CV Data scientist

Le data scientist transforme des volumes massifs de données brutes en insights actionnables pour orienter les décisions stratégiques d'une entreprise. Au quotidien, tu passes environ 60% de ton temps à nettoyer et préparer les données, 25% à construire et entraîner des modèles prédictifs, et 15% à présenter tes résultats aux équipes métier. Contrairement à l'image glamour véhiculée, le travail implique beaucoup de debugging, de tests A/B et de documentation technique.

Les responsabilités varient selon la maturité data de l'entreprise. Dans une startup, tu seras souvent le premier data scientist et devras créer l'infrastructure de zéro : pipelines ETL, dashboards, premiers modèles de machine learning. Dans un grand groupe, tu te spécialiseras davantage : NLP pour analyser les retours clients, computer vision pour automatiser des contrôles qualité, ou systèmes de recommandation pour optimiser les ventes. Tu collabores étroitement avec les data engineers qui construisent l'infrastructure, et les product managers qui définissent les cas d'usage.

La progression de carrière suit généralement trois paliers. En junior (0-3 ans), tu exécutes des analyses sous supervision et apprends les outils de production. En mid-level (3-6 ans), tu gères des projets de bout en bout et commences à mentorer. En senior (6+ ans), tu définis la roadmap data, choisis les architectures techniques et influences la stratégie produit. Certains évoluent vers des postes de Lead Data Scientist ou Head of Data, d'autres se spécialisent en MLOps ou deviennent Research Scientists.

Tâches quotidiennes typiques :

• Extraire et nettoyer des datasets depuis des bases SQL, APIs ou data lakes
• Développer des modèles prédictifs en Python (scikit-learn, XGBoost, TensorFlow)
• Créer des visualisations et dashboards pour communiquer les résultats aux non-techniques
• Déployer des modèles en production via des APIs REST ou des pipelines automatisés
• Monitorer les performances des modèles et ajuster les hyperparamètres
• Documenter les méthodologies et présenter les findings lors de réunions d'équipe

Salaires moyens en France :

• Junior (0-2 ans) : 38 000 - 48 000 € brut annuel
• Mid-level (3-5 ans) : 50 000 - 65 000 € brut annuel
• Senior (6+ ans) : 65 000 - 85 000 € brut annuel
• Lead/Principal : 85 000 - 110 000 € brut annuel (hors variable et stock-options dans les scale-ups)

Les recruteurs tech scannent ton CV en 15 secondes maximum, et les systèmes ATS filtrent d'abord sur des mots-clés techniques précis. Un CV de data scientist doit démontrer trois piliers : maîtrise des langages de programmation, connaissance des méthodes statistiques, et capacité à traduire des problèmes business en solutions data. Les soft skills comptent autant que les hard skills, car tu devras constamment expliquer des concepts complexes à des interlocuteurs non-techniques.

Pour optimiser ton CV face aux ATS, place les compétences techniques dans une section dédiée avec les noms exacts des outils (pas de variantes : écris 'scikit-learn' et non 'sklearn'). Les recruteurs cherchent des combinaisons spécifiques : Python + SQL + un framework ML + un outil de visualisation. Mentionne les versions si tu maîtrises des technologies récentes (Python 3.11, TensorFlow 2.x) pour montrer que tes compétences sont à jour.

Compétences techniques prioritaires :

• Python : langage dominant en data science pour le preprocessing, le modeling et l'automatisation (pandas, NumPy sont des prérequis absolus)
• SQL : indispensable pour extraire et manipuler les données depuis les bases relationnelles, 70% du travail commence par une requête SQL
• Machine Learning : maîtrise de scikit-learn pour les algorithmes classiques (régression, classification, clustering) et capacité à choisir le bon modèle selon le cas d'usage
• Deep Learning : frameworks comme TensorFlow ou PyTorch pour les problèmes complexes (NLP, computer vision, séries temporelles)
• Statistiques : tests d'hypothèses, intervalles de confiance, régression pour valider scientifiquement tes modèles et éviter les conclusions erronées
• Git/GitHub : versionning du code et collaboration en équipe, attendu dès le niveau junior pour travailler sur des projets partagés
• Cloud (AWS/GCP/Azure) : déploiement de modèles sur des infrastructures scalables, de plus en plus exigé car les modèles doivent tourner en production
• Visualisation (Tableau/Power BI/Plotly) : communication des résultats aux stakeholders non-techniques via des dashboards interactifs
• Docker/Kubernetes : containerisation des applications ML pour garantir la reproductibilité et faciliter le déploiement
• Spark/PySpark : traitement de données massives distribuées, crucial dans les grandes entreprises avec des volumes en téraoctets

