fbpx

Visibilité sur l’emploi de la Data Science

Pour se démarquer, le CV reste votre allié…ou votre pire ennemi ! Si vous souhaitez postuler à un poste de Data Scientist vous trouverez ci-après de précieuses informations pour mettre les meilleures chances de votre côté et vous démarquer en data science sur votre CV et pendant vos entretiens.  Les équipes de “Data Scientist” dans les entreprises sont un phénomène relativement nouveau, et il existe une variété de rôles au sein de ces équipes. Avec l’augmentation de ces rôles, nous avons commencé à voir beaucoup d’acteurs majeurs et mineurs proposer des cours de certification en science des données. Sans tenir compte de la qualité de ces certifications, de nombreux candidats affichent maintenant sur leurs CVs “Data Scientist certifié”.  C’est là que cela devient difficile pour quelqu’un qui évalue un CV. Tant de CV de data scientists !  Normalement, lorsque vous examinez un CV en tant que personne n’appartenant pas aux ressources humaines et qui sera directement membre de l’équipe de la personne engagée, que recherchez-vous ?  Je recherche : a) une expérience pertinente pour le travail de l’équipe, et b) quels autres détails sur le candidat sont présentés dans le CV, et comment ?  La partie expérience est évidente. Qu’est-ce que j’entends par le deuxième point ? Je recherche des éléments tels que :
  • Une description claire et/ou complète de quand et où un candidat a travaillé/étudié.
  • La présence d’un profil Github et/ou d’un blog technique.
  • Ce qui est mis dans les sections compétences et réalisations
  • La longueur du CV
Nous présenterons ces points un par un, et pourquoi ils sont tous importants.

Descriptions claires/complètes

J’ai régulièrement vu des CV ne mentionnant pas le pays ou la ville du travail actuel. Je pense que c’est important, en particulier lorsque les employeurs ont des contraintes en matière de parrainage de visa ou ceux qui cherchent généralement à embaucher localement (je ne me prononce pas sur la question de savoir si c’est bien ou mal – il s’agit simplement des préférences des employeurs). C’est une perte de temps pour tout le monde de commencer une sorte de processus d’entretien et de réaliser beaucoup plus tard qu’il s’agit d’une contrainte. Certains candidats n’ont pas mentionné le pays où ils ont obtenu leur diplôme. Bien que cela ne soit pas un gros problème en soi, je pense que cela rend inutilement le CV incomplet. Toutes les universités ne sont pas universellement connues. Si quelqu’un écrit “Université de Stanford” et ne mentionne pas de pays, je dirais quand même que c’est incomplet, mais pas du genre à faire lever le drapeau rouge. Si quelqu’un écrit “ABC Institute of Engineering” et ne mentionne rien d’autre après cela, le CV a l’air louche. Je ne donne bien sûr qu’une opinion personnelle, mais je suis sûr que je ne suis pas le seul, et il ne faut pas grand-chose pour ajouter le nom de la ville ou du pays. C’est une solution rapide, tant que ce qui est écrit est vrai. Un CV doit être précis et concis, pour être complet.

Présence d’un profil github/blog en data science 

Je pense que c’est particulièrement important pour les personnes qui débutent dans la data science, généralement fraîchement sorties d’un ou plusieurs cours certifiés et d’un ou plusieurs projets de capstone associés. Lister les projets du cours n’est pas suffisant, car tous ceux qui ont terminé le cours doivent avoir réalisé ces projets. Il doit y avoir quelque chose de plus, qui indique à l’interviewer que le candidat a compris ce qu’il a appris, qu’il peut l’adapter à de nouveaux scénarios de problèmes et qu’il suit ce qui se passe sur le terrain. Travailler sur des projets personnels de data science (par exemple, un concours Kaggle qui ne fait partie d’aucun cours), publier des articles (par exemple, sur ce qu’ils ont lu récemment, sur un outil qu’ils ont aimé, sur un algorithme, etc. Personnellement, j’ai du mal à évaluer un profil dont les travaux n’ont aucun rapport avec la data science, à l’exception d’une certification délivrée par une institution connue ou inconnue, dont la seule “expérience” dans ce domaine est constituée de projets de cours dans le cadre de ce programme de certification, et qui ne fait référence à rien d’autre. Je reconnais que c’est beaucoup de travail supplémentaire de la part du demandeur d’emploi, mais je pense que cela en vaut la peine, car cela nous distingue des autres candidats, qui viennent également avec le même type de parcours/de niveau d’expérience.

