Data scientist · Guide de profil
Profil LinkedIn de data scientist
La question qui trie les profils data science n'est plus « quels modèles savez-vous entraîner » mais « lesquels tournent encore en production aujourd'hui ».
Le marché data science français a changé de critère. Entre 2018 et 2021, un profil listant scikit-learn, TensorFlow et un projet Kaggle passait le premier filtre. Aujourd'hui, les entreprises ont accumulé des notebooks qui n'ont jamais rien servi et le recrutement s'est déplacé : elles cherchent des gens dont les modèles sont partis en production, ont été surveillés, réentraînés, et ont produit un effet mesurable sur une métrique métier.
Concrètement, un profil qui parle uniquement d'AUC et de F1 se lit comme un profil académique. Un profil qui écrit « modèle de scoring en production depuis 14 mois, réentraîné toutes les deux semaines, dérive surveillée, +1,8 point de taux d'acceptation » se lit comme un profil d'ingénieur. Le second est payé plus cher, parce qu'il représente un risque de projet beaucoup plus faible.
S'ajoute depuis deux ans une bifurcation nette : d'un côté la data science classique — prévision, scoring, segmentation, tarification, détection de fraude — de l'autre les systèmes construits autour de grands modèles de langage : RAG, évaluation, agents, garde-fous. Les deux recrutent, mais les mots-clés ne se recouvrent presque pas. Un profil qui n'annonce ni l'un ni l'autre remonte mal sur les deux.
Comment on vous cherche
Les requêtes que les recruteurs tapent réellement
Un mot-clé absent du texte de votre profil vous rend invisible sur la recherche correspondante, même si vous maîtrisez la technologie.
Les recherches data science se sont scindées en deux familles bien distinctes :
- data scientist AND Python AND (scikit-learn OR XGBoost) AND production
- machine learning AND MLOps AND (MLflow OR Vertex AI OR SageMaker)
- data scientist AND (prévision OR forecasting) AND séries temporelles
- (LLM OR RAG) AND (LangChain OR embeddings) AND évaluation
- data scientist AND (détection de fraude OR scoring) AND production
Le mot « production » revient dans presque toutes les offres sérieuses. S'il n'est nulle part sur votre profil alors que vous avez déployé des modèles, vous êtes filtré par une requête que vous auriez passée.
Titre du profil
Trois titres réécrits, et pourquoi les originaux perdent
Le titre est le seul texte visible dans une liste de résultats, et le seul élément qui voyage avec vous dans les commentaires et les invitations.
01Titre à éviter
Data Scientist | Machine Learning | Deep Learning | Python | Passionné par l'IA
Quatre termes génériques et une déclaration d'enthousiasme. Rien n'indique un domaine d'application, ni qu'un modèle ait déjà quitté un notebook.
Titre réécrit
La production est nommée, la durée écarte le doute sur le caractère jetable du modèle, et l'effet est exprimé dans l'unité du métier, pas en AUC.
02Titre à éviter
Data Scientist junior — diplômé du master Data Science, Kaggle Expert
Deux signaux académiques et aucun signal d'usage. Kaggle prouve la capacité à optimiser une métrique sur un jeu figé, pas à faire vivre un système.
Titre réécrit
Un cas d'usage à valeur économique immédiate, un périmètre chiffré, et une amélioration exprimée dans une unité que la supply chain comprend.
03Titre à éviter
Data Scientist & AI Enthusiast, propulsé par l'IA générative
« Enthusiast » n'est pas une compétence et la formule sur l'IA générative n'apporte aucun mot-clé technique. Le titre parle de tendance, pas de travail.
Titre réécrit
Trois mots-clés recherchés, une échelle de corpus, et surtout l'évaluation : c'est ce qui distingue un système fiable d'une démonstration.
Section À propos
Les deux premières lignes décident du reste
LinkedIn n'affiche que deux lignes avant « voir plus ». Ce qu'elles contiennent détermine si le recruteur déplie ou passe à vos expériences avec un a priori tiède.