Soft skills recherchées :

• Communication : capacité à vulgariser des concepts statistiques complexes auprès de directions marketing ou commerciales qui prendront des décisions basées sur tes analyses
• Curiosité business : comprendre les enjeux métier pour poser les bonnes questions et orienter les analyses vers des problèmes qui génèrent réellement de la valeur

1. Commence par un titre explicite et tes coordonnées complètes

Écris 'Data Scientist' ou 'Data Scientist - Spécialité NLP' comme titre principal, suivi de ton nom. Ajoute ton numéro de téléphone, email professionnel, lien GitHub (obligatoire dans la tech) et localisation (ville suffit). Évite les adresses email fantaisistes : prénom.nom@gmail.com fonctionne toujours mieux que darkwizard92@hotmail.fr.

2. Rédige un résumé de 3-4 lignes orienté résultats

Mentionne tes années d'expérience, ta spécialité technique, et un accomplissement chiffré. Au lieu de 'Data scientist passionné par l'IA', écris : 'Data Scientist avec 4 ans d'expérience en NLP et computer vision. Développé un modèle de détection de fraude réduisant les pertes de 23% (1,2M€/an) chez un assureur. Expert Python, TensorFlow et déploiement cloud AWS.'

3. Structure tes expériences avec la méthode PAR (Problème-Action-Résultat)

Pour chaque poste, liste 3-5 bullets qui commencent par un verbe d'action et incluent des métriques. Mauvais exemple : 'Développé des modèles de machine learning'. Bon exemple : 'Construit un modèle de prédiction de churn (Random Forest, AUC 0.89) identifiant 2 500 clients à risque/mois, permettant au service retention d'augmenter le taux de sauvegarde de 18% à 31%'. Les chiffres prouvent l'impact business de ton travail technique.

4. Crée une section Compétences techniques organisée par catégories

Divise en sous-sections : Langages (Python, R, SQL), Frameworks ML (scikit-learn, XGBoost, TensorFlow), Outils Data (Spark, Airflow, dbt), Cloud (AWS SageMaker, GCP Vertex AI), Visualisation (Tableau, Matplotlib). Cette structure aide les ATS à parser correctement et permet aux recruteurs de scanner rapidement. Indique ton niveau uniquement si demandé (sinon, ta présence implique la maîtrise).

5. Ajoute une section Projets ou Portfolio

Particulièrement important pour les juniors ou les reconversions. Décris 2-3 projets personnels ou académiques avec : le problème résolu, les technologies utilisées, et les résultats. Exemple : 'Système de recommandation de films (collaborative filtering, 50k utilisateurs simulés) - Python, Surprise, Flask API - Précision@10 de 0.74, déployé sur Heroku'. Inclus les liens GitHub pour que les recruteurs techniques vérifient ton code.

6. Liste ta formation en mettant en avant les spécialisations data

Mentionne ton diplôme, l'école, et l'année. Si tu as suivi des cours spécifiques (Machine Learning, Deep Learning, Big Data), liste-les. Les certifications comptent : AWS Certified Machine Learning, Google Professional Data Engineer, ou des MOOCs reconnus (Andrew Ng, Fast.ai). Place cette section après l'expérience si tu as 3+ ans, avant si tu es junior.

7. Optimise pour les mots-clés ATS sans keyword stuffing

Reprends les termes exacts de l'offre d'emploi dans tes bullets. Si l'annonce mentionne 'A/B testing', utilise ce terme plutôt que 'tests statistiques'. Intègre naturellement les acronymes courants : ETL, MLOps, CI/CD, API REST. Évite de créer une liste cachée de mots-clés en blanc sur fond blanc (pratique détectée et pénalisée).

