Recruter des data scientists : guide de sourcing

21 novembre 2026
Par Jürgen Ulbrich

La meilleure façon de recruter des data scientists est de les trouver à travers leur travail plutôt que d'attendre des candidatures : projets publics, résultats de compétitions, publications et conférences montrent ce qu'un candidat sait réellement faire. Aux États-Unis, le data scientist médian gagnait 120 230 $ en mai 2025 et l'emploi devrait progresser de 35 % entre 2025 et 2035, avec environ 24 800 postes à pourvoir par an (U.S. Bureau of Labor Statistics, Occupational Outlook Handbook, page mise à jour en août 2026).

Quel profil recrutez-vous vraiment ? Quatre profils derrière un seul titre

"Data scientist" recouvre des métiers très différents. Avant de chercher, décidez quel profil l'équipe attend ; une mauvaise estimation est la raison la plus fréquente pour laquelle une recherche ramène des personnes que personne ne veut rencontrer en entretien.

ProfilIntitulés types à rechercherPreuves de travail à trouver
Orienté analytique (insights, expérimentations)data scientist, product data scientist, decision scientistRapports SQL et de conception d'expériences, tableaux de bord, interventions lors de meetups produit ou analytique
ML appliqué (modèles en production)machine learning engineer, applied scientist, ML scientistdépôts publics, model cards, travaux de serving ou de MLOps
Orienté rechercheresearch scientist, research engineerarticles, preprints, conférences, jeux de données ouverts
IA générative / LLMAI engineer, LLM engineer, NLP engineerprojets de fine-tuning ou d'évaluation, contributions open source, plateformes de modèles

Où trouver des data scientists (et ce que montre chaque canal)

CanalCe que vous voyezComment l'utiliser
LinkedInTitre, employeur, compétences, anciennetéBon pour la portée, faible comme preuve. À combiner avec un canal de portfolio.
KaggleHistorique de compétitions et de notebooks, niveaux publicsUtile pour juger la compétence de modélisation ; en dit peu sur le travail en production ou le travail d'équipe.
Hugging Face et GitHubModèles, jeux de données, dépôts, historique des commitsMeilleur signal pour le ML appliqué et l'IA générative ; lisez le code, pas le nombre d'étoiles.
arXiv, Google Scholar, programmes de conférencesAuteurs, affiliations, sujetsPour les postes orientés recherche ; contactez via la page de l'institution ou un réseau professionnel.
Meetups, événements de type PyData, laboratoires universitairesIntervenants et organisateursPetit, local et chaleureux ; demandez une mise en relation à l'organisateur.
Cooptation de collaborateursDes personnes qui connaissent déjà l'équipeLe plus lent à déployer à grande échelle, la plus grande confiance.

Le vivier n'est pas petit. Le Bureau of Labor Statistics recense environ 275 600 postes de data scientist aux États-Unis en 2025. Le problème n'est pas le nombre, mais la pertinence : la plupart de ces personnes ne cherchent pas, et la plupart des profils ne correspondent pas à votre problème. C'est pourquoi le sourcing actif avec des critères précis l'emporte sur plus de volume.

Chaînes de recherche à copier-coller

Testez chaque chaîne d'abord dans votre propre outil ; les moteurs de recherche et les plateformes changent leur façon de traiter les opérateurs. Remplacez les parties entre crochets.

ObjectifChaîne
Booléen LinkedIn, ML appliqué("data scientist" OR "applied scientist" OR "machine learning engineer") AND (Python) AND (PyTorch OR TensorFlow OR XGBoost) AND (production OR deployment OR MLOps) NOT (intern OR trainee OR student)
Booléen LinkedIn, orienté analytique("data scientist" OR "product data scientist") AND (SQL) AND ("A/B test*" OR experiment* OR causal) NOT (intern OR junior)
Google X-ray, profils LinkedIn publicssite:linkedin.com/in ("data scientist" OR "applied scientist") (Python) (SQL) "[ville]"
Google X-ray, profils GitHubsite:github.com "[ville]" ("machine learning" OR "data science") "available" -jobs
Langage naturel, pour une recherche IAData scientist senior à [ville ou remote, fuseau horaire], 5+ ans d'expérience, a mis en production un modèle de recommandation ou de prévision, Python et SQL, expérience des expérimentations

Les chaînes booléennes privilégient les intitulés exacts, mais les intitulés de ce poste varient beaucoup selon l'entreprise. Pour comparer les deux approches, voir Recherche booléenne ou recherche par critères.

Indispensables et souhaitables : fixez-les honnêtement

L'erreur la plus fréquente que nous voyons dans les recherches est de tout écrire comme souhaitable. Les critères stricts réduisent une recherche ; les critères souples ne font que la reclasser. Décidez avant de commencer.

