Entretien d’embauche data scientist
Le recrutement d’un data scientist comporte souvent plusieurs étapes : un échange avec le manager, un test technique (SQL, statistiques, exercice de modélisation à la maison), puis une présentation de projet devant l’équipe.
Le recruteur évalue votre raisonnement statistique, votre capacité à éviter les pièges classiques et votre aptitude à relier un modèle à une décision métier.
Les questions à préparer
01Votre modèle a d’excellentes performances en test mais déçoit en production. Que s’est-il passé ?
Ce que le recruteur cherche
Question classique pour vérifier que vous connaissez les causes réelles d’échec des modèles.
Exemple de réponse
Je chercherais d’abord une fuite de données : une variable disponible à l’entraînement mais pas au moment de la prédiction, ou une information du futur présente dans l’historique. Ensuite, un découpage des données inadapté, par exemple aléatoire alors que le problème est temporel. Il peut aussi y avoir une dérive : les données de production ne ressemblent plus à celles d’entraînement. Enfin, je vérifierais que les variables sont calculées de la même façon en production qu’en développement, ce qui est souvent la cause la plus banale.
02Comment choisissez-vous la métrique d’évaluation d’un modèle de classification ?
Ce que le recruteur cherche
Le recruteur veut voir si vous reliez la métrique au coût réel des erreurs.
Exemple de réponse
Je pars du coût des erreurs pour le métier. Pour détecter une fraude, rater un cas coûte beaucoup plus cher qu’une fausse alerte, mais trop de fausses alertes saturent les équipes de contrôle. L’exactitude est alors trompeuse, car les fraudes sont rares. Je regarde la précision et le rappel, et je choisis le seuil avec le métier selon sa capacité de traitement. Je présente souvent le résultat sous la forme : « sur cent dossiers signalés, combien sont réellement frauduleux ».
03Présentez-nous un projet dont vous êtes fier.
Ce que le recruteur cherche
C’est l’occasion de juger votre démarche complète et votre capacité à la raconter.
Exemple de réponse
Je suis fier du projet de prévision des ventes, surtout pour une raison inattendue. Le modèle lui-même était assez classique, un gradient boosting avec des variables de calendrier, de météo et de promotions. Ce qui a fait la différence, c’est d’avoir reconstitué l’historique des ruptures pour estimer la demande réelle, et d’avoir présenté les prévisions sous forme de fourchette. Les approvisionneurs ont adopté l’outil parce qu’il correspondait à leur façon de raisonner. Le test sur un groupe de magasins nous a permis de mesurer son effet avant de le généraliser.
04Comment concevriez-vous un test A/B pour mesurer l’effet d’un moteur de recommandation ?
Ce que le recruteur cherche
L’expérimentation est centrale dans de nombreuses équipes data.
Exemple de réponse
Je définirais d’abord la métrique principale avec le métier, par exemple le chiffre d’affaires par visiteur, et quelques métriques de garde, comme le taux de retour. Je répartirais les utilisateurs aléatoirement entre l’ancien et le nouveau moteur, au niveau de l’utilisateur et non de la session. Je calculerais la taille d’échantillon nécessaire avant de lancer le test et fixerais sa durée pour couvrir au moins une semaine complète. Je ne regarderais pas les résultats tous les jours pour décider d’arrêter, ce qui fausse les conclusions.
05Comment expliqueriez-vous votre modèle à un directeur qui ne fait pas confiance aux algorithmes ?
Ce que le recruteur cherche
L’adoption d’un modèle dépend de votre capacité à convaincre sans jargon.
Exemple de réponse
Je commencerais par lui montrer des cas concrets qu’il connaît, et ce que le modèle aurait prédit. J’expliquerais les principales variables qui influencent la prédiction, avec un graphique simple, et je montrerais aussi les erreurs du modèle, pour qu’il sache quand s’en méfier. Je lui proposerais un test limité, où ses équipes gardent la décision finale. La confiance vient souvent de la transparence sur les limites plutôt que d’un chiffre de performance.
06Quelle est la différence entre corrélation et causalité, avec un exemple de votre expérience ?
Ce que le recruteur cherche
Le recruteur vérifie que vous ne tirez pas de conclusions hâtives des données.
Exemple de réponse
Dans mon entreprise, on avait constaté que les clients qui utilisaient l’application mobile achetaient davantage. La direction voulait en conclure qu’il fallait pousser l’application. Mais ces clients étaient déjà les plus fidèles avant de l’installer. Pour estimer l’effet propre de l’application, nous avons comparé l’évolution des achats avant et après son installation, par rapport à des clients similaires qui ne l’avaient pas. L’effet existait, mais beaucoup plus modeste que la simple comparaison le suggérait.
07Comment gérez-vous des données manquantes ?
Ce que le recruteur cherche
Question pratique qui révèle votre rigueur dans la préparation des données.
Exemple de réponse
Je cherche d’abord à comprendre pourquoi elles manquent, car l’absence est parfois une information en soi : un champ vide peut signifier que le client a refusé de répondre. Si les manques sont aléatoires et rares, une imputation simple suffit. S’ils sont liés à un comportement, j’ajoute une variable indiquant l’absence. Certains modèles à base d’arbres gèrent les valeurs manquantes nativement. Je documente toujours le choix fait et j’en vérifie l’effet sur les performances.
08Quelle place donnez-vous à l’IA générative dans votre travail ?
Ce que le recruteur cherche
Le recruteur veut savoir si vous évaluez ces outils comme n’importe quel modèle ou si vous suivez la mode.
Exemple de réponse
Je l’utilise comme assistant de code et j’ai mené un projet de classification de messages clients avec un grand modèle de langage. Nous l’avons comparé à un modèle classique entraîné sur nos données étiquetées : le modèle de langage était meilleur sur les cas rares, mais plus coûteux et plus lent. Nous avons retenu une combinaison des deux. Pour moi, ces outils élargissent les possibilités, mais l’évaluation rigoureuse sur des données réelles reste indispensable.
Les questions à poser au recruteur
- Quelle part des modèles développés par l’équipe est aujourd’hui en production ?
- Comment l’équipe data travaille-t-elle avec les data engineers et les équipes métier ?
- Quels sont les sujets prioritaires pour la personne recrutée dans les six premiers mois ?
- Comment la qualité et l’accès aux données sont-ils organisés ?
Votre recherche, en automatique
Lancer mon scan d’offres data scientist
JobFast cherche les offres qui vous correspondent sur les grands sites d’emploi, note chacune sur 10 et prépare un CV et une lettre adaptés. Vous relisez, vous validez.
Sans carte bancaire · Sans compte pour commencer
Questions fréquentes
Comment préparer le test technique d’un poste de data scientist ?
Révisez le SQL (jointures, agrégations, fonctions de fenêtrage), les statistiques de base (tests, intervalles de confiance, biais) et les pièges de modélisation (fuite de données, surapprentissage, déséquilibre de classes). Pour un exercice à la maison, soignez la présentation : un notebook clair avec vos hypothèses et vos limites vaut mieux qu’un modèle complexe sans explication.
Faut-il préparer une présentation de projet ?
Oui, c’est fréquent en dernière étape. Préparez un projet en une quinzaine de minutes : contexte, question, données, méthode, résultats, limites et usage. Prévoyez des réponses aux questions sur vos choix. Si le projet est confidentiel, anonymisez les données et les chiffres sensibles.