8. Garde un format sobre et exportable en PDF

Une colonne, police classique (Arial, Calibri), taille 10-11pt, marges de 2cm. Les CV à deux colonnes ou avec des graphiques de compétences passent mal les ATS. Nomme ton fichier 'Prenom_Nom_Data_Scientist.pdf' et vérifie que le texte reste sélectionnable (pas un scan d'image). Une page suffit jusqu'à 5-7 ans d'expérience, deux pages maximum ensuite.

1. Lister des outils sans prouver leur utilisation concrète

Écrire 'Compétences : Python, TensorFlow, Spark, Kubernetes' sans contexte ne convainc personne. Les recruteurs tech savent que certains candidats copient des listes de mots-clés. Mauvais : 'Maîtrise de TensorFlow'. Bon : 'Développé un réseau de neurones convolutif avec TensorFlow 2.10 pour classifier 120 000 images produits (accuracy 94%), réduisant le temps de catégorisation manuelle de 15h à 2h/semaine'. Chaque outil mentionné doit apparaître dans une réalisation concrète.

2. Noyer les résultats business sous le jargon technique

Les premiers lecteurs de ton CV sont souvent des RH qui ne comprennent pas 'optimisé les hyperparamètres d'un XGBoost avec GridSearchCV'. Ce qui compte pour eux : l'impact. Au lieu de 'Implémenté un algorithme de clustering K-means sur 2M de transactions', écris 'Segmenté 2M de transactions en 5 profils clients via clustering, permettant au marketing de personnaliser les campagnes et d'augmenter le taux de conversion de 12%'. Technique + business = CV efficace.

3. Confondre data scientist et data analyst dans les réalisations

Si tes bullets parlent uniquement de 'création de dashboards Excel' ou 'extraction de KPIs', tu te positionnes comme analyst, pas scientist. Un data scientist construit des modèles prédictifs, automatise des décisions, ou crée des systèmes intelligents. Remplace 'Analysé les ventes trimestrielles et créé des rapports PowerPoint' par 'Construit un modèle de prévision des ventes (SARIMA + features externes) avec MAPE de 8%, utilisé pour optimiser les stocks et réduire les ruptures de 34%'.

4. Omettre GitHub ou présenter un profil vide

Dans la tech, un CV sans lien GitHub est suspect. Mais pire encore : un GitHub avec 3 repos forkés et zéro commit personnel. Les recruteurs techniques vérifient systématiquement. Assure-toi d'avoir 3-5 projets propres avec des README détaillés, du code commenté, et des notebooks Jupyter bien structurés. Un seul projet complet et documenté vaut mieux que 20 repos abandonnés après le premier commit.

5. Utiliser des pourcentages sans contexte ou des métriques inventées

Écrire 'Amélioré la précision du modèle de 30%' ne signifie rien. 30% par rapport à quoi ? Passer de 40% à 70% d'accuracy est excellent, passer de 95% à 98% est marginal. Donne toujours la baseline : 'Augmenté l'accuracy du modèle de détection de spam de 82% (baseline Naive Bayes) à 94% (BERT fine-tuné) sur un dataset de 500k emails'. Les métriques doivent être vérifiables et contextualisées.

6. Négliger la section formation pour les profils reconversion

Si tu viens d'un bootcamp ou d'une formation continue, détaille le programme. Les recruteurs connaissent la différence entre un bootcamp de 3 mois et un Master spécialisé. Mentionne les projets académiques, le volume horaire (400h de formation intensive), et les technologies couvertes. Pour compenser le manque de diplôme traditionnel, mets en avant des certifications reconnues (Coursera, DataCamp, AWS) et des projets personnels solides.

7. Ignorer les soft skills ou les mentionner sans preuve

Écrire 'Excellentes capacités de communication' dans une liste de compétences est inutile. Démontre-le dans tes réalisations : 'Présenté les résultats d'une analyse de sentiment (NLP sur 200k avis clients) au comité de direction, conduisant à une refonte de l'expérience utilisateur et une hausse du NPS de 15 points'. La communication, le leadership, la pédagogie se prouvent par des exemples concrets, pas des adjectifs.

