Adyen Data Scientist: mots-cles CV et preparation entretien

Vous envoyez votre CV pour un poste de Data Scientist chez Adyen et vous ne savez pas quels mots-clés ajouter pour passer le premier filtre. Le secteur du paiement en ligne parle un langage précis, et un CV de data science trop général passe à côté.

La bonne nouvelle: la plupart des candidatures se ratent sur le vocabulaire, pas sur les compétences. Voici comment corriger ça, sans inventer de process interne.

Ce qu'Adyen cherche, d'après les offres publiques#

Adyen est une plateforme de paiement. Elle gère des transactions, du risque, de la fraude, de la donnée client et de la donnée commerçant. Un Data Scientist qui y travaille s'attaque donc à des problèmes concrets: repérer une transaction frauduleuse, comprendre l'échec d'un paiement, expliquer un taux de litige qui monte.

Je ne connais pas le détail de leur process de recrutement, et personne ne devrait vous le présenter comme certain. Ce qui est vérifiable, ce sont leurs offres d'emploi: Python, SQL, machine learning appliqué, expérience sur des données transactionnelles à grande échelle, aisance avec les équipes produit ou risque.

Le point commun des annonces du secteur: on attend quelqu'un qui formule un problème métier avant de choisir un modèle. Le modeling arrive après.

Avant d'écrire quoi que ce soit, décodez la fiche de poste avec notre outil de lecture d'offre d'emploi. Vous verrez apparaître les mots-clés répétés dans l'annonce, ceux que votre CV doit porter.

Les mots-clés à faire figurer sur votre CV#

Gardez les termes exacts de l'annonce. Les logiciels de tri lisent une correspondance de mots, pas une intention.

• Python, SQL, et si pertinent Spark ou un outil de traitement distribué
• Machine learning supervisé: classification, scoring, détection d'anomalies
• Fraude, risque, litige, chargeback, authentification, si vous les avez pratiqués
• Expérimentation: A/B test, mesure d'impact, uplift, randomisation
• Métriques: précision, rappel, coût d'erreur, seuil de décision
• Production: déploiement de modèle, monitoring, dérive de données
• Traduction en français: "réduction du taux de fausses alertes de X à Y", pas "amélioration des performances"
• Secteur: paiement, fintech, e-commerce, banque, marketplace

Ajoutez ces mots dans votre résumé, dans vos titres de poste, et surtout dans vos puces d'expérience. Pas dans une section "compétences" en bas de page que personne ne lit.

Vérifiez ensuite le rendu avec notre vérificateur de CV compatible ATS. Un CV au format tableau ou avec des colonnes passe mal dans certains systèmes.

Un exemple concret: réécrire une ligne de CV#

Voici une phrase classique que je vois tout le temps.

Avant: "Mise en place d'un modèle de machine learning pour détecter la fraude."

Après: "Conçu et déployé un modèle de scoring de fraude en Python sur 2 millions de transactions mensuelles, réduit de 18 % les fausses alertes envoyées aux analystes tout en maintenant le rappel à 92 %."

Ce qui change: le verbe d'action, la donnée chiffrée, la métrique métier, et le résultat pour l'équipe en aval. Si vous n'avez pas les chiffres exacts, donnez des bornes honnêtes: "environ 2 millions de transactions par mois". Ne gonflez rien, un recruteur posera la question.

Un autre exemple, côté risque.

Avant: "Analyse de données clients."

Après: "Analysé 3 ans de données de paiement pour identifier 4 segments de risque, résultats utilisés pour ajuster les seuils d'authentification de la part des équipes risque."

Le terme métier ("seuils d'authentification") vaut plus que trois adjectifs sur votre motivation.

Ce que vise un test technique dans ce type de poste#

Sur ce genre de poste, le test porte rarement sur la recette d'un algorithme. On vous donne une table de transactions et on regarde comment vous raisonnez.

