment oeuvrer afin d'inclure les femmes dans ce domaine ?". Marion, il y a des choses qui sont mises en place ? Oui, ça passe par la communication, communiquer en effet qu'on a cette croyance de diversité, et qu'on a aussi envie tout simplement qu'elles nous rejoignent.
C'est ce qu'on disait tout à l'heure, c'est clair que notre présence est aussi un des buts ici. Après ce qui est vrai, c'est qu'on a la chance d'évoluer aussi dans un groupe où il y a une vraie dynamique sur le sujet, c'est un axe qui est clairement pointé du doigt. On a cette possibilité de prendre la parole, de brainstormer sur ces problématiques. Récemment par exemple, j'ai pu participer à des groupes de travail collaboratifs du "AI Daring Circle" du "Women's Forum". En gros, c'est vrai que ça ne doit pas dire grand-chose comme ça, mais ce sont des groupes de travail intersectoriels qui vont réunir des représentants du monde des affaires, des décideurs politiques, des ONG, des scientifiques, etc. Et le but, c'est de s'engager pour un impact positif sur le long terme, sur les questions où les femmes sont touchées on va dire de manière disproportionnée et où leur leadership est crucial. Donc pour nous, c'est important clairement d'apporter notre pierre à l'édifice, et puis c'est effectivement personnellement gratifiant de pouvoir collaborer à ce type de groupes de travail. Outre la communication sur ce genre de choses, c'est aussi présenter notre projet, montrer qu'on est là, qu'on est bien présente, avec notre expertise, et que cette expertise est reconnue entre autre aussi parce que nos équipes ont une culture de l'inclusion. Lucile, il y a d'autres mesures qui sont mises en place ? Oui, on prend la parole lors de plusieurs et divers événements pour montrer des exemples féminins chez Société Générale, on participe aujourd'hui à l'émission JobTeaser avec toi Louisa, en septembre 2020 on a participé à un meetup dans le cadre de "AI for Finance" avec "Women in Machine Learning and Data Science". On a pris la parole avec plusieurs autres collaboratrices, dont l'une d'elles fait une thèse CIFRE sur le NLP. Si jamais vous êtes intéressé, du coup je m'adresse plus directement aux étudiants, la vidéo est disponible sur YouTube. Et on est également présentes aux événements de networking, les forums étudiants où on montre qu'il y a également des filles, enfin des femmes qui sont présentes dans les équipes. Et Marion, est-ce que c'est important de promouvoir ce poste auprès des femmes dès le plus jeune âge ? Oui bien sûr, c'est très important, à des enfants, à des adolescentes, expliquer qui est derrière Netflix et la voiture autonome. L'idée serait qu'elles aient un but professionnel dès le plus jeune âge, sans attendre en effet les grandes questions d'orientation qui peuvent arriver tard et parfois même trop tard. Un dernier mot toutes les deux pour les jeunes étudiantes qui voudront devenir Data Scientist ? Un dernier mot peut être d'encouragement ou ce que vous aimeriez leur dire ? Je pense que je leur dirai d'y croire et puis, on y va quoi. Vous pouvez y arriver.
Marion, tu partages j'imagine cette idée ? Oui, je partage.
En tout cas, c'est déjà la fin de ce Meet The Expert. Merci beaucoup Marion et Lucile de nous avoir partagé vos quotidiens, vos challenges et surtout d'avoir pû donner tous ces conseils aux étudiants. Chez vous, je vous le disais en intro mais si vous voulez retrouver davantage de contenus, de tips, de tutos sur votre carrière professionnelle, vous pouvez-vous abonner à notre page YouTube ou nous suivre sur notre insta en tapant Jobteaser_FR.
Marion, Lucile, encore un grand merci de m'avoir accompagné sur cette émission. Et chez vous, comme d'habitude, je vous donne rendez-vous très vite pour un nouveau live.