Capgemini Data Scientist: mots-cles CV et preparation entretien

Vous postulez chez Capgemini pour un poste de Data Scientist et votre CV ne déclenche pas d'entretien. Le problème vient rarement du fond. Il vient du ciblage : un cabinet de conseil ne recrute pas comme une équipe data interne, et votre CV doit le montrer dès les dix premières secondes.

Comprendre le contexte avant de toucher à votre CV#

Un Data Scientist en cabinet passe de mission en mission. Un mois sur de la prévision de demande pour un distributeur, le suivant sur de la détection de fraude pour une banque ou de la maintenance prédictive pour un industriel. Le recruteur cherche donc quelqu'un qui s'adapte vite, parle au client, et livre sans qu'on lui tienne la main.

Cela change deux choses dans votre CV. Vous ne vendez pas un seul sujet d'expertise, vous vendez une méthode applicable à plusieurs secteurs. Et vous montrez que vous savez expliquer vos résultats à des gens qui ne codent pas.

Ce que vous ne pouvez pas savoir

Vous n'avez pas accès au processus de recrutement interne de Capgemini, et personne ne vous le garantira. Ne croyez pas les témoignages qui affirment connaître « la grille d'évaluation exacte » ou « le nombre d'entretiens ». Ces détails varient selon les équipes, les niveaux, les pays et les années. Préparez-vous sur ce qui est vérifiable : votre métier, vos outils, vos projets, et la façon dont vous les racontez.

Mots-clés à faire apparaître, sans bourrer votre CV#

Les cabinets utilisent des outils de tri pour gérer le volume de candidatures. Passez votre CV et l'offre dans notre vérificateur de compatibilité avec les ATS gratuit pour voir si les termes attendus sont présents. C'est gratuit et ça prend deux minutes.

Les mots-clés qui reviennent souvent dans les offres Data Scientist en France, tous secteurs confondus :

• Python, SQL, et les bases de données relationnelles
• Machine learning supervisé : régression, classification, forêts aléatoires, gradient boosting
• Deep learning quand c'est pertinent : PyTorch ou TensorFlow
• MLOps et mise en production : Docker, CI/CD, suivi de modèle
• Cloud : Azure, AWS ou GCP, souvent Azure côté grands comptes français
• Visualisation : Power BI, Tableau, ou des librairies Python comme Matplotlib
• Soft skills : communication client, travail en équipe pluridisciplinaire, autonomie

Copiez l'offre qui vous intéresse dans notre décodeur d'offres d'emploi gratuit pour extraire les compétences réellement demandées, celles qui sont du vocabulaire marketing en moins. Ne recopiez pas tout dans votre CV. Gardez les termes que vous pouvez défendre en entretien.

Règle simple

Un mot-clé que vous ne pouvez pas expliquer pendant cinq minutes est un risque, pas un atout. Mieux vaut dix mots-clés solides que trente que vous découvrirez sur la fiche de poste.

Réécrire un bullet pour parler le langage du conseil#

Prenons un exemple réel de ce que je vois souvent sur les CV de profils data. Le bullet d'origine :

Mise en place d'un modèle de prévision des ventes pour un client.

C'est vague. On ne sait ni ce que vous avez fait, ni quel impact, ni avec qui. Voici une version retravaillée :

Développement et mise en production d'un modèle de prévision de la demande (Python, LightGBM) pour un distributeur, en collaboration avec deux analystes métier. Réduction de l'écart de prévision sur les références testées, résultats présentés au comité de pilotage client.

On voit la technique, le contexte, la collaboration, et la restitution. C'est exactement ce qu'un cabinet cherche à lire. Si vous n'avez pas de chiffre fiable, ne l'inventez pas. Décrivez la portée du travail plutôt que de fabriquer un pourcentage.

Autres bullets utiles à préparer

• Un projet où vous avez pris un besoin flou et l'avez transformé en cahier des charges technique
• Un projet où vous avez expliqué un résultat à des non-techniciens
• Un projet où vous avez amélioré un modèle existant plutôt que tout reconstruire
• Un échec ou une limite rencontrée, et ce que vous en avez tiré

Adapter votre CV mission par mission#

Un CV générique de Data Scientist ne suffit pas. Repérez les secteurs mentionnés dans l'offre et ajustez l'ordre de vos expériences. Si l'offre parle de retail, mettez votre projet de prévision en haut. Si elle parle de banque, remontez votre projet de scoring ou de détection d'anomalies.

Gardez une page si vous avez moins de dix ans d'expérience. Deux pages maximum au-delà. Pas de photo, pas de date de naissance, pas de mention « références disponibles sur demande » : ça prend de la place pour rien.

Pour vérifier que votre CV tient la route côté format et mots-clés, notre outil de vérification ATS gratuit vous donne un retour rapide avant d'envoyer quoi que ce soit.

