Tech / Dataalternance

CV alternance data scientist

“Un bon projet data ne se résume pas à “Machine Learning” : il relie un besoin métier, des données, une méthode d'évaluation et un résultat compréhensible.”

Les référentiels Apec et France compétences décrivent un socle cohérent : préparer et qualifier les données, construire puis évaluer des modèles, anticiper leur mise en production et communiquer les résultats aux équipes métiers. Ton CV doit rendre cette chaîne visible. Pour chaque projet, précise le problème traité, la provenance et la taille du jeu de données, les opérations de préparation, la méthode choisie, la métrique d'évaluation et le livrable produit. N'ajoute un outil ou un résultat que si tu peux l'expliquer et le défendre en entretien.

Exemple de CV

Exemple de CV alternance data scientist commenté

Exemple de CV alternance data scientist (fictif) : Mehdi Amrani, Data scientist en alternance, mis en page avec le modèle Academic.
CV fictif · modèle Academic de l'éditeur Matchaa · voir en grand
Master 2 en alternance · 12 mois

Un étudiant en master de statistique qui vise un poste de data scientist : un stage où son modèle a été comparé à l’existant, et un projet qu’il peut défendre en entretien.

Pourquoi ce CV fonctionne

  1. Le stage raconte tout le cycle : contrôle de la qualité des données, modèle, puis restitution à l’équipe commerciale. Un recruteur en data science cherche cette chaîne complète, pas seulement un score de modèle.
  2. Le modèle est comparé à la méthode déjà en place : c’est ce qui permet de juger s’il sert à quelque chose.
  3. Chaque outil a sa preuve (scikit-learn dans le stage, SHAP dans le projet) au lieu d’une longue liste de frameworks sans contexte.
Mis à jour le 12 octobre 20262 référentiels professionnels publics

Un guide sourcé, pas un classement inventé

Ce guide croise deux référentiels professionnels publics consultés le 28 août 2026. Le corpus documentaire compte 2 sources ; il sert à identifier les grandes familles de missions, pas à mesurer la fréquence des mots dans les offres. Les exigences exactes restent celles de l'annonce visée.

Relecture éditoriale : équipe éditoriale Matchaa. Les exemples chiffrés de cette page sont des modèles de rédaction à remplacer par tes propres résultats.

Data scientist ou data analyst ?

Cette page vise la modélisation, l'évaluation et le passage vers un usage opérationnel. Si l'offre porte surtout sur SQL, tableaux de bord et reporting, le guide data analyst sera plus précis.

Voir le CV data analystSQL, reporting, visualisation et aide à la décision
Mots-clés ATS

Les mots-clés que les ATS cherchent vraiment

Ces termes couvrent les étapes citées par les référentiels consultés : extraction et structuration, analyse statistique, modélisation, évaluation, industrialisation et restitution. Ils ne constituent pas une fréquence mesurée dans les offres. Reprends uniquement les mots présents dans l'offre et réellement démontrés par ta formation ou tes projets.

PythonSQLstatistiquesmachine learningpréparation des donnéesqualité des donnéesscikit-learnpandasévaluation de modèledata visualisationAPI / déploiementcommunication métier
Piège à éviter

Empiler Python, R, TensorFlow, PyTorch et Spark sans contexte affaiblit le CV. Pour chaque technologie importante, rattache une preuve courte : usage, données, livrable et résultat. Si l'offre ne demande pas de deep learning, un projet de classification classique bien expliqué peut être plus pertinent qu'une longue liste de frameworks.

Diagnostic CV

Le point de contrôle prioritaire

Ce que le CV doit prouver

Le CV doit prouver que tu sais passer d'une question métier à un résultat exploitable : données préparées, choix méthodologique justifié, métrique adaptée et restitution. Une liste d'outils ne remplace pas cette démonstration.

Point bloquant à vérifier

Vérifie que SQL ou la gestion de bases de données apparaît lorsque l'offre le demande, et que tes projets ne commencent pas directement au modèle. La collecte, le nettoyage et la qualité des données font partie du métier dans les deux référentiels consultés.

Analyse ton CV tech / data — diagnostic ATS gratuit

Gratuit, sans inscription. Vérifie que ton CV est lu correctement : texte extrait, sections, coordonnées.

