Exemple de CV Data Scientist & Modèle

Mots-clés ATS essentiels

• Data science
• Machine learning
• Python
• SQL
• Statistiques
• Modélisation prédictive
• Deep learning
• NLP / IA générative
• Spark
• Dataiku
• MLOps
• Cloud (AWS, GCP, Azure)
• Power BI / Tableau
• A/B testing
• Feature engineering
• RGPD

Ce que recherchent les recruteurs

Un CV de data scientist se juge à sa capacité à relier un modèle à une décision. Pour chaque projet, donnez le problème métier, la méthode, la mise en production éventuelle et le résultat mesuré : fraude évitée, ventes supplémentaires, heures économisées. Les recruteurs distinguent nettement le data analyst, tourné vers le reporting, le data scientist, orienté modélisation, et le machine learning engineer, chargé de l’industrialisation : choisissez votre titre en conséquence. Les diplômes pèsent dans ce métier (école d’ingénieurs ou de statistique, master, doctorat), mais l’expérience en production les rattrape vite. Montrez enfin que vous savez traiter des données personnelles dans le respect du RGPD et expliquer vos résultats à un comité de direction.

Exemples de formulations par niveau d'expérience

Débutant

• Stage de fin d’études : modèle d’attrition pour une banque en ligne, 15 % de résiliations évitées sur le groupe ciblé
• Nettoyage et documentation d’une base de 2 millions de contrats, réutilisée ensuite par trois équipes d’analystes
• Tableau de bord Power BI de suivi des ventes, consulté chaque semaine par la direction commerciale
• Classification de 50 000 réclamations clients par NLP, avec 88 % de bon classement sur l’échantillon de validation

Intermédiaire

• Score d’appétence au crédit immobilier mis en production : taux de transformation des campagnes multiplié par 1,6
• Industrialisation de 12 modèles sous MLflow et Airflow : mise en production en trois semaines contre trois mois
• Protocole d’A/B test sur l’application mobile, base de la décision de déployer une offre auprès de 800 000 clients
• Pseudonymisation des données d’un programme de prévention santé, validée par le délégué à la protection des données

Senior

• Direction d’une équipe de sept data scientists et data engineers, feuille de route alignée sur le comité exécutif
• Politique de validation et d’explicabilité des modèles adoptée par les directions des risques et de la conformité
• Lancement d’un assistant d’IA générative pour les conseillers : temps de recherche d’information réduit de 35 %
• Arbitrage d’un portefeuille de 15 cas d’usage, dont 4 abandonnés après étude de valeur

Erreurs courantes dans un CV

Des modèles sans enjeu métier

« Modèle XGBoost, AUC de 0,87 » n’apprend rien au recruteur s’il ignore à quoi servait le modèle. Commencez chaque ligne par le problème (fraude, attrition, prévision des stocks), dites ce que le modèle a changé, puis seulement la technique. Les euros, heures ou clients gagnés parlent à tous.

Le cimetière de notebooks

Des projets Kaggle et des notebooks de cours prouvent que vous savez entraîner un modèle, pas le faire vivre. Mettez en avant au moins un projet complet, même modeste : collecte et nettoyage des données, versionnage, API ou tableau de bord, suivi des performances dans le temps.

Une thèse illisible

Un intitulé de thèse très technique déroute les recruteurs du privé. Gardez le titre, mais ajoutez une phrase qui traduit la contribution en compétences utiles : méthode développée, volume de données, publications, code diffusé. Valorisez aussi ce que le doctorat apprend : conduite de projet, rédaction, présentation devant un public exigeant.

Ignorer les données personnelles

Assurance, banque, santé, distribution : de nombreux projets de data science manipulent des données personnelles. Un CV muet sur le sujet inquiète ces employeurs. Mentionnez votre pratique de la pseudonymisation, vos échanges avec le DPO (délégué à la protection des données) ou une analyse d’impact menée au titre du RGPD.

Une liste d’outils à rallonge

Trente bibliothèques, trois clouds et cinq outils de visualisation diluent votre profil au lieu de le renforcer. Regroupez vos compétences en quatre familles : langages, modélisation, données et industrialisation, restitution. Dans chacune, gardez ce que vous utilisez réellement et ce que demande l’annonce, puis prouvez-le dans les expériences.

Évolution de carrière

Questions fréquentes

Comment faire un CV de data scientist ?

Commencez par une accroche indiquant votre spécialité (scoring, NLP, vision par ordinateur, séries temporelles) et votre secteur d’activité. Pour chaque expérience, décrivez deux à quatre projets avec le problème, la méthode et le résultat chiffré. Placez la formation après l’expérience dès deux ou trois ans de pratique, et regroupez les compétences techniques par familles cohérentes.

Faut-il mentionner son doctorat et ses publications ?

Oui : un doctorat est un atout pour la recherche appliquée et les sujets méthodologiques. Indiquez l’intitulé, l’université et une phrase sur votre contribution, puis deux ou trois publications choisies plutôt que toute la bibliographie. Un lien vers votre page HAL ou Google Scholar permet au lecteur curieux d’aller plus loin sans alourdir le document principal.

Data analyst ou data scientist : comment adapter son CV ?

Pour un poste de data analyst, mettez en avant SQL, les tableaux de bord et la relation avec les métiers. Pour un poste de data scientist, la modélisation, l’expérimentation et la mise en production passent en premier. Si vous préparez cette transition, décrivez un projet prédictif mené de bout en bout, même modeste, avec son résultat.

Les projets Kaggle ont-ils leur place sur un CV ?

Ils aident en début de carrière, à condition d’être présentés comme de vrais projets : problème, approche, résultat, lien vers le code. Un bon classement dans une compétition reconnue mérite une ligne. Avec de l’expérience en entreprise, ils passent au second plan ; gardez-en un seul s’il montre une compétence que vos postes successifs n’illustrent pas encore.

Comment parler de modèles confidentiels sur son CV ?

Décrivez le problème et la méthode sans nommer le client ni révéler de données sensibles : « modèle de détection de fraude pour un assureur, un million de contrats ». Les ordres de grandeur, les pourcentages et les comparaisons avant-après suffisent à montrer l’impact. En entretien, préparez une version plus détaillée, qui respecte toujours vos engagements de confidentialité.

Texte du CV