KPMG Data Engineer: mots-cles CV et preparation entretien

Votre candidature pour un poste de KPMG Data Engineer reste sans réponse alors que vous maîtrisez Python, SQL et les pipelines cloud. Le problème vient rarement de vos compétences. Il vient de la façon dont votre CV est formulé et de la préparation de l'entretien, deux sujets où un cabinet d'audit et de conseil ne juge pas tout à fait comme une pure entreprise produit.

Ce que recouvre un poste de KPMG Data Engineer#

KPMG est un réseau de cabinets d'audit, de conseil et d'expertise comptable. Les équipes data travaillent surtout dans les branches conseil, sur des missions pour des clients externes : migration vers le cloud, refonte d'un entrepôt de données, mise en place de tableaux de bord finance, mise en conformité réglementaire, industrialisation de modèles développés par des équipes data science.

Concrètement, vous passez une partie de votre temps à livrer du code et une autre à parler au client, documenter, expliquer un choix d'architecture, parfois former les équipes internes du client. Un poste en entreprise produit vous demande rarement ces deux rôles en même temps.

Les intitulés varient : Data Engineer, Data Engineer Consultant, Engineer Data and Analytics, Ingénieur data. Lisez l'offre au lieu de vous fier au titre. Certaines équipes sont très techniques, d'autres sont plus orientées cadrage et gouvernance. Ce n'est pas la même préparation.

Les mots-clés qui font la différence sur le CV#

Les cabinets de conseil recrutent souvent pour une mission précise et un client identifié. Les mots-clés du besoin passent donc avant la liste générique des technologies que vous connaissez. Repérez les termes exacts de l'offre et reprenez-les quand ils décrivent réellement votre expérience.

Côté technique, les annonces de ce type mentionnent fréquemment : Python, SQL, Spark, Databricks, Airflow, dbt, Snowflake, BigQuery, Azure, AWS, GCP, Terraform, Docker, CI/CD, tests de données, qualité des données, ETL ou ELT, modélisation en étoile, RGPD ou gestion des données personnelles.

Côté mission, on cherche souvent : cadrage avec un client, rédaction de spécifications, documentation, revue de code, transfert de connaissances, coordination avec une équipe de conseil, estimation de charge.

Deux pièges classiques. Le premier : empiler vingt mots-clés sans contexte. Un ATS peut apprécier, un humain non. Le second : ne mentionner que des outils, jamais un résultat ni un périmètre. Un recruteur de cabinet doit comprendre en dix secondes pour quel type de client vous avez livré quoi.

Un outil de lecture de votre CV par un système de recrutement vous montre ce qui manque : notre vérificateur de compatibilité ATS est gratuit et prend deux minutes. Et si l'offre est floue, notre outil de lecture des offres d'emploi clarifie les missions et les compétences réellement demandées.

Exemple de ligne de CV réécrite#

Voici un cas concret, à adapter avec vos propres chiffres. Ne copiez pas les valeurs, elles ne sont là que pour montrer la structure.

Avant : « Gestion de projets data pour plusieurs clients. »

Après : « Conception et mise en production de 6 pipelines Spark sur Databricks pour un client du secteur assurantiel, traitement quotidien ramené de 4 heures à 50 minutes, documentation du modèle et suivi des coûts du workspace Azure. »

Ce qui a changé : un périmètre (pipelines Spark, Databricks), un contexte client (assurance), un résultat mesurable, une responsabilité qui compte pour un cabinet (documentation, coûts). Une ligne pareille répond à la fois au filtre automatique et au recruteur humain.

Gardez vos chiffres réels. Si vous ne les avez pas, utilisez un périmètre honnête : « sur un périmètre de 3 pays », « sur un historique de 5 ans de données », « avec une équipe de 4 personnes ».

Préparer la partie technique#

Les entretiens techniques dans le conseil couvrent en général quatre blocs. SQL d'abord : jointures, agrégats, fonctions de fenêtre, index, lecture d'un plan d'exécution. Modélisation ensuite : schéma en étoile, type 1 ou type 2, choix entre entrepôt et lac de données. Conception de pipeline : orchestration, reprise sur erreur, idempotence, tests, surveillance. Enfin un retour d'expérience sur un incident ou un arbitrage de coût.

Préparez deux ou trois histoires techniques que vous pouvez raconter sans notes : un pipeline qui a cassé, une optimisation de performance, un désaccord technique avec un collègue. Sur chacune, précisez le contexte, votre décision, ce que vous auriez fait autrement.

