TikTok Data Scientist: mots-cles CV et preparation entretien

Vous postulez chez TikTok pour un poste de Data Scientist et votre CV reste sans réponse après deux semaines. Le problème est rarement le manque d'expérience. Il est presque toujours dans la façon dont vous décrivez vos résultats et dont vous reprenez le vocabulaire de l'annonce.

Lire l'annonce avant d'écrire une ligne#

Chaque équipe rédige son offre avec ses propres termes: recommendation, feed ranking, growth, integrity, ads measurement, risk modeling, trust and safety. Relevez les mots qui reviennent deux ou trois fois. Gardez-les tels quels dans votre CV, s'ils correspondent à un travail que vous avez réellement fait.

Un outil pour décoder les offres d'emploi vous aide à extraire les compétences demandées au lieu des formules creuses. Vous obtenez une liste courte, exploitable, que vous confrontez à votre parcours.

Attention: ne recopiez jamais une technologie que vous n'avez pas touchée. Un recruteur technique creuse en trois questions et repère le bluff tout de suite.

Choisir ses mots-clés avec méthode#

Un CV passe souvent une première lecture automatique avant d'atteindre un humain. Vérifier la compatibilité ATS de votre CV prend dix minutes et évite les silences inexplicables. Le principe reste simple: les termes exacts de l'annonce doivent apparaître dans vos intitulés, vos outils et vos descriptions de projet.

Trois zones portent les mots-clés. Le titre du profil, en haut, qui nomme le poste visé. La section compétences, en listes courtes, avec les noms d'outils écrits normalement: Python, SQL, Spark, Hive, Airflow, TensorFlow, PyTorch, dbt. Et chaque bullet de poste, où le mot-clé est placé dans le contexte d'une action concrète.

Les mots-clés comptent, mais ils ne sauvent pas un CV vide de résultats. Mieux vaut deux bullet chiffrés qu'une liste de vingt technologies.

Un exemple de reformulation#

Version faible, très fréquente: «Travaillé sur des modèles de recommandation pour améliorer l'engagement.»

Version qui passe un filtre et tient face à un entretien: «Conçu et mis en production un modèle de ranking (LightGBM, features comportementales sur 14 jours) qui a augmenté le taux de clic en session de 4 % à 5,6 %, mesuré sur un A/B test de trois semaines.»

Les chiffres de cet exemple sont des marque-places: remplacez-les par les vôtres. Ce qui fait la différence est la structure, problème, action, mesure. Une phrase par idée. Un verbe d'action en début de bullet. La technologie entre parenthèses, jamais en tête.

Préparer l'entretien technique#

Je ne peux pas décrire le process interne de TikTok, il varie selon l'équipe et selon le pays. Ce qui est prévisible chez la plupart des grands recruteurs tech, c'est la matière: SQL, statistiques, modélisation, expérimentation, et discussion de projet.

Sur SQL, entraînez-vous sur des fenêtres, des jointures imbriquées et des requêtes d'agrégation sur événements. Sur les statistiques, sachez expliquer biais de sélection, puissance d'un test, effet de nouveauté, et pourquoi un A/B test peut donner un résultat faux.

Sur la modélisation, préparez deux projets racontés de bout en bout: le problème métier, la donnée disponible, le modèle choisi et pourquoi, les métriques retenues, ce qui a foiré, ce que vous referiez. Les questions sur l'échec sont les plus fréquentes, et les plus mal préparées.

Une réponse modèle#

Question type: «Comment savez-vous qu'un modèle de recommandation apporte de la valeur ?»

Réponse: «Je ne me fie jamais à la métrique offline seule. Je regarde d'abord si l'AUC ou le NDCG s'améliore sur un jeu de test temporel, pas aléatoire, pour éviter la fuite de données. Ensuite je vérifie que l'amélioration tient en ligne, par un A/B test avec une métrique de garde du côté utilisateur: temps passé ou rétention à J7, pas seulement le taux de clic. Je documente la durée minimale du test en partant de la variance observée sur la métrique principale. Si la métrique de garde baisse, je considère que le modèle a échoué, même si le clic monte.»

Cette réponse tient car elle montre une méthode, pas un cours théorique. Préparez-en cinq dans ce format, sur vos propres projets.