Préparer l'entretien technique sans savoir le programme exact#

Vous ne saurez probablement pas à l'avance si l'entretien sera un test de coding, un cas métier, ou une discussion sur vos projets. Préparez les trois. C'est plus de travail, mais c'est la seule approche qui tient.

Sur le côté technique

Révisez les fondamentaux que tout Data Scientist senior est censé maîtriser. Le biais de variance, l'overfitting, la validation croisée, les métriques et pourquoi vous choisissez l'une plutôt que l'autre. F-1 score versus accuracy, AUC, MAE versus RMSE : sachez justifier votre choix, pas seulement citer le nom.

Préparez à expliquer un projet de A à Z en dix minutes. Quel problème, quelles données, quelles contraintes, quel modèle, quels résultats, quelles limites. C'est l'exercice le plus courant et celui que la plupart des candidats bâclent.

Sur le cas métier

Les cabinets posent souvent des cas ouverts du type : « Un client de la distribution veut réduire ses ruptures de stock. Comment abordez-vous le sujet ? » La bonne réponse ne commence jamais par le modèle. Elle commence par les questions.

Voici un exemple de réponse structurée que je donnerais :

Je commencerais par cadrer avec le client ce qu'il appelle rupture de stock, parce que la définition change beaucoup selon qu'on parle d'un magasin ou d'un entrepôt. Ensuite je regarderais les données disponibles : historique des ventes, délais fournisseurs, saisonnalité, promotions en cours. Je vérifierais la qualité de ces données avant tout, parce qu'un historique incomplet rend la prévision inutilisable. Ensuite seulement, je proposerais une approche : probablement un modèle de prévision de la demande par référence, avec un suivi des erreurs par segment. Et je définirais dès le départ comment on mesurera le résultat, sinon le projet ne se termine jamais.

Cette réponse montre une méthode, pas une technique. C'est ce qui fait la différence en cabinet.

Le français et le contexte local#

Le marché français a ses particularités. Les grands comptes et les administrations sont souvent sur Azure, parfois avec des contraintes de souveraineté des données : hébergement en France, conformité RGPD, pas de transfert hors UE. Si vous avez travaillé dans ces contraintes, dites-le. C'est un vrai plus.

Les niveaux et les fourchettes de rémunération varient selon l'expérience, la ville, et la politique de recrutement de l'année. Les chiffres que vous lisez en ligne datent souvent et ne correspondent pas à votre profil. Vérifiez toujours auprès de la source officielle de l'offre et lors de l'entretien, au moment où la question se pose.

Si vous élargissez votre recherche, notre page des offres d'emploi vous permet de filtrer par ville et par niveau. Et nos autres guides sur le blog couvrent la préparation d'entretien pour d'autres types d'employeurs, utile si vous postulez en parallèle.

Checklist de préparation une semaine avant l'entretien#

• Relire chaque ligne de votre CV et préparer une phrase d'expansion pour chacune
• Préparer trois projets racontables en dix minutes, du problème aux limites
• Réviser les métriques et savoir pourquoi vous choisissez l'une plutôt qu'une autre
• Préparer deux questions précises sur la mission ou l'équipe, pas des questions génériques
• Tester votre setup si l'entretien est en visio : caméra, micro, connexion
• Préparer un exemple de travail avec des non-techniciens, c'est presque toujours demandé
• Dormir. Sérieusement. Un entretien raté par fatigue ne se rattrape pas.

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 mettre tous les outils que j'ai déjà touchés sur mon CV ?

Non. Mettez ceux que vous maîtrisez au point de répondre à des questions précises. Une liste de quinze outils dont vous ne connaissez que le nom se retourne contre vous en entretien technique.

Combien de temps dure un processus de recrutement chez Capgemini ?

Il n'y a pas de règle fixe. Cela dépend du poste, du niveau, de l'équipe qui recrute et de la période. Posez la question au premier échange pour avoir une estimation de leur côté, plutôt que de vous fier à des témoignages en ligne.

Dois-je parler de mes projets personnels ou de mes projets en entreprise ?

Les deux si possible. Les projets en entreprise montrent que vous travaillez en contexte réel, avec des contraintes. Les projets personnels complètent quand vous changez de secteur ou de niveau.

Je n'ai pas d'expérience cloud, est-ce rédhibitoire ?

Pas forcément, mais cela dépend de l'offre. Si le cloud est demandé, montrez que vous comprenez les concepts de base et que vous êtes prêt à monter en compétence vite. Ne mentez pas sur votre niveau, cela se voit en trois questions.

Comment savoir si mon CV passe les outils de tri automatique ?

Utilisez notre vérificateur de CV ATS gratuit pour comparer votre CV à l'offre. L'outil vous montre les termes manquants et les problèmes de format, ce qui vous donne une base concrète pour corriger avant d'envoyer.