Introduction
En 2012, la Harvard Business Review a désigné data scientist comme le métier le plus attractif du XXIe siècle. Dix ans plus tard, malgré l’essor des plateformes d’AutoML (par exemple AWS Redshift ML et Google Cloud AutoML) et les ralentissements liés à la pandémie, le poste de data scientist reste l’un des plus recherchés. Il figure même parmi les rôles les mieux rémunérés du secteur tech, avec un salaire annuel moyen de 150 000 $.
Si leurs responsabilités varient selon les secteurs et les entreprises, la mission commune des data scientists est d’aider les organisations à créer de la valeur à partir des données. Ils y parviennent en explorant des motifs et des tendances dans de grands volumes de données, en communiquant leurs résultats à des parties prenantes variées, et en concevant puis maintenant des modèles qui facilitent la prise de décision automatisée. Devenir data scientist suppose donc un ensemble de compétences variées couvrant statistiques, code, sens du business et communication — des atouts à démontrer lors d’entretiens et d’exercices à réaliser à domicile.
Dans cet article, nous partageons quelques conseils, à la fois du point de vue du candidat et de l’intervieweur, pour vous aider à vous démarquer en entretien et décrocher l’offre dont vous rêvez.
Conseil n° 1 : bien comprendre le poste et l’entreprise
Comme évoqué, « data scientist » est un terme large qui recouvre des rôles très différents autour de la donnée. Deux data scientists, dans des entreprises ou des secteurs distincts, peuvent travailler sur des missions sans rapport. Il est donc essentiel de lire attentivement la section « responsabilités » de la fiche de poste, ou de demander à l’intervieweur : « À quoi ressemble une journée type dans ce rôle ? Passera-t-on l’essentiel du temps à explorer et visualiser des données, ou à construire des modèles ? » Plus vous obtiendrez de précisions, plus vite vous saurez si ce poste correspond à votre profil et à vos intérêts. Vous ciblerez ainsi les opportunités les plus adaptées et augmenterez vos chances d’obtenir le job que vous visez vraiment.
Vous trouverez des conseils utiles sur la marque personnelle et l’adéquation profil/poste sur des sites comme indeed et linkedin. Si vous cherchez des recommandations spécifiquement axées data science et analytics, les services d’orientation de Datacamp peuvent vous aider : vous y trouverez des sessions personnalisées avec des coachs spécialisés.
Une fois le bon rôle identifié, l’étape suivante consiste à montrer à l’entreprise votre intérêt pour son activité. Cela peut sembler délicat si vous débutez en data science ou si vous changez de secteur, car vous avez peut-être peu d’expérience des problématiques métier du domaine visé.
Une approche très efficace consiste à mener des projets en lien avec le secteur cible et à les valoriser dans votre CV et en entretien. Par exemple, si vous n’avez pas de formation en finance mais souhaitez postuler comme data scientist dans une banque d’investissement, travailler sur un projet guidé comme Modeling the Volatility of US Bond Yields sur DataCamp vous aidera à comprendre les questions métier typiquement traitées par un data scientist en finance.
Kaggle est également une excellente plateforme, riche en compétitions et jeux de données. En menant ces projets et en les présentant en entretien, vous acquerrez des bases sur le secteur et montrerez que vous vous intéressez suffisamment à leur business pour explorer leurs cas d’usage sur votre temps libre.
Conseil n° 2 : faites briller votre expertise technique dans les exercices à domicile
Le processus de recrutement en data science inclut souvent un exercice à domicile où l’on vous confie un ou plusieurs jeux de données et quelques questions métier à résoudre. Les modalités de restitution varient, mais l’on attend généralement le partage du code, des modèles et des résultats d’analyse.
Beaucoup y voient une occasion idéale de mettre en avant leurs compétences techniques. R et Python sont les langages phares, avec des packages incontournables pour la préparation de données, la modélisation statistique et le machine learning : pandas, sklearn et statsmodels pour Python, ainsi que tidyr, dplyr et caret pour R. Si vous débutez, nous vous recommandons des parcours carrière sur DataCamp comme Data Scientist with Python et Data Scientist with R. En plus d’une large offre de cours, Datacamp propose un workspace avec des modèles de code et des jeux de données préconfigurés, idéal pour pratiquer et réduire l’écart entre l’apprentissage et la mise en pratique.