Ce qui est mentionné comme compétences/réalisations

Je ne pense pas que des choses comme : MS Office, les méthodologies agiles, la participation aux réunions quotidiennes de la mêlée, l’obtention de la meilleure note dans une classe d’apprentissage automatique, etc. devraient être mentionnés comme des réalisations ou des compétences pour un poste de scientifique des données. Ce que j’aimerais voir dans les compétences, c’est une sorte de liste détaillée avec des éléments représentant différents aspects des compétences tels que : les langages de programmation, les bibliothèques d’apprentissage automatique, les bibliothèques de visualisation, la gestion de projet, etc. En général, je ne mets pas les réalisations dans mon propre CV, mais en data science je prvilégie une approche plus technique et spécifique. 

La longueur du CV

Différentes personnes et différents pays ont des normes différentes sur ce point. Récemment, il y a eu une discussion sur LinkedIn à propos de l’article d’Andriy Burkov sur ce sujet, où il dit qu’il devrait y avoir un CV d’une page pour toute personne ayant moins de 10 ans d’expérience. Ailleurs, j’ai lu 1 page pour chaque tranche de 5 ans, ce qui me semble plus logique. Cependant, j’ai souvent vu des CV allant jusqu’à 7-8 pages (plus pour le poste d’AQ que pour les autres), qui ne me donnent essentiellement aucune information. Chaque petit projet est expliqué dans des détails inutiles, et dans la plupart des cas, le projet n’était même pas lié de près ou de loin à la data science. Quelques CV de doctorants ou de post-doctorants énumèrent toutes leurs publications. Je pense que c’est aussi quelque chose qui rebute un interviewer dans un contexte d’industrie logicielle. J’ai moi-même un doctorat et il y a des emplois pour lesquels j’ai soumis de longs CV de 8 pages énumérant toutes les publications. Cependant, je tiens également à jour un CV de 2 pages spécifiquement destiné aux postes de l’industrie qui impliquent une interaction plus étroite avec les équipes d’ingénieurs. Une autre chose qui m’a complètement déconcerté est l’indifférence dont font preuve certaines personnes lors des entretiens téléphoniques. Montrer de l’intérêt pour le poste, poser des questions à ses futurs coéquipiers (par exemple, combien de personnes font partie de l’équipe, quelle est la répartition typique du travail entre l’ingénierie et la recherche pour ce profil, etc. D’après mon expérience limitée, le fait de ne pas poser ces questions est un signal d’alarme important. Bien que cela ne puisse se faire qu’après la sélection du CV, une partie de ces questions peut également être abordée dans une lettre de motivation (lorsque cette option existe, utilisez-la !). Je suis personnellement rebuté par les lettres de motivation super longues et celles qui contiennent beaucoup d’adjectifs génériques superlatifs et flatteurs sur l’entreprise. Pourtant, je pense qu’il est possible d’écrire une lettre de motivation sans ces caractéristiques tout en montrant l’intérêt du candidat pour le poste et en montrant qu’il est un bon candidat. Pour résumer rapidement, lorsque vous préparez un CV et que vous vous apprêtez à passer un entretien, voici les 5 points à garder à l’esprit :
  • Assurez-vous que le CV est clair, mais concis.
  • Essayez d’avoir un profil Github et/ou un blog à jour et indiquez-en le lien dans le CV.
  • Faites en sorte que la section compétences/réalisations soit concise et pertinente pour le poste.
  • Ne rendez pas le CV trop long
  • Montrez votre intérêt pour l’entreprise et le poste.
Alors, cela signifie-t-il que les personnes sans expérience préalable en Data Science ne doivent pas postuler ? – Non, ce n’est pas ce que je voulais dire. Prenons le cas de la personne P, qui est un scientifique des données autodidacte. Ils ont suivi quelques cours en ligne, et ont pris le relais en réalisant des projets personnels par eux-mêmes. Elle n’a pas écrit d’articles de blog ni tout mis en ligne sur github, mais elle peut décrire ce qu’elle a fait dans les moindres détails. Comment mettre cela dans le CV ? Je ne connais pas de bonne réponse à cette question, mais j’ai vu des gens mettre en place une section intitulée “Projets personnels de Data Science” ou une rubrique de ce genre, pour décrire le travail qu’ils ont fait avec 3,4 phrases par projet. C’est une façon de mettre en valeur votre travail. Évidemment, cela ne doit pas s’éterniser. Il suffit de choisir les 2 ou 3 projets les plus importants. Les concours Kaggle à eux seuls ne suffisent peut-être pas, car ils sont très éloignés des scénarios du monde réel. En fin de compte, l’objectif de chacun est de faire en sorte que son profil se distingue des dizaines (voire des centaines ou plus dans les grandes organisations) d’autres profils. Vous souhaitez vous former au Big Data ? Retrouvez les formations Data Full Stack et Data Analyst qui vous forment aux métiers de Data AnalystData ScientistData Engineer et AI Scientist. Merci pour votre lecture ! Si vous souhaitez lire nos prochains articles autour de la Data et de l’IA, vous pouvez nous suivre sur FacebookLinkedIn et Twitter pour être notifié lorsqu’un nouvel article est publié !