Apercu
Les CV de data scientists ressemblent souvent a des catalogues de technologies. Des listes de frameworks, d'algorithmes et d'acronymes a n'en plus finir. Le probleme, c'est que les recruteurs ne cherchent pas un inventaire technique. Ils veulent savoir si vous savez mettre un modele en production et si ce modele a un vrai impact sur le business.
Ce CV est celui d'Ines, data scientist avec cinq ans d'experience dans l'industrie pharmaceutique et automobile. Elle travaille actuellement chez Sanofi, ou elle developpe des modeles de prediction de la demande couvrant 14 marches europeens. Avant cela, elle faisait de la maintenance predictive chez Stellantis. Son CV fonctionne parce que chaque bullet point relie une methode technique a un resultat mesurable pour l'entreprise.
Le resume professionnel : parler production, pas notebooks
Le resume d'Ines fait quelque chose que peu de data scientists pensent a faire. Il precise que ses modeles tournent en production et qu'ils ont un impact chiffre.
Data scientist avec cinq ans d'experience en modelisation predictive et machine learning appliques aux secteurs industriel et pharmaceutique. Actuellement chez Sanofi ou je developpe des modeles de prediction de la demande ayant reduit les ruptures de stock de 27 % sur 14 marches europeens.
La mention des 14 marches europeens donne immediatement l'echelle. La reduction de 27 % des ruptures de stock prouve que le modele ne dort pas dans un notebook Jupyter, il tourne et il rapporte.
Pour votre CV : Indiquez le type de modeles que vous construisez, leur environnement de deploiement et leur impact concret. Si vos recommandations servent des millions d'utilisateurs, dites-le. Si vos previsions orientent des decisions d'achat, expliquez-le.
Experience : methode, deploiement, resultat
Les bullets de data science ont besoin de trois ingredients. La methode (quel algorithme ou quelle approche), le deploiement (comment ca tourne en production) et le resultat (ce que ca a change pour l'entreprise).
Regardez comment Ines structure ses bullets chez Sanofi :
"Developpe des modeles de prevision de demande couvrant 14 marches europeens et 320 references produit"
"Reduction des ruptures de stock de 27 % et du surstockage de 19 % grace aux modeles predictifs"
Le premier bullet plante le decor : l'echelle du probleme. Le deuxieme montre le resultat concret. L'association des deux est ce qui retient l'attention d'un recruteur.
Chez Stellantis, le meme schema se repete :
"Developpe un modele de detection d'anomalies sur les donnees capteurs de 12 chaines de montage"
"Reduction des arrets non planifies de 23 %, soit une economie estimee a 1,4 million d'euros/an"
Methode : detection d'anomalies. Echelle : 12 chaines de montage. Impact : 1,4 million d'euros. Le recruteur voit en trois secondes que cette personne sait transformer de la data en valeur.
Appliquez ceci a vos bullets : si vous avez construit un moteur de recommandation, quel a ete le gain sur le taux de clic ? Si vous avez entraine un classificateur, quel etait le F1 score et qui utilise les predictions ?
MLOps : le vrai differenciant
L'un des bullets les plus precieux de ce CV n'a rien a voir avec la modelisation :
"Deploye 4 modeles en production via MLflow et Kubernetes, servant des predictions quotidiennes"
Ce bullet dit au recruteur qu'Ines ne se contente pas de construire des modeles. Elle les deploie, les maintient et les fait tourner au quotidien. L'experience MLOps est de plus en plus ce qui separe un data scientist mid-level d'un senior. Si vous avez deploye des modeles via MLflow, SageMaker, Vertex AI ou meme une simple API Flask, mentionnez-le.
Le bullet sur le traitement de 2,8 millions d'enregistrements par jour chez Stellantis via Spark sur Databricks montre une capacite a travailler a grande echelle. Ce sont des details d'ingenierie qui comptent autant que la qualite du modele lui-meme.
Le doctorat : un vrai atout quand il est bien presente
La data science est l'un des rares domaines ou le parcours academique influence reellement le recrutement. Ines presente un doctorat en statistiques appliquees de l'Universite de Strasbourg, avec une these CIFRE en partenariat avec EDF R&D sur la prevision de consommation electrique. Les 3 publications dans des revues internationales renforcent la credibilite.
La these est directement liee a son travail actuel en prevision de demande. C'est un detail important : si votre these ou memoire est en rapport avec les postes vises, nommez-le explicitement dans la section formation. Si ce n'est pas le cas, une mention breve du diplome et de la mention suffit.
Les certifications qui comptent
Ines liste deux certifications ciblees : Databricks Certified Machine Learning Professional et AWS Certified Machine Learning Specialty. Pas une liste de 15 MOOCs termines un dimanche apres-midi. Ces certifications montrent une competence reelle en deploiement de modeles sur les plateformes cloud utilisees en entreprise.
Si vous passez une certification en data science, privilegiez celles qui sont liees aux outils que vous utilisez vraiment en production. Un certificat Databricks ou AWS a plus de poids qu'un certificat generaliste.
Les erreurs a eviter
Lister des algorithmes sans contexte. "Experience avec XGBoost, LSTM, Random Forest et Transformers" appartient a la section competences, pas aux bullets d'experience. Vos bullets doivent decrire ce que vous avez construit avec ces outils et ce que ca a produit.
Oublier le deploiement. Si vos modeles n'existent que dans des notebooks, beaucoup d'employeurs verront ca comme un manque. Meme si votre experience MLOps est limitee, mentionnez chaque etape vers la production : conteneurisation, API, retraining automatise.
Ignorer le contexte business. "MAPE de 8,3 %" n'a de sens que si le lecteur sait ce qui depend de cette precision. Chez Sanofi, ca veut dire moins de ruptures de stock sur 14 marches. Connectez toujours la metrique a l'enjeu.
Ce qu'il faut retenir
Les meilleurs CV de data scientists se lisent comme un portfolio de produits livres, pas comme une liste d'experiences. Pour chaque modele sur votre CV, posez-vous la question : est-ce que quelqu'un utilise le resultat pour prendre une decision ? Si oui, decrivez la decision. Si non, decrivez l'impact le plus concret que vous ayez. C'est ce qui decroche l'entretien.