On sous-estime parfois l’importance du data storytelling. Un bon data scientist est aussi un bon raconteur d’histoires, capable de communiquer ses résultats de façon convaincante pour embarquer les parties prenantes et générer de vrais changements. Comme on dit, « une image vaut mille mots ». Intégrez donc des visualisations claires dans votre rapport pour montrer comment vous mettez au jour les motifs dans les données et en quoi votre modèle crée de la valeur. Outre les bibliothèques usuelles comme matplotlib (Python), seaborn (Python) et ggplot2 (R), plotly mérite d’être essayée si vous souhaitez bâtir un tableau de bord web interactif. Ce cours DataCamp peut vous être utile : Introduction to Data Visualization with Plotly in Python.
Vous pouvez aussi opter pour des outils BI no-code comme Tableau, Power BI et Google Data Studio. Ils offrent deux avantages majeurs. D’une part, ce sont des outils de visualisation très répandus chez les parties prenantes non techniques (analystes, product managers). Les maîtriser montre que vous vous intégrerez facilement à la stack analytics de l’entreprise. D’autre part, ils proposent souvent plus d’options de personnalisation que les packages Python ou R, ce qui facilite la création de rapports interactifs façon présentation. Si vous débutez, le cours Introduction to Tableau sur DataCamp est un excellent point de départ.
Enfin, soignez aussi la livraison de votre code. Sauf indication contraire, il est recommandé de versionner votre solution avec Git et d’intégrer toutes les dépendances nécessaires. Rien n’est plus frustrant pour un intervieweur que de recevoir un fichier zip, de lancer le code et d’obtenir des erreurs du type « le package XYZ est introuvable ». Veillez également à fournir une documentation claire et structurée pour que l’on suive aisément votre raisonnement.
Conseil n° 3 : gardez en tête le cycle de vie d’un produit data lorsque vous présentez vos projets passés
La plupart du temps, on vous demandera de présenter des expériences de projets antérieurs. Un écueil fréquent est de passer trop de temps sur les aspects techniques — par exemple le nettoyage des données ou le réglage (hyper)paramétrique. Vous risquez alors de noyer l’auditoire sous des détails peu parlants et de réduire le temps consacré à vos compétences business et à la gestion des parties prenantes.
Je vous recommande donc, lorsque vous préparez cette question, de structurer votre réponse selon le cadre STAR et de couvrir toutes les étapes du cycle de vie d’un produit data, même si vous n’êtes pas intervenu directement sur chacune d’elles :
- Objectifs et questions métier : quel(s) problème(s) business votre projet adresse-t-il ? À quel(s) objectif(s) ou KPI(s) contribue-t-il ?
- Collecte des données : quelles difficultés avez-vous rencontrées et comment les avez-vous surmontées ?
- Analyse exploratoire : comment avez-vous présenté vos résultats à des parties prenantes non techniques ? Quelles questions ou objections ont-elles formulées et comment y avez-vous répondu ?
- Modélisation et logique : pourquoi avoir choisi le(s) modèle(s) finalement mis en production (motivations techniques et non techniques) ? Quelles sont les principales limites de votre approche ?
- Tests et déploiement : comment avez-vous testé et déployé votre(vos) modèle(s) ?
- Suivi : quels indicateurs avez-vous retenus pour évaluer les performances ? Qu’avez-vous appris et comment avez-vous amélioré le modèle en conséquence ?
N’oubliez pas non plus de préciser les différents rôles impliqués (par exemple product managers, data analysts, data engineers, QA et responsables des opérations), leurs responsabilités et la manière dont vous avez collaboré. Cela mettra en valeur à la fois votre sens du business et votre esprit d’équipe.
Conclusions
Dans cet article, nous avons examiné la croissance récente de la demande en data scientists. Nous avons ensuite partagé plusieurs conseils pour réussir vos entretiens — sur les volets techniques comme non techniques. Si vous visez un poste de data scientist, vous pouvez mettre ces conseils en pratique ou avancer vers votre objectif en commençant par une formation certifiée en data science.