Analyser mon CV gratuitement
Conseils spécifiques

Ce qu'un projet data doit prouver sur ton CV

Des recommandations pratiques, à confronter aux référentiels cités et aux exigences exactes de chaque offre.

01

Relie chaque choix technique à un besoin métier

Commence par le problème avant de citer l'algorithme : prédire un risque, détecter une anomalie, classer des documents ou recommander un contenu. Indique ensuite pourquoi la méthode et la métrique retenues conviennent au cas d'usage. Cette structure montre ta capacité à traduire un besoin métier en problème analytique.

02

Documente les données avant la performance

Précise la source, l'ordre de grandeur, les variables utiles et les traitements réalisés : valeurs manquantes, doublons, déséquilibre de classes, encodage ou création de variables. Une métrique isolée ne permet pas d'évaluer un projet si le jeu de test et la méthode de validation restent inconnus.

03

Montre un livrable utilisable et reproductible

Ajoute un lien vers un dépôt lisible quand tu peux le rendre public : README, environnement, notebook nettoyé, script ou petite API. Si les données sont confidentielles, décris le pipeline et le résultat sans les exposer. La reproductibilité et la restitution comptent autant que le modèle final. Un dépôt propre renforce une preuve déjà expliquée sur le CV, mais ne corrige pas une ligne vague : si tu n'as pas de portfolio complet, commence par rendre un seul projet vraiment consultable. Avant de partager le lien, vérifie :

  • un nom de dépôt clair et une arborescence simple ;
  • un README qui explique le problème, la source des données, les étapes principales, les dépendances, la commande de lancement et les limites connues ;
  • l'absence de clés API, de mots de passe, de fichiers de configuration sensibles et de données que tu n'as pas le droit de redistribuer ;
  • un notebook qui s'exécute dans l'ordre et des graphiques compréhensibles hors de ton écran.
04

Garde les projets que tu peux défendre en entretien

Relis d'abord l'offre : une alternance orientée traitement du langage, prévision, vision par ordinateur ou mise en production n'attend pas les mêmes preuves. Ton meilleur projet n'est pas forcément le plus complexe, mais celui qui démontre le mieux une exigence du poste. Un exercice très guidé peut servir s'il précise ta contribution personnelle, sans être présenté comme une mission professionnelle. Fais ensuite le test de l'entretien : pour chaque ligne de projet, peux-tu expliquer en quelques minutes la source des données, le principal problème de qualité, la baseline, la métrique retenue et une limite du résultat ? Si ce n'est pas le cas, retravaille le projet avant de l'ajouter au CV.

  • Projet utile sur le CV : problème et public cible identifiés, données et traitements expliqués, choix méthodologique justifié, livrable ou dépôt consultable.
  • Projet difficile à évaluer : titre vague sans contexte, simple liste de bibliothèques, performance sans protocole, travail collectif présenté comme individuel.
05

Transforme un projet en deux ou trois lignes de CV

Une bonne description part du besoin, précise le travail effectué et se termine par un livrable ou une conclusion vérifiable ; les technologies y apparaissent comme des moyens, pas comme une liste détachée. Exemple à personnaliser : « Création d'un modèle de prédiction avec Python et scikit-learn » reste trop vague ; « Préparé un jeu de données public pour répondre à [besoin métier], comparé [méthodes réellement testées] avec une validation adaptée, puis livré [rapport, API ou démonstration] » est plus précis. Remplace les crochets par ton travail réel et n'ajoute une valeur chiffrée que si tu peux expliquer sa source et son calcul. Pour un projet collectif, écris ta contribution exacte. Les cinq repères :

  • Nomme le problème traité et le destinataire du résultat.
  • Indique la provenance des données et le travail de préparation réellement réalisé.
  • Explique le choix de la méthode ou la comparaison menée.
  • Précise comment tu as évalué le résultat, sans isoler une métrique de son protocole.
  • Termine par le livrable : rapport, tableau de bord, API, démonstration ou dépôt documenté.
06

Utilise des données publiques et respecte la confidentialité

Tu n'as pas besoin de données confidentielles pour produire une preuve sérieuse. data.gouv.fr permet d'explorer des données publiques, d'accéder à des jeux tabulaires et, lorsqu'elle existe, à une API. Lis toujours la licence, la description, la date de mise à jour et les limites du jeu choisi, puis vérifie sa qualité avant de modéliser : valeurs manquantes, doublons, cible déséquilibrée, période couverte, biais de sélection. À l'inverse, ne publie jamais un fichier reçu pendant un stage, une alternance ou un projet client sans autorisation : retirer un nom de fichier ou une colonne ne suffit pas toujours à anonymiser des données. Si le projet est confidentiel, décris la méthode et ton rôle sans exposer les données, le code interne ni les résultats sensibles.