Exemple de réponse à la question « Racontez-moi un incident de production que vous avez géré » :

« Sur une chaîne de chargement quotidienne, un fournisseur a changé le format d'un fichier sans prévenir. Le job s'est arrêté en pleine nuit, et les utilisateurs ont eu des données incomplètes le matin. J'ai d'abord isolé la colonne fautive, ajouté un contrôle de schéma en entrée pour bloquer le fichier anormal, puis corrigé le parsing. J'ai aussi mis en place une alerte automatique pour que ce type de cas remonte avant le début de la journée. Ce que je referais autrement : j'aurais dû ajouter ce contrôle dès la première version, au lieu de faire confiance au contrat du fournisseur. »

Cette réponse fonctionne parce qu'elle montre une décision, un résultat et une limite assumée. Les cabinets posent beaucoup de questions sur vos erreurs passées. Répondre « je n'ai pas vraiment d'exemple » est plus dommageable que de décrire un problème que vous avez résolu.

Préparer la partie fit#

Côté comportemental, attendez-vous à des questions sur la relation client, la gestion des délais, le travail en équipe distribuée, et la raison pour laquelle vous visez ce cabinet plutôt qu'une entreprise du secteur bancaire ou industriel.

Une préparation simple : pour chaque question, notez une situation en une phrase, votre action en deux phrases, le résultat en une phrase. Le format court se retient mieux qu'un script long, et vous parler de façon plus naturelle.

Préparez aussi deux questions précises à poser : la répartition entre mission conseil et développement, la durée moyenne des missions, les outils utilisés par l'équipe, la possibilité d'obtenir une certification cloud financée. Des questions concrètes signalent que vous avez compris le modèle économique du cabinet.

Les particularités du marché local#

Les conditions dépendent beaucoup du pays et de la ville. En France, les fourchettes annoncées pour un ingénieur données tournent souvent autour de 38 000 à 48 000 euros brut annuels en début de carrière, et autour de 50 000 à 70 000 euros avec quelques années d'expérience, selon la ville, la spécialisation et le cabinet. Ces montants varient, vérifiez toujours les grilles ou les offres en cours sur une source officielle ou actualisée.

Trois points à surveiller. Le déplacement client fait partie du modèle : une mission peut imposer des trajets réguliers ou une présence chez le client plusieurs jours par semaine, et le full remote reste rare sur ce type de poste. La langue compte : le français est souvent exigé, l'anglais est courant pour les environnements techniques et les clients internationaux. Et si vous n'êtes pas ressortissant du pays, les règles d'autorisation de travail varient selon les législations nationales et selon votre situation : renseignez-vous sur les sources officielles du pays concerné avant de postuler, personne ne peut vous garantir un visa.

Pour repérer les offres actives et comparer les intitulés réels du marché, notre page d'offres d'emploi data met à jour les annonces du secteur. Vous verrez vite que le vocabulaire diffère d'un cabinet à l'autre.

Checklist avant d'envoyer votre candidature#

• Relire l'offre et surligner les compétences répétées deux fois ou plus, ce sont celles à mettre en avant.
• Vérifier que chaque mot-clé repris sur votre CV correspond à une expérience que vous pouvez défendre en entretien.
• Ajouter un résultat mesuré à au moins trois lignes de votre CV.
• Remplacer les verbes vagues comme « participation » ou « accompagnement » par des verbes d'action : conception, migration, mise en production, optimisation, encadrement.
• Faire tester votre CV avec notre vérificateur de compatibilité ATS et corriger ce qui n'est pas lu.
• Préparer trois histoires techniques courtes : un incident, une optimisation, un désaccord.
• Vérifier la disponibilité réelle pour le déplacement et la durée de mission annoncés.
• Préparer deux questions à poser sur la mission elle-même.

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 un cabinet de conseil avant ?

Non. Un profil issu d'une entreprise produit ou d'une ESN est tout à fait lisible, à condition de montrer que vous savez parler à un client et documenter votre travail. Mettez en avant les situations où vous avez expliqué une décision technique à des non-techniques.

Quels outils sont les plus demandés sur ce type de poste ?

SQL et Python arrivent presque toujours, puis une plateforme cloud et un outil d'orchestration comme Airflow ou un service managé équivalent. Varie selon la mission, lisez l'offre plutôt qu'une liste générique. Les cabinets recrutent souvent pour un projet précis, donc la pile exacte compte.

Combien de temps dure le processus de recrutement ?

Ça dépend du cabinet, du pays et de la mission visée, et cela peut aller de deux semaines à plusieurs mois si un client valide le profil. Demandez le calendrier dès le premier échange avec le recruteur. Vous éviterez de relancer au mauvais moment.

Comment parler de mes projets personnels ou de formation ?

Traitez-les comme de vrais livrables : contexte, choix techniques, résultat, dépôt de code si vous en avez un. Un projet personnel bien décrit vaut mieux qu'une longue liste de cours suivis. Évitez d'annoncer des chiffres de performance que vous ne pourriez pas justifier.

Que faire si je n'ai pas tous les outils listés dans l'offre ?

Postulez quand même si vous couvrez le cœur du besoin, et expliquez comment vous montez en compétence sur le reste. Les cabinets forment souvent sur des outils spécifiques à un client. Ce qui est refusé, c'est l'absence de bases solides en SQL, en modélisation et en qualité des données.