Un CV de data scientist a un mode d'échec bien à lui : il se lit comme une stack technique à laquelle on a collé un nom. Python, SQL, TensorFlow, XGBoost, Spark, une douzaine d'outils, et presque rien sur ce que tout cela a produit. Les responsables qui recrutent sur des postes data en ont vu mille. Ce qu'ils cherchent vraiment, c'est si vous savez transformer la donnée en une décision sur laquelle quelqu'un a agi.
Voici comment bâtir un CV qui répond à cette question.
Commencez par les résultats, pas par les modèles
Le piège : décrire la technique et s'arrêter là. « Construction d'un modèle de forêt aléatoire pour prédire l'attrition » dit ce que vous avez fait, pas si ça a compté. Le modèle est le moyen. Le résultat est le but.
Réécrivez chaque ligne pour que le résultat business soit le sujet. « Réduction de l'attrition mensuelle de 14 % via un modèle signalant les comptes à risque à l'équipe rétention » commence par le chiffre qui intéresse un directeur, puis gagne en crédibilité en nommant la méthode. Le modèle est toujours là. Il ne se fait simplement plus passer pour la réussite.
Si un projet n'a jamais été mis en production ni changé une décision, c'est une ligne plus faible, et il vaut mieux se l'avouer. Un modèle déployé qui a bougé une métrique vaut mieux que trois notebooks qui n'ont impressionné personne hors de votre équipe.
Quantifiez comme un data
Vous, plus que quiconque, devez chiffrer votre travail, avec les bons chiffres. Deux types comptent :
Les métriques business : chiffre d'affaires, coût, attrition, conversion, rétention, heures gagnées. C'est ce que lisent les décideurs non techniques.
Les métriques de modèle et d'échelle : précision, rappel ou AUC là où c'est pertinent, taille du jeu de données, latence, nombre de modèles en production. Elles prouvent la profondeur technique à ceux qui relisent votre travail.
Associez-les quand vous le pouvez. « Rappel de détection de fraude porté de 0,71 à 0,88, soit environ 400 k€ de rétrofacturations évitées par an » parle aux deux publics en une ligne : l'ingénieur et le dirigeant.
Structurez le CV pour une lecture rapide
Une mise en page solide pour un data scientist :
- Un résumé de deux lignes nommant votre domaine (vous n'êtes pas « un data scientist » tout court, vous êtes data scientist dans la fraude, la santé, ou la croissance) et votre meilleur résultat.
- L'expérience, avec des lignes menées par le résultat comme ci-dessus.
- Une section projets si votre expérience est mince, mais seulement des projets aboutis, pas des tutoriels.
- Une section compétences, regroupées, pas un déversement à plat.
Regroupez les compétences pour qu'elles soient lisibles : langages (Python, SQL), ML (scikit-learn, PyTorch), outils data (Spark, dbt, Airflow), cloud (AWS, GCP). Une liste groupée laisse le relecteur trouver ce qu'il cherche en une seconde ; une soupe alphabétique de quarante outils signale juste que vous avez survolé beaucoup de choses.
Gardez-le lisible par les machines
Les postes data passent par des logiciels de tri comme les autres, et une mise en page multicolonne astucieuse se transforme souvent en bouillie à l'analyse. Une seule colonne, des intitulés de section standards, et vos outils en texte brut plutôt que dans une barre de compétence graphique : l'analyseur ne sait pas lire une image de « Python : 90 % ». La même discipline de mise en forme qui garde n'importe quel CV lisible par un ATS s'applique ici, et elle compte d'autant plus sur les postes data, où tant de candidats sur-designent leur CV.
Les recruteurs data ne récompensent pas la plus longue liste d'outils. Ils récompensent la ligne la plus nette entre votre travail et un chiffre que le business a bougé. Écrivez pour cette ligne.
Montrez la partie du métier qui n'est pas la modélisation
Le vrai travail data n'est en majorité pas de la modélisation. C'est définir la question, nettoyer la donnée que personne ne voulait nettoyer, et convaincre un interlocuteur de faire confiance au résultat. Un CV qui ne montre que la modélisation se lit comme junior, car les data scientists seniors savent que le modèle est la partie facile.
Glissez une ou deux lignes sur le cadrage d'un problème avec un responsable métier, la construction d'un pipeline dont d'autres dépendent désormais, ou la présentation de résultats qui ont fait évoluer une feuille de route. Cette communication et ce jugement font souvent la différence entre le candidat retenu et celui qui a des scores Kaggle à peine meilleurs.
Quand vous montez un CV à partir de votre LinkedIn et de votre historique de projets, un outil comme Postulit vous donne vite la structure, mais le cadrage de l'impact, c'est à vous de l'écrire. Reprenez chaque poste et demandez : quelle décision mon travail a-t-il changée, et de combien ? Le CV qui y répond, en chiffres clairs, est celui qui décroche l'appel.