Exemple de CV de data scientist
Le poste de data scientist en France en 2026 se gagne sur trois preuves : stack ML maîtrisée (Python + un framework ML moderne), modèles déployés en production avec impact business, et capacité à dialoguer avec le métier. Un Kaggle de score haut sans modèle en prod n'impressionne plus les recruteurs ETI ou scale-up.
CV complet de data scientist
Modèle pour un poste de data scientist confirmé en scale-up tech ou ETI. Adaptez la stack, les modèles et le secteur d'application à votre profil.
Data scientist avec 5 ans d'expérience entre BlaBlaCar (mobilité) et Doctolib (santé numérique). Master MVA (ENS Paris-Saclay, 2020). Stack : Python (pandas, numpy, scikit-learn, PyTorch, statsmodels), SQL avancé sur BigQuery et PostgreSQL, MLflow + Airflow + Vertex AI pour la mise en production. Anglais professionnel C1 (TOEIC 945) — équipes internationales.
📚 Approfondir : rédiger un profil percutant →- Refonte du modèle de pricing dynamique trajet : feature engineering Python (40+ features comportementales), XGBoost + ensembling, validation A/B test sur 8 semaines, déploiement MLflow + Vertex AI sur GCP.
- Résultat mesuré en A/B contrôlé : +12 % de marge brute sur la cohorte traitée, 380 K€ d'ARR additionnel sur 6 mois.
- Maintenance de 4 modèles ML en production (matching, fraud detection, démarrage à froid).
- Mentoring d'un data scientist junior + 2 stagiaires de fin d'études.
- Système de recommandation médecins (filtrage collaboratif + features géographiques) — passé de top-3 à top-1 sur la métrique de pertinence interne.
- A/B testing systématique : ~25 expérimentations livrées sur 27 mois, framework de calcul de taille d'échantillon et de power analysis maintenu en interne.
- Pipelines Airflow pour les features stores ; collaboration data engineering quotidienne.
Co-auteur d'une publication acceptée à NeurIPS Workshop 2024 (« Dynamic pricing under cold-start »). GitHub /pgarnier — 4 projets perso documentés. Intervenant à PyData Paris 2024.
Un profil qui dit la stack et un modèle en prod
Le profil d'un data scientist doit prouver trois choses en quatre lignes : le diplôme (Master MVA, X-ENS, Polytechnique, autre), la stack ML précise, et un modèle déployé en production avec impact business chiffré. Un Kaggle de score haut sans modèle en prod ne suffit plus en 2026.
Data scientist passionné par l'IA et la résolution de problèmes complexes, je cherche un nouveau défi dans une entreprise innovante.
Data scientist 5 ans (BlaBlaCar + Doctolib). Master MVA. Modèle de pricing dynamique XGBoost déployé MLflow → +12 % marge brute mesurés en A/B contrôlé. Stack Python + GCP.
Plus de conseils ? Lisez notre guide pour le profil personnel.
Ce que cherchent les équipes data françaises
Listez la stack précisément : un framework ML, un cloud, un orchestrateur, un outil d'A/B testing. La maîtrise de SQL avancé et de la statistique inférentielle reste différenciatrice — beaucoup de profils juniors maîtrisent les modèles mais peinent sur les pré-requis.
Python ML
pandas, numpy, scikit-learn, XGBoost, statsmodels — et au moins un framework deep (PyTorch ou TensorFlow). Précisez votre niveau réel sur chaque.
SQL avancé
BigQuery, Snowflake, PostgreSQL. Window functions, CTE, optimisation. Critère filtrant — beaucoup de juniors plantent les entretiens techniques sur SQL.
MLOps
MLflow, Airflow, Vertex AI / SageMaker, dbt. La capacité à déployer un modèle en prod est ce qui sépare un junior d'un confirmé en 2026.
A/B testing
Calcul de taille d'échantillon, power analysis, tests fréquentistes et bayésiens. Mentionnez le volume de tests menés et les frameworks utilisés.
Statistiques inférentielles
Modèles linéaires généralisés, tests, intervalles de confiance, bootstrap. Différenciateur fort par rapport aux profils auto-formés.
Communication métier
Présentations COMEX, traduction de résultats ML en recommandations actionnables, dialogue avec produit / sales / finance. Compétence souvent sous-évaluée.