Exemple concret

Une phrase d'accroche CV qui fonctionne

Exemple fictif à personnaliser
“Étudiant en M2 Data Science, j'ai construit en Python et scikit-learn un prototype de classification de textes sur 80 000 documents, évalué sur un jeu de test séparé et documenté dans un dépôt reproductible.”
Pourquoi ça marche

Le modèle nomme le niveau d'études, le cas d'usage, les outils, l'ordre de grandeur des données, la méthode d'évaluation et le livrable. Remplace chaque élément par tes informations réelles et ajoute une métrique uniquement si tu peux préciser comment elle a été calculée.

À ne pas faire

3 erreurs fréquentes sur les CV tech / data

Présenter uniquement la phase de modélisation et oublier la collecte, le nettoyage, la qualité des données et la restitution.

Afficher une précision ou un score sans nommer la métrique, le jeu de validation, la baseline ni les limites du résultat.

Se déclarer “avancé” sur un outil sans fournir une preuve vérifiable dans une expérience, un projet ou un dépôt.

FAQ

Questions fréquentes en tech / data

Les doutes les plus courants quand on prépare une candidature dans ce domaine.

Tu prépares ta candidature en tech / data ?

Avant d'envoyer ton CV, vérifie qu'il se lit dans le bon ordre et qu'il relie les exigences de l'offre à des preuves réelles.

Score ATS gratuit
Pars de l'offre. Les référentiels consultés couvrent généralement la préparation et la qualité des données, les statistiques, le machine learning, les bases de données, l'évaluation des modèles, l'industrialisation et la communication des résultats. N'affiche que les compétences que tu peux relier à une preuve concrète.
Il peut constituer une preuve utile s'il montre ta démarche : préparation des données, validation, comparaison à une baseline, choix de métrique et analyse des erreurs. Le nom de la compétition seul apporte peu d'information. Ajoute le rang uniquement s'il est exact et vérifiable.
Seulement si l'offre les demande et si tu les maîtrises réellement. Les deux apparaissent dans les compétences techniques de la fiche Apec consultée, mais chaque entreprise définit son propre environnement. Prouve leur usage dans un projet plutôt que de les laisser isolés dans une liste.
Le CV data scientist doit davantage détailler la construction, l'évaluation et éventuellement l'industrialisation de modèles. Le CV data analyst met plus souvent l'accent sur l'interrogation, le reporting, la visualisation et l'aide à la décision. L'intitulé et les preuves doivent suivre l'offre visée.
Oui, sans publier les données ni les informations sensibles. Décris le contexte de façon générique, l'ordre de grandeur si tu y es autorisé, les étapes du pipeline, les outils et le type de résultat. Respecte toujours les règles de confidentialité de l'organisation.
Garde seulement les projets les plus pertinents pour l'offre et que tu peux expliquer précisément. Quelques preuves solides et documentées sont plus utiles qu'une longue liste de titres vagues.
Nomme la métrique, le jeu utilisé pour l'évaluation et les principales limites. Si tu ne peux pas expliquer comment le résultat a été calculé, ne l'inscris pas et décris plutôt le livrable produit.
Outil Adaptateur CV

Adapte ton CV à chaque offre

Tu as l'offre d'alternance tech / data ? Colle-la avec ton CV. Matchaa identifie les mots-clés manquants et te propose des reformulations pour améliorer la correspondance avec l'offre.

Mesure d’audience facultative

Avec ton accord, nos outils de mesure (Google Analytics, PostHog et Vercel Analytics) suivent les pages consultées et les étapes du parcours. Ils ne reçoivent jamais ton CV, ton offre, ton nom ou ton email. Avant ton accord, ils ne sont pas chargés ; si tu refuses ou changes d’avis, la mesure s’arrête.

Les cookies indispensables à la connexion restent actifs. Tu peux changer d’avis à tout moment. En savoir plus