KPMG Data Scientist: mots-cles CV et preparation entretien

Vous candidatez pour un poste de Data Scientist chez KPMG et votre CV disparaît sans retour. Ce n'est presque jamais un problème de compétences. C'est un problème de formulation, de mots-clés et de préparation d'entretien.

Pourquoi votre CV ne passe pas le premier filtre#

Un cabinet comme KPMG reçoit beaucoup de candidatures sur ses offres data. Le premier tri se fait vite, souvent sur des critères simples : le poste visé est-il lisible, les outils attendus apparaissent-ils, l'expérience est-elle chiffrée.

Si votre CV ressemble à un pavé de compétences génériques, il se fond dans le lot. "Passionné par la data", "esprit d'analyse", "bon relationnel" : ces formules ne disent rien de vérifiable. Un recruteur cherche des preuves, pas des qualités auto-proclamées.

Vérifiez d'abord la façon dont votre document est lu par une machine. Un outil comme le vérificateur de CV gratuit pour ATS vous montre si vos rubriques, vos titres de poste et vos mots-clés ressortent correctement.

Lire l'annonce avant d'écrire une ligne#

Chaque offre est différente. Un poste Data Scientist au sein d'une équipe d'audit data ne demande pas les mêmes choses qu'un poste en conseil sur les risques ou en transformation digitale.

Ouvrez l'annonce et isolez trois blocs : les outils nommés, les missions décrites, les qualités de travail attendues. Reprenez les termes exacts quand ils correspondent à votre expérience réelle. Un décodeur d'offre d'emploi peut vous aider à trier ce qui relève du vrai besoin du poste et ce qui relève du remplissage.

Ne copiez pas tout. Un CV qui répète vingt mots-clés hors contexte se retourne contre vous à l'entretien.

Les mots-clés qui reviennent sur ce type de poste#

Sans prétendre décrire un process interne, on peut s'appuyer sur les intitulés et les missions que KPMG et les autres cabinets publient régulièrement. Les thèmes suivants reviennent souvent.

• SQL, Python, R, et la manipulation de données volumineuses
• Machine learning : régression, classification, séries temporelles, méthodes d'ensemble
• Statistiques, tests, mesure de l'incertitude, expérimentation
• Cloud : Azure, AWS ou GCP, selon les annonces et les clients
• Visualisation : Power BI, Tableau, ou des librairies Python de plotting
• Gouvernance de la donnée, qualité des données, traçabilité
• Audit data, contrôle, détection d'anomalies, lutte contre la fraude
• Mise en production de modèles, MLOps, monitoring
• Anglais professionnel, souvent exigé pour les équipes internationales
• Relation client, restitution à des interlocuteurs non techniques

Ces mots-clés n'ont de valeur que s'ils sont ancrés dans une réalisation. "Python" seul ne pèse rien. "Détection d'anomalies sur 2 millions de transactions, avec Python et SQL" pèse lourd.

Exemple concret : réécrire un bullet de CV#

Voici un bullet faible, du genre qu'on lit tout le temps.

Réalisation d'un projet de data science avec Python et machine learning sur des données clients.

Trop vague. Aucun contexte, aucun résultat, aucun périmètre.

Voici la même expérience, réécrite.

Détection d'anomalies sur un portefeuille de 2,1 millions de transactions par mois, en Python (pandas, scikit-learn) et SQL. Réduction de 30 % du volume d'alertes à traiter manuellement après réglage du modèle, restitution des résultats à l'équipe contrôle mensuelle.

Le deuxième version donne un périmètre, une méthode, un résultat et un destinataire. Vous pouvez vérifier que les mots-clés ressortent bien en passant votre version finale par le test de compatibilité avec les ATS.

Deux règles avant de valider un bullet : un chiffre quand il existe, un outil nommé seulement s'il a servi, un verbe d'action au début.

Préparer l'entretien sans inventer le process#

KPMG est un réseau de cabinets membres. Le déroulement du recrutement diffère selon le pays, le bureau et l'équipe qui recrute. Ne construisez pas votre préparation sur des récits de forum. Préparez le socle, puis demandez au recruteur le format exact des étapes.

Le socle, c'est cela.

