Guide CV Data Scientist : Ce que les recruteurs recherchent vraiment en 2026

Le recrutement en data science a mûri. Le domaine qui recrutait autrefois quiconque pouvait faire tourner une régression linéaire est devenu véritablement compétitif, avec des entreprises qui attendent des candidats à démontrer non seulement une maîtrise technique mais aussi un impact business. En même temps, l'essor des outils assistés par IA dans chaque équipe data a relevé la barre de ce que « faire de la data science » signifie.

Si votre CV commence encore par « maîtrise de Python et SQL », vous vous fondez dans une très grande masse. Ce guide vous montre comment rédiger un CV de data scientist qui signale une véritable compétence et passe à la fois les systèmes ATS et les recruteurs sceptiques.

Ce que les recruteurs filtrent vraiment

Les rôles de data science varient énormément — un data scientist dans une petite startup peut tout faire des pipelines ETL aux présentations aux parties prenantes, tandis que dans une grande entreprise tech le rôle peut être étroitement focalisé sur l'expérimentation et l'inférence causale. Avant tout, lisez attentivement l'offre d'emploi pour comprendre quel type vous visez.

Quelle que soit la spécialisation, les recruteurs recherchent systématiquement :

Profondeur statistique et ML, pas seulement la familiarité avec les outils. Lister scikit-learn et TensorFlow est bien, mais quels modèles avez-vous construits ? Quels problèmes ont-ils résolus ? Qu'avez-vous fait quand la première approche n'a pas fonctionné ?

Impact business démontré. La data science qui ne mène pas à une décision ou un résultat a une valeur limitée. Les recruteurs veulent voir : voici le problème, voici l'analyse, voici ce qui a changé grâce à elle.

Aisance en communication. Un data scientist qui ne peut pas expliquer son travail à un public non technique est difficile à déployer dans la plupart des organisations. Votre CV doit le refléter — un travail complexe expliqué clairement, sans jargon inutile.

Signaux de production. L'expérience académique et les projets Kaggle personnels conviennent comme suppléments, mais si chaque élément de votre CV est un notebook, c'est un problème. Avez-vous déployé des modèles ? Utilisé le contrôle de version ? Travaillé en équipe ?

Compétences clés à mettre en avant en 2026

Le paysage des compétences pour les data scientists a notablement évolué ces deux dernières années :

• Programmation de base : Python (pandas, NumPy, scikit-learn), SQL (fonctions de fenêtrage, CTEs, optimisation des requêtes)
• ML/DL : PyTorch ou TensorFlow, écosystème Hugging Face, ML classique (gradient boosting, méthodes d'ensemble), feature engineering
• Expérimentation : A/B testing, inférence causale, significativité statistique, analyse de puissance
• Infrastructure data : dbt, Airflow ou Prefect pour l'orchestration, Spark pour le travail à grande échelle, familiarité avec les data warehouses (BigQuery, Snowflake, Redshift)
• Bases MLOps : MLflow, versionnage des modèles, déploiement vers des API ou pipelines batch
• Visualisation et communication : Matplotlib, Seaborn, Plotly, ou Tableau — et la capacité à construire un récit clair autour des données

Si vous postulez pour des rôles avec « machine learning » dans l'intitulé, les types de modèles spécifiques comptent. Ne dites pas juste « NLP » — dites « modèles de classification basés sur BERT fine-tuné pour la détection d'intention client ».

Bullets solides vs. bullets faibles

La plupart des CV de data scientists souffrent du même problème : ils décrivent le travail plutôt que l'impact. Voici trois reformulations qui corrigent cela :

Bullet 1 — Projet de machine learning

Avant :

Construit un modèle de machine learning pour prédire le churn client

Après :

Développé un modèle de prédiction du churn basé sur le gradient boosting (XGBoost, F1 = 0,83) utilisant 18 mois de données comportementales et transactionnelles ; les campagnes de rétention informées par le modèle ont réduit le churn mensuel de 1,4 point de pourcentage, économisant environ 2,1 M$ d'ARR

Bullet 2 — Expérimentation et A/B testing

Avant :

Effectué des A/B tests pour évaluer de nouvelles fonctionnalités

Après :

Conçu et analysé 15+ expériences A/B dans l'entonnoir d'onboarding en utilisant les tests séquentiels pour réduire le temps de décision de 30 % ; identifié un changement de copie de checkout qui a augmenté la conversion de 6,2 % (p < 0,01, n = 45 000 utilisateurs par variant)

Bullet 3 — Analyse de données et travail avec les parties prenantes

Avant :

Analysé des données et présenté les résultats aux parties prenantes

Après :

Construit un rapport hebdomadaire d'attribution des revenus transversal dans dbt + Looker, remplaçant trois tableurs maintenus manuellement et réduisant les erreurs de reporting ; adopté par l'équipe du CFO comme source unique de vérité pour les métriques au niveau du conseil

Le schéma est constant : être précis sur la méthode, quantifier le résultat, indiquer l'échelle.

