Revolut Data Scientist: mots-cles CV et preparation entretien

Votre candidature pour un poste de data scientist chez Revolut reste sans réponse, alors que votre CV passe ailleurs. Le problème vient rarement de votre niveau technique. Il vient de la façon dont vos mots collent ou non à ceux de l'offre, et de la façon dont vous racontez votre travail.

Voici comment cibler cette candidature sans inventer de process interne, avec des exemples concrets et les réserves qui valent pour le marché français.

Ce que vous pouvez affirmer, et ce que vous ne pouvez pas#

Personne ne connaît le processus de recrutement interne de Revolut dans le détail. Les recruteurs changent, les équipes s'organisent différemment selon le pays, et les étapes évoluent. Méfiez-vous des articles qui décrivent « les 5 étapes exactes chez Revolut » : ils extrapolent.

Ce qui est vérifiable, c'est le texte des offres publiées, la fiche de poste, la liste des outils mentionnés, et les retours de candidats que vous collectez vous-même. Tout le reste est de la spéculation. Basez votre préparation là-dessus.

Lisez chaque offre ligne par ligne. Un décodeur d'offre d'emploi vous aide à sortir les compétences réellement demandées du vocabulaire marketing, ce qui fait gagner du temps quand vous postulez sur plusieurs postes à la fois.

Les mots-clés qui doivent figurer sur votre CV#

Les cabinets et les grands groupes filtrent souvent les CV par mots-clés avant qu'un humain les lise. Revolut ou pas, le mécanisme est le même. Reprenez le vocabulaire de l'offre, pas le vôtre.

Selon les offres de data scientist dans les fintech, les termes qui reviennent le plus souvent sont les suivants :

• SQL, et un niveau attendu assez élevé pour écrire des requêtes complexes
• Python, avec pandas, scikit-learn, et parfois PySpark pour les gros volumes
• Statistiques : tests d'hypothèses, intervalles de confiance, biais d'échantillonnage
• Expérimentation : A/B testing, calcul de puissance, métriques de garde
• Machine learning appliqué : scoring, détection d'anomalies, prévision
• Modélisation produit : rétention, churn, valeur client, funnels
• Outils de visualisation : Tableau, Looker, Power BI, ou les dashboards internes
• Qualité des données, monitoring de modèles, mise en production

Vous n'avez pas besoin de tout cocher. Vous avez besoin de ne pas faire mentir votre CV. Si vous n'avez jamais mis un modèle en production, écrivez ce que vous avez fait d'autre, sans gonfler le rôle.

Un contrôle de compatibilité avec le format ATS vous dit si votre mise en page passe les filtres automatiques, et quels termes de l'offre sont absents de votre document.

Exemple de bullet de CV réécrit#

Voici un exemple à adapter avec vos propres projets et vos propres chiffres.

Version faible, très courante :

• Analysé les données des utilisateurs pour améliorer le produit.

Version travaillée :

• Conçu un modèle de scoring de churn sur les événements d'application (fréquence de dépense, dépôts, contacts support), mis en production dans le parcours de réactivation, avec suivi hebdomadaire des faux positifs par segment et présentation des résultats aux équipes produit.

Pourquoi la deuxième version tient : elle nomme les données d'entrée, le livrable, le point de mise en production, la mesure de qualité, et le destinataire du travail. Un recruteur comprend en dix secondes ce que vous savez faire. Ajoutez vos propres volumes et pourcentages là où ils existent réellement, jamais ailleurs.

Préparer les entretiens sans broder#

Les entretiens de data scientist dans les fintech tournent rarement sur un seul sujet. Attendez-vous à un mélange de SQL, de statistiques, de modélisation, de sens produit, et de questions de comportement. Le poids de chaque partie varie selon le poste et selon le pays.

Trois angles reviennent souvent et méritent une préparation solide.

Le premier, c'est le SQL posé à la main. Entraînez-vous sur des problèmes de fenêtrage, d'agrégation conditionnelle, de déduplication. Écrivez à la voix haute, en expliquant votre raisonnement.

Le deuxième, c'est la question produit. On vous demande d'évaluer une fonctionnalité, d'expliquer une baisse de métrique, ou de choisir une métrique de succès. C'est là que beaucoup de candidats techniques se plantent.

Le troisième, c'est le comportement. Préparez trois histoires structurées sur un conflit, un échec, et une décision prise avec des données incomplètes.

Exemple de réponse : choisir une métrique de succès#

Question type : « Une équipe veut lancer une fonctionnalité d'épargne automatique. Quelle métrique de succès choisiriez-vous ? »

Réponse possible :

« Je ne commencerais pas par le taux d'activation. Je commencerais par définir ce que la fonctionnalité doit changer dans le comportement. Ici, l'objectif est que l'utilisateur épargne sans y penser sur la durée.