Le marché de la data science en France connaît une transformation profonde en 2026. Les entreprises ne cherchent plus des 'unicorns' capables de tout faire, mais des profils spécialisés : NLP pour l'analyse de documents, computer vision pour l'industrie, ou MLOps pour industrialiser les modèles. Ton CV doit refléter une spécialisation claire plutôt qu'une liste exhaustive de compétences. Les recruteurs valorisent désormais l'expertise verticale (ex : 'Data Scientist - Spécialiste Séries Temporelles Finance') plutôt que le généraliste.

L'émergence des LLMs (Large Language Models) et de l'IA générative redéfinit les compétences attendues. En 2026, maîtriser le fine-tuning de modèles pré-entraînés (BERT, GPT, LLaMA) et le prompt engineering devient aussi important que de construire des modèles from scratch. Les entreprises cherchent des data scientists capables d'intégrer des APIs d'IA générative (OpenAI, Anthropic, Mistral AI) dans leurs produits. Sur ton CV, mentionne explicitement : 'Fine-tuning de LLaMA 2 sur 50k documents métier pour créer un assistant IA interne' ou 'Développement d'une chaîne RAG (Retrieval-Augmented Generation) avec LangChain et Pinecone'.

Les compétences MLOps et DataOps sont passées de 'nice-to-have' à obligatoires pour les postes mid-level et senior. Les recruteurs attendent que tu saches déployer des modèles en production, pas seulement les entraîner dans un notebook. Mets en avant ton expérience avec : CI/CD pour le ML (GitHub Actions, Jenkins), monitoring de modèles (MLflow, Weights & Biases), containerisation (Docker, Kubernetes), et orchestration (Airflow, Prefect). Un bullet efficace : 'Mis en place un pipeline MLOps automatisant le réentraînement hebdomadaire de 12 modèles de pricing, réduisant le temps de déploiement de 3 jours à 2 heures'.

La conformité et l'IA responsable deviennent des critères de recrutement. Avec le règlement européen sur l'IA entré en vigueur, les entreprises cherchent des data scientists sensibilisés aux biais algorithmiques, à l'explicabilité (SHAP, LIME), et à la protection des données (RGPD). Si tu as travaillé sur ces aspects, valorise-le : 'Audité 5 modèles de scoring crédit pour identifier et corriger les biais de genre (écart de traitement réduit de 8% à 1,2%) en conformité avec le règlement IA européen'. Cette expertise te différencie fortement.

Le télétravail hybride est devenu la norme dans la tech française : 80% des offres de data scientist proposent 2-3 jours de remote par semaine. Ton CV doit refléter ta capacité à travailler en asynchrone : mentionne ton expérience avec des outils collaboratifs (Notion, Confluence pour la documentation, Slack/Teams pour la communication, Git pour le code review). Si tu as géré des projets en full remote, précise-le : 'Coordonné une équipe de 4 data scientists répartis sur 3 pays pour livrer un système de recommandation en 6 mois'. L'autonomie et la communication écrite sont scrutées.

Les certifications cloud gagnent en importance face à la multiplication des déploiements sur AWS, GCP et Azure. En 2026, 65% des offres senior mentionnent explicitement une certification cloud. Priorise : AWS Certified Machine Learning Specialty, Google Professional Machine Learning Engineer, ou Azure Data Scientist Associate. Ces certifications prouvent que tu sais industrialiser des modèles, pas seulement les prototyper. Place-les en évidence dans ta section formation, avec la date d'obtention (les certifications expirent après 2-3 ans).

Enfin, les projets open source et les contributions techniques (articles de blog, talks en meetup) deviennent des différenciateurs majeurs. Les recruteurs tech consultent ton profil GitHub, Medium, ou LinkedIn pour évaluer ta capacité à partager des connaissances. Ajoute une section 'Publications & Contributions' si tu as : publié un article technique (Towards Data Science, Medium), contribué à une librairie open source (même une petite PR), ou présenté dans un meetup local. Exemple : 'Contributeur à la librairie scikit-learn (3 PRs mergées) - Amélioration de la documentation des algorithmes de clustering'.