Entretien éditorial. Se reconvertir vers le métier de data scientist attire de plus en plus de candidats en France, séduits par des salaires attractifs et une pénurie de talents annoncée. Mais la réalité du métier, les compétences réellement attendues et les rémunérations concrètes restent souvent mal connues. Camille Morel, notre persona éditoriale incarnant une data scientist en poste après sa propre reconversion, répond aux questions pratiques que se posent les candidats à ce changement de carrière.
Sommaire
Devenir data scientist en France en 2026 reste accessible après une reconversion, à condition de réunir quatre éléments : des bases solides en Python, SQL et statistiques, une compréhension métier, des projets documentés et la capacité à expliquer ses choix. Le diplôme aide, mais il ne remplace ni la pratique ni un portfolio crédible. Le CPF peut financer une partie du parcours, tandis que les salaires débutent généralement entre 35 000 et 45 000 euros bruts par an.
Pour éclairer cette trajectoire, Camille Morel, notre persona éditoriale, incarne une data scientist en poste depuis plusieurs années dans une entreprise française, après avoir elle-même changé de métier.
Le quotidien réel derrière les modèles prédictifs
Que fait vraiment un data scientist pendant une journée de travail ?
La data scientist : Le métier commence rarement par l'entraînement d'un modèle spectaculaire. Il faut d'abord comprendre une demande parfois imprécise : réduire des délais, anticiper un départ client, détecter une anomalie ou mieux prévoir des ventes. Je passe donc du temps avec les équipes métier, puis j'extrais les données en SQL, j'en contrôle la qualité et je traite les valeurs manquantes. Ce travail peut être plus long que la modélisation elle-même.
Ensuite, je construis une première méthode simple, par exemple une régression ou une règle de référence. Elle permet de vérifier qu'un modèle plus complexe apporte réellement quelque chose. Viennent enfin les tests, la présentation des résultats, la mise en production et la surveillance des performances. Un modèle peut perdre son intérêt si les comportements ou les données évoluent.
La réalité se situe ainsi au croisement de la data science et du big data, du logiciel et du métier. Savoir dire qu'un projet n'est pas faisable avec les données disponibles fait aussi partie du travail.
Les compétences qui comptent vraiment à l'embauche
Qu'est-ce qui fait la différence au-delà du diplôme ?
La data scientist : Les pratiques de recrutement ne sont pas homogènes. Certains employeurs acceptent des candidats en reconversion sans diplôme spécialisé en data ; d'autres exigent un master, un diplôme d'ingénieur ou une expérience déjà significative. Dans les deux cas, une démonstration concrète des compétences réduit l'incertitude du recruteur.
Je regarderais notamment quatre blocs :
- la maîtrise opérationnelle de Python et SQL, avec du code lisible et reproductible ;
- les statistiques, afin de choisir une métrique, détecter un biais ou éviter une conclusion fragile ;
- la compréhension du problème économique, y compris le coût d'une erreur de prédiction ;
- les pratiques professionnelles : Git, tests, documentation, API et notions de déploiement dans le cloud.
La communication départage souvent deux candidats proches techniquement. Il faut pouvoir présenter un résultat à une direction sans cacher les limites du modèle. Les connaissances abordées dans un guide de l'intelligence artificielle sont utiles, mais réciter des algorithmes ne suffit pas. En entretien, expliquer pourquoi une solution simple a été retenue peut être plus convaincant qu'afficher un réseau neuronal mal justifié.
Reconversion, formation et rôle du CPF
Quelles voies suivre pour se reconvertir, et comment utiliser le CPF ?
La data scientist : Plusieurs parcours sont possibles : formation intensive, cursus universitaire, certificat, alternance ou apprentissage autonome encadré par des projets. Le bon choix dépend du niveau initial. Une personne déjà à l'aise avec Excel, l'analyse ou la programmation n'aura pas les mêmes besoins qu'un candidat qui découvre les statistiques.
Le CPF peut financer tout ou partie d'une formation éligible, mais il ne garantit ni la qualité pédagogique ni l'embauche. Avant de s'inscrire, il faut vérifier la certification préparée, le nombre d'heures réellement accompagnées, les prérequis, les évaluations et la place accordée aux projets. Il faut également anticiper un éventuel reste à charge. Notre entretien sur la formation IA et la reconversion complète utilement cette réflexion.
Je conseille de commencer par quelques semaines d'initiation avant tout engagement financier important. Cette phase permet de tester son intérêt pour le code, la manipulation de données et les erreurs répétées. La persévérance compte, car une reconversion ne consiste pas seulement à suivre des cours : elle demande de produire, corriger et expliquer son propre travail.
Construire un portfolio sans expérience professionnelle
Quel projet peut réellement convaincre un recruteur quand on débute ?
