Cognizant Data Scientist: mots-cles CV et preparation entretien

Vous postulez chez Cognizant pour un poste de Data Scientist et votre CV ne déclenche rien. Pas d'accusé de réception, pas d'appel, juste un silence. Le problème vient rarement de votre niveau technique. Il vient du vocabulaire, de l'ordre des informations, et de la façon dont vous racontez ce que vous avez fait.

Lire le poste avant de rédiger#

Cognizant est une société de services et de conseil en informatique. Les équipes sont souvent staffées sur des clients de la banque, de l'assurance, de la pharmacie ou de la distribution. Votre quotidien dépend donc du client sur lequel vous êtes placé, du pays, et de l'équipe qui vous accueille.

Personne ne peut décrire leur process interne depuis l'extérieur, et les témoignages en ligne se contredisent. Traitez l'offre d'emploi comme la seule source fiable sur ce qui est attendu de vous.

Repérez dans l'annonce les outils cités, les verbes utilisés, les domaines métier, les prérequis répétés. Un décodeur d'offre d'emploi vous aide à distinguer le vrai prérequis du remplissage, surtout quand vous candidatez à cinq annonces dans la même soirée.

Les mots-clés qui comptent sur un CV data science#

Les cabinets de conseil filtrent beaucoup de candidatures avant qu'un humain les lise. Votre CV doit donc contenir les termes exacts de l'annonce, pas des équivalents que vous trouvez plus élégants.

Si l'annonce écrit "Python" et "scikit-learn", n'écrivez pas "écosystème PyData". Si elle écrit "MLOps", gardez ce mot, même si vous préférez "industrialisation de modèles".

Les familles de mots-clés reviennent souvent sur ce type de poste :

• Langages et données : Python, SQL, Spark, pandas, dbt
• Machine learning : scikit-learn, XGBoost, PyTorch, TensorFlow, réglage d'hyperparamètres
• Mise en production : Docker, Kubernetes, Airflow, MLflow, API REST
• Cloud : AWS, Azure, GCP, en fonction du client
• Méthodes : validation croisée, sélection de variables, tests A/B, analyse de causalité
• Spécialisations : NLP, LLM, RAG, vision par ordinateur, systèmes de recommandation
• Côté métier : lutte contre la fraude, churn, scoring de crédit, prévision de demande

Ne copiez pas toute la liste. Choisissez ceux que vous maîtrisez vraiment, et placez-les dans les phrases de vos expériences plutôt que dans une pile de tags en bas de page.

Vérifiez ensuite la lecture automatique de votre CV avec le vérificateur de compatibilité ATS gratuit. Un PDF beau mais mal lu revient au même qu'un CV jamais envoyé.

Réécrire un bullet de CV : exemple concret#

La majorité des CV data science que je reçois ressemblent à ça :

"Travail sur des modèles de machine learning pour améliorer les performances de l'entreprise."

Cela ne veut rien dire. Aucun recruteur ne peut deviner ce que vous savez faire.

Voici la même expérience réécrite, avec la structure problème, méthode, résultat. Les chiffres entre crochets sont des exemples à remplacer par les vôtres, jamais par des chiffres inventés :

"Développé un modèle de scoring de churn (Python, scikit-learn, XGBoost) sur [volume] de comptes clients, avec validation croisée et suivi de la dérive via MLflow. Déploiement sous forme d'API FastAPI dans un conteneur Docker, réduisant le délai de mise en production de [X] à [Y] semaines."

On voit la stack. On voit la méthode. On voit l'impact mesuré. C'est exactement ce qu'un cabinet cherche à comprendre en trente secondes.

Un autre exemple, plus orienté analyse :

"Conçu un protocole de test A/B pour évaluer une campagne de rétention, avec calcul de la taille d'échantillon, tests de significativité et analyse des segments. Recommandation adoptée par l'équipe marketing, avec un gain de [X] % sur le taux de réachat observé sur la période."

Préparer l'entretien technique#

Sur un poste data science en cabinet, l'entretien technique mélange souvent trois blocs : du code, des concepts de machine learning, un cas métier. La proportion change selon le client et le niveau visé. Personne ne vous annonce la règle à l'avance.

Côté code, entraînez-vous sur des exercices SQL simples à intermédiaires : jointures, fenêtres, agrégations conditionnelles. Côté Python, sachez expliquer la différence entre surapprentissage et sous-apprentissage sans réciter un cours, et justifier votre choix de métrique.

Pour la partie métier, on vous demandera souvent d'expliquer un projet que vous avez mené. Préparez une réponse de deux minutes, dans un ordre fixe.