Comment décrire votre expérience
Pour chaque poste : entreprise, équipe data (taille, organisation), 2-3 modèles concrets avec stack utilisée, méthode de validation (A/B, holdout), et impact business chiffré. Un seul KPI fort par projet vaut mieux qu'une liste générique.
- Pricing dynamique XGBoost — +12 % marge brute (A/B contrôlé).
- Déploiement MLflow + Vertex AI sur GCP.
- Maintenance 4 modèles ML en production.
- Recommandation médecins — top-1 pertinence interne.
- ~25 A/B tests livrés sur 27 mois.
- Pipelines Airflow + features store.
À faire et à éviter
Erreurs courantes et choix gagnants observés sur les CV de data scientist. Suivez ces conseils pour vous démarquer auprès des recruteurs français.
Mettez la stack précise en haut
Python + framework ML + cloud + orchestrateur. Plus précis que « Python, ML, cloud ». L'ATS scanne dessus.
Évitez « passionné par l'IA »
Cliché immédiatement repéré. Remplacez par un modèle concret en production avec impact mesuré.
Précisez la méthode de validation
A/B contrôlé, holdout, validation croisée temporelle. Le hiring manager vérifie que vous savez démontrer un impact, pas juste obtenir un score.
Pas de Kaggle sans modèle en prod
Un top 5 % Kaggle sans expérience de production n'est plus différenciateur en 2026. Un modèle déployé pèse plus.
Mentionnez votre GitHub
Avec quelques projets perso bien documentés (README clair, notebooks reproductibles). Vaut souvent plus qu'une certification.
N'oubliez pas SQL et la stat
Beaucoup de candidats passent les entretiens techniques sur ces deux pré-requis. Mentionnez explicitement votre niveau (CTE, window functions, GLM, bootstrap).
Quel salaire pour le métier de data scientist ?
Statistiques de salaire pour data scientist en France, basées sur les données de l’INSEE, de la DARES et des conventions collectives. Le salaire dépend de l’expérience, de la région, du secteur et de l’employeur.
Source : Hays — étude de rémunération tech 2024 ↗ · Apec — Étude rémunérations data ↗
FAQ : CV de data scientist
Réponses aux questions les plus fréquentes sur la rédaction d’un CV de data scientist en France.
Non, sauf cas spécifiques (recherche fondamentale en deep learning, équipes recherche d'OpenAI / Mistral / Hugging Face). Pour 90 % des postes data scientist en scale-up, ETI ou grand groupe, un Master MVA, X-ENS, Polytechnique-Saclay, INSA, Centrale, ou un parcours Bac+5 + 3-5 ans d'expérience suffisent. Le PhD ouvre des postes de staff DS et research scientist mais n'est pas un prérequis pour senior DS.
Mettez en avant les certifications reconnues (Coursera Andrew Ng deep learning, Fast.ai, DataCamp), les projets concrets (notebooks bien documentés sur GitHub, contributions open-source, papier rédigé pour PyData), et idéalement 1-2 missions freelance ou un stage long. Les écoles de reconversion reconnues : Le Wagon Data Science, DataScientest, Jedha. Un parcours assumé bat un CV qui essaie de masquer la transition — la majorité des recruteurs data en France sont à l'aise avec les reconversions sérieuses.
Oui, c'est un signal fort pour les recruteurs. BigQuery, Snowflake, Redshift, Databricks ont des écosystèmes différents. Le hiring manager qui utilise BigQuery préfère un candidat avec BigQuery — facile à filtrer dans l'ATS. Précisez aussi votre niveau (notions, opérationnel, expert).
Data analyst : SQL + BI tools + statistique descriptive, livrables = dashboards et reportings. Data scientist : Python ML + statistique inférentielle + A/B testing, livrables = modèles ML déployés. ML engineer : focus sur la production, déploiement, monitoring, scalabilité — moins de modélisation. Sur le CV, soyez clair sur votre positionnement et n'essayez pas d'être les trois en même temps.
Une page jusqu'à 5 ans d'expérience, deux pages au-delà. Pour un PhD ou des publications, deux pages dès le démarrage. Concentrez la première page sur la stack, les modèles en production, et l'éducation. La deuxième page peut détailler les expériences plus anciennes, les publications et les projets perso.
Démarrez votre CV de data scientist
Mettez en avant la stack précise, un modèle en production, et l'impact business mesuré.
