Ce que les recruteurs en data science recherchent

Les responsables du recrutement en data science évaluent les CV sur trois axes : la rigueur statistique, la maîtrise de la programmation et l’impact business démontré. Un data scientist qui construit des modèles sans impact mesurable sur l’entreprise ne passe pas le filtre des équipes matures.

Ils recherchent des preuves que vous pouvez formuler un problème, collecter et nettoyer les données, entraîner et évaluer des modèles, puis déployer des solutions qui génèrent un impact mesurable. L’ensemble du pipeline compte — pas seulement l’entraînement du modèle.

Les compétences en communication sont également scrutées. Pouvez-vous présenter les résultats d’un modèle à des parties prenantes non techniques ? Les data scientists qui combinent expertise technique et sens business sont les plus recherchés.

Guide de rédaction du CV

Résumé professionnel

Mentionnez vos années d’expérience, vos domaines de spécialisation (NLP, computer vision, séries temporelles), vos outils principaux et votre résultat le plus significatif.

Exemple : « Data scientist senior avec 6 ans d’expérience en machine learning appliqué au e-commerce. A développé un moteur de recommandation augmentant le panier moyen de 18 % pour 15 M d’utilisateurs actifs. Expert en Python, PyTorch et Spark. »

Expérience professionnelle

Pour chaque poste, décrivez les problèmes résolus, les modèles construits, les données utilisées et l’impact business. Incluez les métriques de performance des modèles (AUC, RMSE, précision) et les métriques business (revenus, conversions, économies).

Faible : « A construit des modèles de machine learning. »

Fort : « A développé un modèle de prédiction de désabonnement (XGBoost, AUC 0,91) qui a permis de cibler 12 000 clients à risque, réduisant le taux de désabonnement de 23 % à 17 % et économisant 2,4 M€/an en revenus récurrents. »

Compétences techniques

Organisez en Langages/Outils, Machine Learning, Données et Visualisation. Soyez spécifique : « scikit-learn, XGBoost, PyTorch » est plus informatif que « machine learning ».

Formation

Les diplômes avancés (master, doctorat) en statistiques, informatique, mathématiques ou domaines quantitatifs sont fortement valorisés en data science. Mentionnez les publications et projets de recherche pertinents.

Compétences à mettre en avant

Compétences techniques : Python, R, SQL, Spark, PyTorch, TensorFlow, scikit-learn, XGBoost, pandas, NumPy, Jupyter, Airflow, MLflow, Docker, AWS SageMaker, GCP Vertex AI, Tableau, Power BI, A/B testing, statistiques bayésiennes, NLP, computer vision, séries temporelles

Compétences transversales : communication des résultats aux non-techniciens, formulation de problèmes, collaboration avec les équipes produit et ingénierie, présentation aux dirigeants, pensée critique

Conseils pour le CV

1. Montrez l’impact business, pas uniquement les performances du modèle. AUC 0,95 ne signifie rien si le modèle n’a pas été déployé. Reliez chaque modèle à un résultat concret : revenus augmentés, coûts réduits, décisions améliorées.

1. Détaillez le pipeline complet. Collection des données, nettoyage, feature engineering, entraînement, évaluation, déploiement, monitoring — montrez que vous maîtrisez l’ensemble du cycle.

1. Incluez les métriques de modèle et les métriques business. « XGBoost, AUC 0,91, réduction du désabonnement de 23 % à 17 % » combine les deux perspectives.

1. Mentionnez les publications et présentations. Les articles publiés, conférences et contributions open source démontrent votre engagement dans la communauté.

1. Précisez l’échelle des données. « 50 M de lignes », « 2 To de données », « 15 M d’utilisateurs » — l’échelle contextualise votre expérience.

1. Limitez-vous à deux pages maximum. Même avec un doctorat et des publications, la concision est appréciée. Sélectionnez vos projets les plus impactants.

Erreurs courantes

• Trop de jargon technique, pas assez d’impact business : les recruteurs non techniques lisent aussi votre CV. Équilibrez la technique avec les résultats concrets.
• Lister des outils sans contexte : « TensorFlow, PyTorch, Keras » sans expliquer ce que vous avez construit est peu convaincant.
• Ignorer le déploiement : les modèles en production ont bien plus de valeur que les notebooks Jupyter. Montrez que vos modèles sont déployés et utilisés.
• Pas de métriques : un CV de data scientist sans métriques quantitatives est contradictoire.

Questions fréquemment posées

Faut-il un doctorat pour être data scientist ?

Non, mais les postes de recherche en ML l’exigent souvent. Pour les rôles orientés produit, un master avec une forte expérience pratique est suffisant.

Comment présenter les projets Kaggle ?

Mentionnez votre classement et le problème résolu. Les top 5 % dans une compétition reconnue sont un signal positif, mais l’expérience professionnelle prime toujours.

Data scientist vs ML engineer : quelle différence sur un CV ?

Les data scientists se concentrent sur l’analyse et la modélisation, les ML engineers sur le déploiement et la mise à l’échelle des modèles. Adaptez votre CV au titre du poste visé.