• Votre parcours en trois minutes, sans réciter votre CV
• Un projet data expliqué de bout en bout, de la donnée brute à l'usage final
• Une question technique franche : SQL, statistiques, ou choix de modèle
• Un exemple de restitution à un public non technique
• Votre motivation pour le conseil, avec une raison concrète
• Vos questions sur les missions, l'équipe, la formation, la mobilité

Comment répondre à "parlez-moi d'un projet où la donnée était sale"

Réponse possible, à adapter à votre vécu.

Sur mon projet de scoring de churn, les données d'usage arrivaient de trois sources qui ne se recoupaient pas. J'ai commencé par auditer les clés de jointure et j'ai trouvé que 12 % des identifiants n'étaient pas alignés entre la base de facturation et la base produit. J'ai documenté les règles de rapprochement, écrit des tests de qualité dans le pipeline, et j'ai écrit un rapport court expliquant quelles métriques étaient fiables et lesquelles ne l'étaient pas. Le modèle final a été entraîné uniquement sur la population dont les données étaient vérifiables.

Cette réponse montre une méthode, une limite assumée et une décision. C'est exactement ce qui rassure sur une mission chez un client.

Ce qui change sur le marché francophone#

En France, en Belgique, au Luxembourg, en Suisse romande ou au Québec, le marché n'est pas le même. Les cabinets de conseil recrutent sur des postes en CDI, mais aussi en mission longue durée avec des profils plus seniors, parfois en freelance. Le rythme de mission, le déplacement client et la disponibilité attendue varient d'un bureau à l'autre.

Côté rémunération, les fourchettes annoncées pour un poste de data scientist en cabinet varient selon le grade, la ville et l'expérience. À titre indicatif, on voit souvent des niveaux de départ autour de 38 000 à 55 000 euros brut annuel en France pour un profil junior à confirmé, avec des écarts notables à Paris et sur des postes seniors. Ces chiffres bougent. Vérifiez toujours la source officielle : le site carrières du cabinet concerné, les grilles publiées par l'APEC, et les offres en cours sur notre page d'offres d'emploi.

Pour trouver des postes comparables et calibrer vos prétentions, vous pouvez parcourir les offres data actuelles, puis reprendre le vocabulaire des annonces qui recrutent réellement.

Checklist avant d'envoyer votre candidature#

• Le poste visé apparaît clairement dans le titre du CV ou l'en-tête
• Les outils de l'annonce apparaissent dans vos bullets, si vous les maîtrisez
• Chaque bullet contient un périmètre, une méthode, un résultat
• Aucun adjectif flatteur sans preuve derrière
• Le CV tient sur deux pages au maximum, une seule si vous avez moins de cinq ans d'expérience
• Le format reste simple : pas de colonnes invisibles, pas de graphiques en image
• Votre projet data principal est prêt à être raconté en trois minutes
• Vous avez préparé trois questions sur les missions et l'équipe
• Vous avez vérifié le CV avec un outil de lecture ATS avant l'envoi
• Vous avez relu votre lettre de motivation, si elle est demandée, sur le même vocabulaire que l'offre

Pour aller plus loin sur la rédaction et la préparation, les articles de notre blog reviennent sur les pièges classiques des candidatures en data.

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 mots-clés de l'annonce sur mon CV ?

Non. Mettez ceux qui correspondent à une expérience que vous pouvez défendre à l'entretien. Un mot-clé sans exemple concret devient un point faible dès la première question technique.

Combien de temps faut-il préparer un entretien pour ce type de poste ?

Comptez plusieurs jours sérieux : relecture de vos projets, révision SQL et statistiques, préparation de votre pitch, et un entraînement à voix haute. Une préparation bâclée se voit dès les premières minutes.

Le CV en anglais est-il obligatoire ?

Ça dépend du bureau et de l'équipe. Sur les postes ouverts à l'international, un CV en anglais est souvent utile. Demandez au recruteur quelle langue est attendue plutôt que de deviner.

Comment savoir où en est le recrutement chez KPMG ?

KPMG fonctionne comme un réseau de cabinets membres. Les process varient selon le pays et l'équipe. Posez directement la question au recruteur sur le nombre d'étapes et le calendrier prévu.

Est-ce qu'un profil sans expérience en cabinet est recevable ?

Oui, beaucoup de recrutements viennent de l'industrie, de la banque ou de la recherche. Le point de vigilance est votre motivation pour le conseil : il faut pouvoir expliquer pourquoi vous voulez alterner missions et clients.