Erreurs fréquentes des data scientists sur leur CV

Les compétitions Kaggle comme expérience principale. L'expérience Kaggle convient, surtout en début de carrière, mais elle ne doit jamais être la première chose ou la plus visible sur votre CV. Le travail en production, même modeste en échelle, est plus valorisé.

Lister des bibliothèques sans contexte. « Expérimenté avec scikit-learn, Keras, XGBoost, LightGBM, CatBoost » est du bruit. Mentionnez les frameworks que vous avez vraiment utilisés pour résoudre de vrais problèmes, et dites ce qu'étaient ces problèmes.

Langage académique dans un contexte business. Les formulations comme « effectué une analyse exploratoire des données pour investiguer l'hypothèse » conviennent dans une thèse. Dans un CV, dites « identifié un taux de churn 3 fois plus élevé chez les utilisateurs qui ont ignoré le tutoriel d'onboarding, ce qui a informé une refonte du produit ».

Aucune mention de l'ingénierie des données. Un data scientist qui ne peut travailler qu'avec des datasets propres et prêts à l'emploi est un risque. Si vous avez touché des pipelines, fait du nettoyage de données à grande échelle ou construit des modèles dbt, incluez-le.

Ne pas montrer le déploiement ou l'utilisation en production. « Entraîné un modèle atteignant 91 % de précision » est incomplet. Le modèle a-t-il été déployé ? Comment ? Quelqu'un l'a-t-il utilisé ? Que s'est-il passé ?

Profils vagues. « Data scientist avec une expérience en machine learning et analyse statistique » correspond à environ 200 000 personnes. Soyez précis sur votre domaine (fintech, healthtech, e-commerce), vos méthodes (NLP, systèmes de recommandation, ML causal) et votre préférence d'échelle.

Comment personnaliser votre CV pour chaque offre

Les rôles de data science sont suffisamment diversifiés pour que la personnalisation soit non seulement utile — c'est nécessaire. Un rôle axé sur l'expérimentation dans une startup en croissance nécessite une emphase différente d'un rôle de construction de systèmes de recommandation dans une entreprise médiatique.

Identifiez les deux ou trois problèmes techniques fondamentaux que le rôle résoudra. Puis réordonnez vos bullets pour que l'expérience la plus pertinente apparaisse en premier dans chaque emploi. Ne supposez pas que le recruteur lira chaque ligne et fera mentalement le lien.

NextCV gère ce réordonnancement automatiquement. Collez la fiche de poste, et il fait remonter votre travail le plus pertinent pour ce rôle spécifique — donc si l'offre met l'accent sur l'expérimentation et l'inférence causale, votre travail A/B testing et statistique monte en tête, même si ce n'était pas la plus grande partie de votre dernier rôle. C'est particulièrement utile pour les data scientists qui couvrent plusieurs types de problèmes dans leur travail quotidien et doivent mettre en avant différentes facettes selon la candidature.

Structurer votre section projets

Si vous avez des projets personnels ou académiques qui démontrent des compétences pertinentes, incluez-les — mais soyez stratégique :

• Incluez un lien GitHub et assurez-vous que le dépôt est propre et dispose d'un README
• Décrivez le problème, pas seulement la méthode : quelle était la question à laquelle vous essayiez de répondre ?
• Si le projet utilisait un dataset public, nommez-le et décrivez sa taille
• Si des résultats sont disponibles, quantifiez-les

Un bon bullet de projet : « Entraîné un classifieur de texte multi-label sur 200 K posts Reddit en utilisant un modèle DistilBERT fine-tuné ; atteint un macro F1 de 0,79 sur 12 catégories thématiques, déployé comme endpoint FastAPI avec une interface de démo Gradio. »

Formation et certifications

Un diplôme en statistiques, mathématiques, informatique ou un domaine quantitatif apparenté est toujours un signal positif. Mais ce n'est pas un prérequis dans la plupart des entreprises, et un solide portfolio de travail appliqué peut le dépasser.

Pour les certifications, concentrez-vous sur celles qui ont des composantes pratiques : le Professional Machine Learning Certificate de Google, les spécialisations de DeepLearning.AI ou la certification Analytics Engineering de dbt ont plus de poids que les cours génériques « fondamentaux de la data science ».

Conclusion

Les meilleurs CV de data scientists se lisent comme un palmarès de problèmes résolus, pas comme une liste d'outils. Chaque entrée doit répondre à une question implicite : « qu'est-ce qui aurait été moins bien ou absent si vous n'aviez pas été là ? »

Revoyez votre CV actuel et posez-vous cette question pour chaque bullet. Si la réponse est « rien, vraiment », réécrivez-le. Vous avez l'expérience — le CV ne la montre pas encore.

NextCV peut vous aider à trouver le bon cadrage pour chaque candidature, s'assurant que votre expérience correspond à ce que chaque employeur spécifique recherche sans repartir de zéro à chaque fois.