À propos générique
Data scientist passionné par l'intelligence artificielle et le machine learning. J'ai réalisé plusieurs projets de classification et de NLP et je maîtrise Python, scikit-learn, TensorFlow et PyTorch. Toujours en veille sur les dernières avancées.
Les deux lignes visibles avant « voir plus » sont consommées par une déclaration d'intention : le recruteur n'apprend rien et ne déplie pas.
À propos réécrit
Un résultat mesuré dès la première ligne. Le lecteur a déjà appris quelque chose, donc il clique sur « voir plus ».
Chiffres disponibles
Ce qu'un data scientist peut mesurer
Les métriques ci-dessous existent déjà dans votre travail. Il s'agit de les sortir de vos outils et de les mettre sur votre profil.
Impact métier
Modèle de scoring en production : taux d'acceptation +[1,8] point à risque constant, soit [2,4] M€ de production supplémentaire par an.
Qualité de prévision
Ramené le MAPE de la prévision de demande de [28] % à [14] % sur [12 000] références, réduisant les ruptures de [19] %.
Pertes évitées
Détection d'anomalies de paiement déployée sur [100] % du flux : [210] k€ de pertes évitées en [12] mois, [4] % de faux positifs.
Échelle de service
Modèle servant [90 000] prédictions par mois, latence p95 sous [120] ms, réentraîné automatiquement toutes les [2] semaines.
Fiabilité et surveillance
Mis en place la surveillance de dérive ([6] indicateurs) : [3] dégradations détectées et corrigées avant tout effet visible sur le métier.
Coût d'inférence
Divisé par [3] le coût d'inférence mensuel ([4 200] € → [1 400] €) par quantification et mise en cache des embeddings.
Évaluation LLM
Construit un jeu d'évaluation de [300] cas annotés : taux de réponses correctes de [71] % à [89] % après [4] itérations de RAG.
Les crochets marquent l'endroit où vous inscrivez votre propre chiffre. Ils ne doivent jamais rester sur votre profil : un crochet vide publié signale un copier-coller et fait plus de dégâts que la phrase qu'il remplaçait.
Mots-clés
Ce qu'il faut écrire, ce qui différencie, ce qu'il faut retirer
La colonne de droite compte autant que celle de gauche : un terme hors sujet dilue la lecture de votre spécialité.
À avoir absolument
Présents dans presque toutes les recherches de ce poste.
- Python
- machine learning
- mise en production
- le cas d'usage : prévision, scoring, recommandation, détection de fraude, NLP
- SQL
Qui différencient
Utiles une fois que les termes obligatoires sont en place.
- MLOps
- MLflow
- feature store
- séries temporelles
- XGBoost
- PyTorch
- RAG
- embeddings
- évaluation de modèles
- dérive de données
- expérimentation
À retirer
Ils diluent le profil ou déclenchent le scepticisme.
- « Deep learning » sans projet de deep learning réel : la vérification est immédiate en entretien
- les classements Kaggle comme argument principal au-delà de deux ans d'expérience : ils déplacent la lecture vers le concours plutôt que vers le produit
- « IA » employé seul comme compétence : trop large pour remonter sur une recherche, trop vague pour rassurer
Expériences
Une fiche de poste transformée en résultats
C'est le critère qui pèse le plus lourd dans la note, et celui que presque personne ne traite : le recruteur ne cherche pas vos missions, il cherche ce qui a changé parce que vous étiez là.
Data scientist, établissement de crédit, 3 ans
Fiche de poste recopiée
Développement de modèles de machine learning pour l'aide à la décision. Analyse exploratoire des données. Présentation des résultats aux équipes métier.
Des noms d'activité et des participations : rien ne dit ce que vous avez tenu vous-même, donc le recruteur suppose le minimum.
Résultats mesurés
- Conçu et mis en production le modèle de scoring d'octroi ([90 000] dossiers/mois, XGBoost, API temps réel) : taux d'acceptation +[1,8] pt à risque constant.