La data scientist : Un portfolio crédible ne doit pas empiler des notebooks identiques à ceux d'une formation. Il vaut mieux présenter deux projets terminés, compréhensibles et reliés à un problème réaliste. Un recruteur doit pouvoir identifier la question, les données, la méthode, le résultat et les limites en quelques minutes.
Je recommande cette structure :
- Choisir un jeu de données public imparfait, puis expliquer son origine et ses conditions d'utilisation.
- Formuler une question mesurable, avec une métrique adaptée et une méthode de référence simple.
- Publier le code sur GitHub avec un fichier README, des instructions d'exécution et un environnement reproductible.
- Ajouter une courte restitution destinée à un décideur, puis exposer les biais, les erreurs et les améliorations possibles.
Un tableau de bord, une petite API ou une démonstration déployée renforce le projet si elle fonctionne vraiment. Les bases du développement web peuvent alors être utiles. Il faut aussi supprimer les données sensibles et les clés d'accès. Copier un projet classique de prédiction immobilière sans analyse personnelle impressionne beaucoup moins qu'une étude modeste mais correctement documentée.
Les salaires en France en 2026
Quelles rémunérations peut-on raisonnablement attendre selon l'expérience et la région ?
La data scientist : Les estimations disponibles reposent sur des enquêtes et des agrégateurs secondaires ; elles ne constituent pas une grille garantie. Pour 2026, le salaire moyen cité à partir de Glassdoor se situe autour de 49 000 euros bruts annuels, tandis qu'une médiane est estimée à 54 200 euros. Les différences de méthode, de poste et d'échantillon expliquent qu'il ne faille pas comparer ces deux chiffres trop rapidement.
| Situation | Fourchette brute annuelle indicative |
|---|---|
| Débutant | 35 000 à 45 000 € |
| Profil expérimenté | Jusqu'à environ 65 000 € |
| Ensemble du marché selon expertise et localisation | 40 000 à 90 000 € |
| Autre fourchette sectorielle observée | 38 500 à 83 000 € |
La data scientist : Paris propose généralement des rémunérations sensiblement supérieures à celles des régions, mais le coût de la vie, le télétravail et le secteur doivent être intégrés au calcul. Les 90 000 euros concernent plutôt des profils spécialisés, expérimentés ou dotés de responsabilités étendues. En reconversion, viser immédiatement le haut de la fourchette serait irréaliste. La qualité du portfolio et l'expérience métier antérieure peuvent néanmoins améliorer la négociation.
Une pénurie de talents à nuancer
La pénurie de data scientists garantit-elle de trouver facilement un emploi ?
La data scientist : Non. Les analyses sectorielles décrivent en 2026 des offres en progression, des rémunérations soutenues et un manque de talents qualifiés. Une estimation évoque même 346 000 data scientists à former en Europe. Ce chiffre doit toutefois rester présenté comme une estimation sectorielle issue d'une source secondaire, et non comme une statistique officielle confirmée par Eurostat.
La tension concerne surtout les profils capables d'être autonomes sur des données réelles, de travailler avec des équipes métier et de contribuer à la mise en production. Le marché peut donc manquer de professionnels expérimentés tout en restant difficile pour les débutants. C'est un paradoxe fréquent : les entreprises recrutent, mais cherchent une combinaison de compétences qui ne s'acquiert pas uniquement en formation.
Les PME engagées dans l'adoption de l'IA générative ont également besoin de profils capables d'évaluer la valeur réelle d'un cas d'usage. Un candidat doit donc cibler les offres, comprendre le secteur et accepter parfois une première fonction de data analyst ou de machine learning engineer junior.
Un plan d'action réaliste avant de candidater
Quel conseil donneriez-vous pour organiser concrètement les premiers mois ?
La data scientist : Je commencerais par lire une vingtaine d'offres dans la région ou le secteur visé. Il faut relever les compétences récurrentes, distinguer les exigences indispensables des listes idéales, puis choisir un objectif précis. « Travailler dans la data » est trop vague ; « analyser des données industrielles avec Python et SQL » permet déjà de construire un parcours cohérent.
Le premier mois peut servir à consolider Python, SQL et les statistiques descriptives. Le suivant doit aboutir à un projet complet. Le troisième est consacré à la documentation, aux simulations d'entretien et aux candidatures ciblées. Ce calendrier n'est pas une promesse de reconversion en trois mois : il constitue plutôt un premier cycle de travail, à ajuster selon le niveau de départ.
Je recommande aussi de demander une relecture technique extérieure. Une erreur méthodologique non détectée peut affaiblir tout un portfolio. Enfin, il faut intégrer la gouvernance, les droits d'accès et la protection des données. Le guide de la cybersécurité apporte ici des repères utiles, car un bon modèle construit sur un traitement risqué n'est pas un bon projet.