Le marché francophone: ce qui change#

Les postes Data Scientist chez TikTok sont souvent basés hors de France: Dublin, Londres, Singapour, parfois Paris. Lisez la localisation sur l'offre avant de postuler, elle change tout sur le contrat, la rémunération et la mobilité.

Les fourchettes de salaire signalées pour un Data Scientist senior en Île-de-France tournent souvent autour de 50 000 à 80 000 euros brut annuel, variables selon l'entreprise et le niveau. Elles varient beaucoup, et les postes hors France sont rémunérés sur d'autres bases. Vérifiez toujours la source officielle de l'offre et les fourchettes du marché au moment où vous postulez.

Aucune entreprise ne garantit un visa. Si le poste est à l'étranger, renseignez-vous sur le permis de travail applicable à votre nationalité et au pays concerné, auprès des sources administratives officielles. Ne signez rien sur une promesse orale de sponsoring.

Côté langue, la plupart de ces équipes travaillent en anglais. Préparez votre pitch de projet et vos échanges en anglais, même si vous postulez depuis la France.

Check-list avant d'envoyer#

• Le titre du profil reprend l'intitulé exact de l'offre visée
• Les mots-clés de l'annonce apparaissent dans vos bullet, vos outils et vos intitulés
• Chaque bullet commence par un verbe d'action et se termine par une mesure ou un résultat
• Les noms d'outils sont écrits normalement, sans sigle inventé ni version fantaisiste
• Votre CV tient sur une page ou deux, sans bloc de compétences interminable
• Vous avez vérifié l'orthographe et la mise en page exportée en PDF
• Vous avez testé la lecture automatique de votre document
• Votre profil sur les offres d'emploi à jour correspond à la même histoire que votre CV

Les erreurs qui coûtent cher#

Le CV fourre-tout est la première. Un même document envoyé à quinze entreprises se voit tout de suite, les termes de l'annonce manquent et le candidat paraît indifférent au poste.

La deuxième est le projet sans mesure. «Amélioré la performance du modèle» ne veut rien dire tant qu'on ne sait pas de quelle métrique il s'agit et de combien elle a bougé.

La troisième est de traiter l'entretien comme un examen. C'est un échange de travail entre pairs. Posez des questions sur la donnée disponible, sur les métriques suivies par l'équipe, sur la façon dont les modèles sont déployés. Les candidats qui préparent trois questions pertinentes sortent souvent mieux notés que ceux qui ont révisé dix algorithmes.

Enfin, gardez une trace de vos candidatures. Postes, dates, versions de CV envoyées, réponses reçues. Vous verrez vite quelle version obtient des retours, et vous ajusterez. Les autres offres du secteur se trouvent sur les pages d'offres d'emploi et les analyses de recrutement disponibles dans nos articles de blog.

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 parler des algorithmes TikTok dans le CV ?

Non. Mentionner une connaissance des systèmes de recommandation ou du ranking est utile, mais inventer une expertise sur un produit interne est risqué. Préférez montrer que vous comprenez les métriques et les compromis propres à ce type de système.

Combien de temps faut-il préparer l'entretien technique ?

Deux à trois semaines en travaillant une heure par jour est un rythme réaliste si vous avez déjà pratiqué SQL et la modélisation. Si vous venez d'un autre domaine, comptez plutôt six à huit semaines, avec du SQL tous les jours et deux projets écrits en détail.

Le CV doit-il faire une page ou deux ?

Une page pour moins de dix ans d'expérience, deux au-delà. Les recruteurs tech lisent vite et veulent voir les résultats, pas les responsabilités générales. Si vous devez couper, supprimez les stages anciens et les descriptions de poste génériques.

Mon CV en français suffit-il pour un poste à l'étranger ?

Non, préparez une version anglaise, qui sera souvent la seule lue. Gardez la même structure et les mêmes mesures dans les deux versions pour éviter les incohérences. Faites relire la version anglaise par un locuteur natif si possible.

Que faire si je n'ai pas de chiffres précis sur mes projets ?

Utilisez des bornes honnêtes et vérifiables: nombre d'utilisateurs touchés, volume de données traité, temps de traitement avant et après, nombre de tests menés par mois. Si vous n'avez aucune mesure, décrivez la décision que votre travail a permis de prendre. Restez précis sans inventer.