Recruter un Data Scientist sans se tromper de profil
Avant même de parler salaire ou évaluation, le sujet n°1 du recrutement Data est la confusion des rôles. Data Analyst, Data Engineer, Data Scientist, ML Engineer, Analytics Engineer — les intitulés se chevauchent dans les CV mais désignent des métiers distincts. Recruter le mauvais profil est l'erreur la plus coûteuse en Data.
Cinq rôles Data, cinq fonctions distinctes
| Rôle | Focus | Salaire |
|---|---|---|
| Data Analyst | SQL avancé, dataviz, reporting business. Souvent confondu avec un Data Scientist par les recruteurs. | 40-60 k€ |
| Data Engineer | Pipelines (Airflow, dbt), entrepôts (BigQuery, Snowflake), gouvernance. C'est de l'ingénierie, pas de la science. | 55-105 k€ |
| Data Scientist | Modélisation statistique, A/B testing, expérimentations, analyses prédictives. Python (pandas, scikit-learn) au quotidien. | 55-110 k€ |
| ML Engineer | Mise en production de modèles ML : MLOps, déploiement, monitoring. Profil le plus tendu du marché Data. | 75-130 k€ |
| Analytics Engineer | Nouveau rôle hybride : transforme les données brutes en datasets exploitables par les Data Analysts. Le « dbt power user ». | 55-85 k€ |
Dans quel ordre recruter votre équipe Data ?
- Si vous n'avez aucune fondation Data : commencer par un Data Engineer fort (souvent senior, full-stack data) qui pose l'infra avant d'embaucher un Data Scientist ou un ML Engineer.
- Si vous avez l'infra mais peu de cas business : un Data Analyst confirmé apportera plus de valeur immédiate qu'un Data Scientist senior qui s'ennuie.
- Pour passer du reporting à la prédiction (churn, scoring, recommandation) : recruter un Data Scientist confirmé/senior.
- Pour industrialiser un modèle en production : ML Engineer. Trop tôt sans cas concret = profil qui s'ennuie et part.
- Le piège classique : recruter un Data Scientist senior dans une boîte qui n'a même pas de pipeline propre. Il passera 80 % de son temps à faire du Data Engineering qu'il déteste.
Cinq axes d'évaluation
Statistique pratique
Demander d'expliquer un A/B test imparfait (taille d'échantillon insuffisante, biais de sélection) — révèle la rigueur méthodologique.
SQL
Cas pratique SQL 30 min sur un schéma business simple. 80 % des candidats qui se disent « data » sont moyens en SQL avancé.
Code en Python
Pair coding 1 h sur un dataset réel (nettoyage, feature engineering, baseline modèle). Distingue les vrais opérationnels des « notebook seulement ».
Communication
« Explique-moi un modèle complexe à un CEO non-tech. » L'incapacité à vulgariser est le pire défaut chez un Data Scientist.
Mise en prod
Demander un exemple précis de modèle qu'ils ont vraiment déployé en production. Beaucoup de profils n'ont fait que des notebooks.
Salaires et marché 2026
Le marché Data est segmenté. Les fourchettes complètes et les comparaisons Tech sont dans notre étude Salaires Tech France 2026. Pour comparer avec l'Europe (Berlin et la Pologne sont particulièrement compétitifs sur Data Engineering) : Salaires Tech Europe 2026.
FAQ
Combien coûte un Data Scientist senior en France en 2026 ?
70-110 k€ de fixe annuel pour un Senior (5-8 ans d'expérience). Les profils avec une vraie XP de mise en production de modèles (pas juste du notebook exploratoire) tapent dans le haut de la fourchette. À Paris, 85-105 k€ est la zone de marché. En région avec remote, 75-95 k€.
Comment savoir si on a besoin d'un Data Scientist ou d'un Data Engineer ?
Si votre principal frein est l'accès à des données propres et exploitables, vous avez besoin d'un Data Engineer. Si vos données sont déjà accessibles mais que vous voulez en tirer des insights prédictifs (scoring, churn, recommandation), un Data Scientist. La plupart des boîtes ≤ 50 personnes ont d'abord besoin d'un Data Engineer (ou Analytics Engineer).
Le marché Data est-il vraiment aussi tendu qu'on le dit ?
Très tendu sur ML Engineer et Data Engineer Senior — ratio candidats/postes autour de 1 pour 3-5. Plus équilibré sur Data Scientist mid-level, surtout depuis que beaucoup de Devs et de PhD se sont reconvertis. Le vrai goulot d'étranglement est la mise en production : un profil capable d'industrialiser un modèle ML est encore plus rare en 2026 qu'en 2023.
Faut-il un PhD pour recruter un bon Data Scientist ?
Non. Le PhD aide sur les sujets très scientifiques (NLP, vision par ordinateur, RL) mais devient un faux signal en production. Un Senior Data Scientist avec 5-7 ans d'expérience industrielle et une exécution propre est généralement plus utile qu'un PhD junior. Pour les rôles Research Scientist (au-delà du quotidien), le PhD redevient pertinent.
Vous structurez votre équipe Data ?
Diagnostic 30 min : on identifie le bon rôle à recruter en premier, on chiffre le package et on cale la méthode (sourcing direct, communautés Data, chasse).
Réserver un diagnostic →