Vous devez clarifier le problème. Qu'est-ce qu'on cherche à prédire? Quel est le coût d'une erreur? Un faux négatif coûte une fraude, un faux positif coûte un client bloqué. Le modèle choisi dépend de ce compromis, pas de la mode.

On regarde aussi votre SQL: jointures, agrégations par fenêtre temporelle, gestion des valeurs manquantes. Et votre façon de valider: pas de fuite de données entre l'entraînement et le test, découpage temporel quand la donnée évolue.

Préparez un projet à présenter de bout en bout. Un seul, bien maîtrisé, vaut mieux que cinq cités en surface.

Préparer l'entretien: une réponse type#

Question fréquente: "Parlez-moi d'un modèle que vous avez mis en production."

Réponse possible: "J'ai travaillé sur la détection de fraude dans un contexte e-commerce. Le problème de départ n'était pas le modèle, c'était le seuil. L'équipe support passait trop de temps sur de fausses alertes. J'ai commencé par mesurer le coût réel d'une alerte, en temps analyste. Puis j'ai entraîné un modèle de classification avec une validation temporelle pour éviter la fuite de données. J'ai présenté deux scénarios à l'équipe risque: plus de rappel ou moins d'alertes. Ils ont choisi le second. Résultat: les analystes ont récupéré environ un cinquième de leur temps, sans hausse mesurable de la fraude passée. Ce que je retiens, c'est que le choix du seuil a eu plus d'impact que le choix de l'algorithme."

Cette réponse fonctionne parce qu'elle montre un arbitrage, un chiffre, une décision d'équipe, et une limite. Pas un récit de héros.

Le marché français et européen: trois réserves#

Première réserve: les intitulés de poste varient. Data Scientist, Risk Data Scientist, Machine Learning Engineer sur un même type de mission. Élargissez votre recherche sur notre page d'offres d'emploi plutôt que de viser un seul titre.

Deuxième réserve: la rémunération. Les fourchettes annoncées pour des postes de data science dans les fintech européennes tournent souvent entre 55 000 et 90 000 euros brut annuel pour un profil confirmé, parfois davantage à Amsterdam ou à Londres. Ces chiffres varient selon le pays, le niveau et le package. Vérifiez toujours le montant sur la source officielle ou sur l'annonce en cours.

Troisième réserve: si vous postulez depuis la France pour un poste aux Pays-Bas, la question du permis de travail se posera. Les règles changent et dépendent de votre nationalité et du contrat. Renseignez-vous sur le site officiel néerlandais de l'immigration avant de négocier quoi que ce soit, et ne vous fiez à aucune promesse orale sur ce point.

Outils gratuits#

• jobrise.io/fr/free-ats-checker/
• jobrise.io/fr/free-jd-decoder/
• jobrise.io/fr/jobs/
• jobrise.io/fr/blog/

Questions fréquentes#

Faut-il absolument avoir travaillé dans le paiement pour être crédible?

Non, mais il faut traduire votre expérience dans le vocabulaire du risque et de la fraude. Un modèle de churn en SaaS se raconte avec les mêmes mécaniques: coût de l'erreur, seuil, mise en production.

Combien de temps faut-il préparer un entretien technique?

Comptez deux à trois semaines si vous partez de zéro sur le SQL et la validation de modèle. Un projet à présenter de bout en bout demande plus de travail qu'une série d'exercices.

Mon CV doit-il être en anglais?

Pour Adyen, oui en pratique, la langue de travail est souvent l'anglais. Gardez une version française si vous postulez aussi sur le marché local, mais l'offre précise en général la langue attendue.

Est-ce que je dois mentionner mes outils cloud?

Si vous les avez utilisés en production, oui, en précisant le contexte. Dire "AWS" tout seul ne veut rien dire. Préciser "orchestration d'un entraînement hebdomadaire sur AWS" est utile.

Combien de temps dure un process de recrutement typique?

Ça va de trois semaines à deux mois selon les équipes et les périodes. Demandez le calendrier au premier échange, c'est une question normale qui évite les mauvaises surprises.