- Industrialisé le réentraînement (MLflow, tests de non-régression) : cycle ramené de [3] mois manuels à [2] semaines automatiques, [3] dérives détectées avant impact.
- Documenté le modèle pour le régulateur (explicabilité SHAP, [40] pages) : validation obtenue sans réserve au premier passage.
Un verbe d'action au passé, un périmètre nommé, un chiffre par ligne. Trois lignes dont le recruteur se souvient.
Selon votre situation
Le même métier, à un autre moment de carrière
Quand la preuve habituelle — des années de production — n'existe pas encore, les leviers ne sont pas les mêmes.
Questions
Les questions qui reviennent sur les profils data scientist
Mes modèles n'ont jamais été mis en production, que puis-je écrire ?
Écrivez-le honnêtement et déplacez la preuve ailleurs. Un modèle utilisé une fois pour trancher une décision réelle vaut plus qu'un modèle jamais utilisé : chiffrez la décision. Un projet personnel réellement déployé, même minuscule, avec une API en ligne et une évaluation documentée, produit exactement le signal qui manque et coûte un week-end.
Faut-il parler de LLM sur son profil quand ce n'est pas son quotidien ?
Seulement si vous avez construit quelque chose que vous pouvez décrire précisément : corpus, méthode de découpage, méthode de récupération, jeu d'évaluation, résultat. Mentionner « LLM » sans cela vous place dans une file de candidats qui parleront de leur pipeline d'évaluation pendant que vous parlerez de vos prompts. La comparaison n'est pas favorable.
Comment montrer un niveau senior en data science ?
Par la durée de vie de vos systèmes et par ce que vous avez refusé de faire. Un modèle qui tourne depuis deux ans, un projet que vous avez arrêté parce que la donnée ne le permettait pas, un arbitrage entre précision et coût d'inférence : ce sont les marqueurs de séniorité. Le nombre de modèles entraînés n'en est pas un.
Mon profil doit-il contenir des formules et des métriques techniques comme l'AUC ?
Une fois, en appui, jamais en argument principal. L'AUC parle à votre futur pair technique lors de l'entretien, pas au recruteur ni au responsable métier qui valident votre passage. Écrivez l'effet dans l'unité du métier — euros, points de taux, ruptures évitées — et gardez la métrique statistique comme preuve secondaire.
Erreurs fréquentes sur ce poste
Les trois défauts qui coûtent le plus cher ici
Expériences sans chiffres
Une fiche de poste recopiée n'est pas une expérience. C'est le critère le plus lourd de la grille et le plus mal traité.
Mots-clés manquants
Vous maîtrisez la technologie, elle n'est écrite nulle part sur le profil : pour la recherche du recruteur, vous ne la connaissez pas.
Profil incohérent
Un titre qui vise un poste, des expériences qui en racontent un autre, des compétences qui en suggèrent un troisième.
Métiers voisins
Vous hésitez entre deux postes ?
Data analyst
Le métier qui produit des chiffres pour tout le monde, et dont le profil n'en contient aucun.
Data engineer
Métier très demandé, profils très interchangeables : la différence se fait sur la fiabilité et le coût.
Développeur backend
Le poste où le titre parle de stack et jamais de charge, de latence ou de volume.
Passer à votre profil
Les exemples sont génériques. Votre profil ne l'est pas.
Un profil data science se juge sur ce qui tourne, pas sur ce qui a été entraîné. L'audit gratuit vous dit en 30 secondes si le vôtre le montre, et sur lequel des six critères il perd le plus de points.
- Un score sur 100 et son palier
- Les six sous-scores, critère par critère
- Un verdict en trois phrases, sans ménagement
- Trois à cinq corrections gratuites, classées par impact
Sans compte, sans carte bancaire, sans mot de passe LinkedIn. Le Rapport Expert qui réécrit le profil est optionnel et coûte 4,99 €, une seule fois.