Exemple de réponse :

"Sur mon poste précédent, l'enjeu était de réduire le départ des clients sur une offre d'abonnement. J'ai commencé par clarifier la définition de la fuite avec l'équipe métier, parce que la variable cible n'existait pas sous cette forme dans la base. J'ai ensuite construit un modèle de classification, en comparant une régression logistique avec un gradient boosting, avec une validation temporelle pour ne pas mélanger les périodes. Le modèle le plus simple donnait des résultats proches, je l'ai recommandé parce qu'il était plus simple à expliquer aux équipes. Il a été intégré dans un flux de scoring hebdomadaire, avec un suivi de la performance dans le temps."

Cette réponse fonctionne parce qu'elle montre un arbitrage. Un recruteur ne cherche pas le modèle le plus sophistiqué. Il cherche quelqu'un qui sait décider et qui sait l'expliquer.

Préparez aussi une version courte de cette réponse pour une question du type "comment expliqueriez-vous votre modèle à un directeur marketing". Utilisez une analogie concrète, évitez le jargon, et terminez par la décision que le modèle permet de prendre.

Les questions sur le travail en cabinet#

Le conseil implique du contact client, des délais serrés et des demandes qui changent en cours de route. Les questions comportementales tournent souvent autour de ces situations.

Préparez des réponses courtes et situées : un désaccord avec un collègue, une demande client mal cadrée, une deadline tenue avec des données incompliquées. Donnez le contexte en deux phrases, votre action en deux phrases, le résultat en une phrase. Pas de longue introduction.

Un point de prudence : ne promettez pas ce que vous n'avez pas fait. Si l'annonce mentionne un outil que vous n'avez jamais utilisé, dites-le, et expliquez comment vous monterez en compétence. La franchise passe mieux qu'une maîtrise fantôme qui s'effondre à la première question technique.

Marché local et limites à connaître#

Les conditions varient fortement selon le pays, la ville et le type de contrat. En France, pour un poste data scientist en cabinet ou en ESN, les offres publiques affichent souvent des fourchettes larges, de l'ordre de 40 à 60 k€ brut annuel pour quelques années d'expérience, parfois davantage en banque ou en profil senior. Ces chiffres bougent, vérifiez sur les offres en cours et sur les sources officielles avant toute négociation.

Le mode de travail varie aussi : présentiel, hybride, ou déplacement client. Relisez bien ce point dans l'annonce, il change beaucoup de choses au quotidien.

Si vous candidatez depuis l'étranger, aucun visa n'est garanti par une candidature, ni par une promesse d'embauche. Les procédures dépendent du pays et de votre situation. Consultez les sources administratives officielles du pays visé, jamais un forum.

Pour repérer les postes réellement ouverts, jetez un œil aux offres data science disponibles sur notre page d'annonces, et gardez un suivi simple de vos candidatures.

Checklist de candidature#

• Extraire les mots-clés exacts de l'annonce et les placer dans le titre du CV, le résumé et les expériences
• Réécrire chaque bullet avec la structure problème, méthode, résultat
• Remplacer les chiffres inventés par vos vrais chiffres, ou supprimer les chiffres
• Vérifier que le CV passe la lecture automatique
• Préparer deux projets racontables en deux minutes chacun
• Réviser SQL, la validation croisée et le choix d'une métrique
• Préparer trois questions à poser sur la mission, l'équipe et le client
• Noter vos exigences de salaire et de mode de travail avant l'entretien

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 maîtriser l'anglais pour un poste Cognizant Data Scientist ?

Dans la plupart des offres, l'anglais est demandé, parfois à un niveau technique courant, parfois avec des interlocuteurs à l'étranger. Le niveau exact varie selon la mission et le pays. Précisez votre niveau réel sur le CV, et préparez à parler de votre projet en anglais si l'annonce est rédigée en anglais.

Combien de temps dure le processus de recrutement ?

Il n'existe pas de durée publique fixée, et elle change selon les besoins du client final. Demandez le calendrier au premier échange avec le recruteur, c'est une question normale. Continuez à postuler ailleurs en attendant, sans jamais arrêter vos candidatures par anticipation.

Quels outils mettre en avant en priorité ?

Ceux que l'annonce cite et que vous savez défendre en entretien. En pratique, Python et SQL sont presque toujours attendus, le cloud et les outils de mise en production arrivent souvent après. Mieux vaut deux outils maîtrisés en profondeur qu'une liste de quinze.

Le salaire est-il négociable ?

Oui, dans la plupart des cas, mais la marge dépend du budget de la mission, de votre expérience et du pays. Renseignez-vous sur les fourchettes actuelles via les offres récentes et les sources officielles, puis donnez une fourchette plutôt qu'un chiffre figé. Ne signez rien sans comprendre la part variable et le régime du contrat.

Peut-on postuler sans expérience en cabinet de conseil ?

Oui, beaucoup de recruteurs acceptent des profils issus de l'industrie ou de la recherche. Il faut alors montrer que vous savez cadrer un besoin flou, respecter un délai et expliquer votre travail à quelqu'un qui ne code pas. Des projets personnels bien documentés aident, à condition qu'ils aient une vraie finalité.