Ma métrique primaire serait donc le pourcentage de clients activés qui ont alimenté leur épargne automatique sur au moins deux cycles de prélèvement consécutifs. C'est un comportement, pas un clic.

J'ajouterais trois métriques de garde. Le taux de désactivation dans les trente jours, pour détecter une adhésion forcée ou mal comprise. Le montant moyen des prélèvements, pour vérifier que l'usage n'est pas anecdotique. Et le volume des contacts support, parce qu'une fonctionnalité financière qui génère des tickets cache souvent un problème de clarté.

Si on lance en A/B test, je fixerai en amont la durée minimale et la taille d'échantillon calculée sur le taux de conversion attendu, avec une décision prise avant le lancement sur ce qui fera arrêter ou étendre le test.

Enfin, je segmenterais le résultat par ancienneté du client et par gamme de produit. Une moyenne globale positive peut masquer une fonctionnalité inutile pour toute une partie de la base. »

Cette réponse montre une méthode, pas un cours de statistiques. Elle se travaille à voix haute jusqu'à tenir en deux minutes.

Les réserves qui valent pour le marché français#

Si vous postulez depuis la France, quelques points méritent de la prudence.

Les offres affichées pour les fintech internationales ne sont pas toujours basées en France. Certaines équipes data sont en Europe centrale, à Londres, ou en Espagne. Vérifiez le lieu de travail dans l'offre avant d'imaginer un contrat français.

La langue de travail est souvent l'anglais, y compris pour les entretiens. Préparez vos réponses comportementales en anglais même si vous postulez depuis Paris.

Les fourchettes de rémunération varient fortement selon le pays, le niveau, et le mix entre salaire fixe, variable et actions. Pour un poste de data scientist confirmé en France dans une fintech de cette taille, les ordres de grandeur rapportés se situent souvent entre 45 000 et 80 000 euros brut annuel fixe, parfois plus pour un profil senior, variable et actions en sus. Ces chiffres varient. Vérifiez toujours la source officielle ou l'offre elle-même.

Si vous avez besoin d'un visa ou d'un parrainage, aucune fourchette ni aucun retour de candidat ne vaut garantie. Seule l'entreprise et les autorités compétentes peuvent vous donner une réponse fiable.

Retrouvez les offres ouvertes sur la page des offres d'emploi du site, et gardez un œil sur nos conseils de carrière pour le reste de votre recherche.

Checklist avant d'envoyer votre candidature#

• Reprendre au moins huit termes de l'offre dans votre CV, s'ils correspondent à votre expérience réelle
• Transformer chaque bullet en verbe d'action, contexte, méthode, résultat
• Retirer les adjectifs vides et les listes de logiciels que vous maîtrisez mal
• Vérifier que votre CV passe un filtre ATS sans casser la mise en page
• Préparer trois histoires comportementales, en français et en anglais
• S'entraîner au SQL sur des exercices chronométrés, en expliquant à voix haute
• Vérifier le lieu de travail et la langue de l'entretien dans l'offre
• Noter vos questions au recruteur sur le poste réel, l'équipe, et le périmètre

Outils gratuits#

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

Questions fréquentes#

Quels mots-clés faut-il mettre dans un CV pour un poste de Revolut Data Scientist ?

Prenez les mots-clés de l'offre elle-même : SQL, Python, expérimentation, modélisation produit, machine learning, qualité des données. Ne les empilez pas en bas de page dans une liste, intégrez-les dans vos bullet d'expérience.

Faut-il absolument avoir travaillé dans la banque ou les fintech ?

Non. Un profil qui vient du e-commerce, de la mobilité ou du SaaS est considéré s'il montre des mesures de rétention, de fraude, de valeur client, ou de mise en production. Adaptez le vocabulaire, pas votre passé.

Comment se passe le processus de recrutement chez Revolut ?

Je ne vais pas vous décrire un process interne que je ne peux pas vérifier. Ce qui est fiable : l'offre d'emploi, les informations communiquées par le recruteur, et vos propres échanges. Préparez SQL, statistiques, sens produit et comportement, quelle que soit la suite.

Quel salaire négocier pour ce type de poste en France ?

Les fourchettes varient selon le pays, le niveau et le mix fixe, variable, actions. Pour un profil confirmé en France, les ordres de grandeur rapportés tournent souvent entre 45 000 et 80 000 euros brut fixe. Vérifiez la source officielle et l'offre en cours.

Mon CV doit-il être en anglais ?

Si l'offre est rédigée en anglais, envoyez un CV en anglais. En cas de doute, un CV anglais convient pour une fintech internationale, et gardez une version française pour les recruteurs francophones.