Exemple de CV data scientist

• Débutant

  Data scientist titulaire d’un Master en statistiques, avec deux projets appliqués de prédiction du churn et de prévision de la demande. A construit en Python un modèle de gradient boosting qui dépasse de 12 % la référence sur un jeu de test et a présenté ses résultats à des interlocuteurs non techniques. Recherche une équipe qui associe mentorat et données de production réelles.

• Confirmé

  Data scientist avec cinq ans d’expérience pour transformer des données clients brouillonnes en modèles que le métier utilise. A livré un modèle de churn qui guide les offres de fidélisation et un modèle de prévision qui ajuste les achats de stock. Solide en Python, SQL et conception d’expériences, habile pour expliquer les arbitrages aux équipes produit et finance.

• Senior

  Data scientist senior avec neuf ans d’expérience à la tête de l’analytique et de la modélisation de produits d’abonnement et de place de marché. Porte la feuille de route d’expérimentation, encadre quatre data scientists et travaille avec l’ingénierie pour livrer des modèles qui font progresser le chiffre d’affaires. Reconnu pour choisir la méthode la plus simple qui fonctionne et traduire les résultats en décisions auxquelles la direction fait confiance.

• Annoncer la précision d’un modèle sans résultat métier

  Correction : « 92 % de précision » ne parle pas à un directeur. Écrivez ce que le modèle a changé : churn trimestriel de 6,1 % à 5,2 %, ruptures de stock en baisse d’un cinquième, conversion en hausse.

• Noyer la mise en production sous le vocabulaire de recherche

  Correction : Montrez que vos modèles servent : API, suivi MLflow, ré-entraînement mensuel, monitoring. Les recruteurs cherchent des profils capables de livrer en production.

• Lister toutes les bibliothèques vues en formation

  Correction : Limitez-vous à ce que vous utilisez réellement : scikit-learn, XGBoost, pandas, Spark. Une liste trop longue sans projets associés fait douter du niveau.

• Ignorer la conception d’expériences et la causalité

  Correction : Mentionnez vos tests A/B, calculs de puissance et analyses causales. Cela prouve que vous savez distinguer corrélation et effet, un critère très regardé.

Comparez-les à l’offre d’emploi à laquelle vous répondez : l’analyse de CV gratuite montre quels mots-clés manquent à votre CV.

• Construction d’un modèle de gradient boosting de churn sur 1,5 million de comptes, guidant les actions de fidélisation et faisant passer le churn trimestriel de 6,1 % à 5,2 %.
• Conception et analyse de 14 tests A/B sur le tunnel de paiement, dont deux variantes gagnantes ayant ajouté environ 3 % de conversion.
• Développement d’une prévision de demande avec Prophet et des données météo externes, réduisant d’environ un cinquième les ruptures de stock sur 300 références.
• Création d’un modèle de scoring de leads par régression logistique, faisant passer le taux de leads acceptés par les ventes de 22 % à 31 %.
• Déploiement avec les ingénieurs d’un modèle de prix derrière une API, avec suivi MLflow et ré-entraînement mensuel.
• Réduction de 28 % de la revue manuelle des sinistres avec un classifieur de texte entraîné sur des notes annotées et contrôlé par la concordance des relecteurs.
• Création d’un modèle de restitution d’expériences et d’un calculateur de puissance qui ramènent le temps de préparation d’un test d’une semaine à deux jours.
• Segmentation des clients en cinq groupes par k-means et enquêtes, nourrissant un programme d’e-mails de cycle de vie qui a augmenté de 9 % les réachats.
• Audit d’un ancien modèle d’attribution, détection d’une fuite de données et reconstruction, corrigeant une surestimation de 15 % de la performance des canaux payants.
• Présentation trimestrielle des résultats de modélisation aux directions finance et produit, ayant permis d’obtenir le budget d’un second poste de data scientist.