  • Indispensable : le profil choisi ci-dessus, Python et SQL solides, bases de statistiques, un projet livré avec un résultat business, la langue de travail de l'équipe.
  • Souhaitable : une plateforme cloud précise, un framework précis, une connaissance du secteur, des publications, un diplôme de niveau master.
  • Souvent exigé à tort : un doctorat pour les postes appliqués, dix ans d'expérience dans un domaine qui n'a que cinq ans, tous les outils de la stack.

Modèle de message

Les data scientists ignorent les messages génériques. Citez un travail concret, un problème concret et une prochaine étape concrète. Moins de 100 mots.

Bonjour [prénom], j'ai lu votre article sur [projet ou modèle précis]. En particulier la façon dont vous avez traité [détail précis]. Nous construisons [problème en une phrase] chez [entreprise], et c'est la même classe de problème. Le poste est [intitulé], [lieu/remote], fourchette de salaire [fourchette]. Si vous êtes ouvert(e) à un appel de 20 minutes sur le problème, pas sur le poste, je peux vous envoyer deux créneaux. Sinon, aucun souci.

Indiquez la fourchette de salaire, car les candidats de ce marché comparent avant de répondre.

Cinq questions pour le premier échange

  1. Lequel de vos projets a eu l'effet le plus mesurable, et comment l'avez-vous mesuré ?
  2. Parlez-moi d'un modèle que vous avez fait passer du notebook à la production. Qu'est-ce qui a cassé ?
  3. Quand une baseline simple a-t-elle battu votre modèle complexe, et qu'avez-vous fait ?
  4. Comment expliquez-vous un résultat à quelqu'un qui ne fait pas confiance aux chiffres ?
  5. Sur quel problème voudriez-vous travailler dans les deux prochaines années, et qu'est-ce qui vous ferait refuser le nôtre ?

Rémunération et marché, avec sources

Le salaire médian américain des data scientists était de 120 230 $ en mai 2025 (BLS, voir ci-dessus). Pour l'Allemagne, la Bundesagentur für Arbeit publie le salaire médian dans son Entgeltatlas, regroupé par agrégats de métiers ; vérifiez l'agrégat qui correspond à votre profil au lieu de vous fier au chiffre isolé d'un portail de salaires. Côté demande : dans l'enquête de septembre 2026 de Bitkom, 12 % des entreprises ayant des postes IT ouverts recherchaient des spécialistes de l'IA, et 97 % des entreprises avec des postes IT vacants déclaraient des difficultés à les pourvoir (Bitkom, 3 septembre 2026, 853 et 602 entreprises interrogées).

Points juridiques pour le sourcing dans l'UE

  • Obligation d'information : si vous avez collecté les données d'une personne dans une source publique, l'article 14 du RGPD vous oblige à l'informer dans un délai raisonnable, au plus tard dans un délai d'un mois, ou lors du premier contact si vous utilisez les données pour la contacter (Règlement (UE) 2016/679). Détails dans Sourcing actif et RGPD.
  • Recruter hors de l'UE : la Carte bleue européenne allemande a en 2026 un seuil de salaire général de 50 700 € et un seuil réduit de 45 934,20 € pour les métiers en pénurie et certains spécialistes IT (Make it in Germany, base légale § 18g AufenthG). Savoir si un poste précis relève du seuil réduit est décidé par l'autorité d'immigration.
  • Les règles pour les États-Unis et d'autres pays diffèrent ; consultez votre service juridique avant de lancer une campagne transfrontalière.

Comment mener cette recherche avec Sprad

Avec Sprad Active Sourcing, vous décrivez le poste avec vos propres mots, y compris les critères indispensables, et Atlas recherche les profils publics et votre propre vivier de talents, puis vérifie chaque profil par rapport à vos critères et indique la raison pour chaque exigence. Les messages partent via LinkedIn et e-mail depuis une seule boîte, de sorte qu'un candidat n'est pas contacté deux fois. Un pré-entretien vocal (12 langues, 30 crédits par entretien) peut poser les premières questions ci-dessus avant que vous ne passiez du temps. Toutes les personnes atteintes restent dans votre vivier de talents.

Une recherche web coûte 2 crédits par profil affiché, dans un budget que vous fixez par recherche (50, 100 ou 300 crédits) ; le forfait gratuit inclut 100 crédits par mois. Recruiter Lite coûte 79 € par utilisateur et par mois. Les tarifs actuels figurent toujours sur la page des tarifs (vérifié le 9 novembre 2026). Une recherche approfondie prend quelques minutes, car chaque profil est vérifié ; une recherche rapide prend quelques secondes.

sprad.io/product/people-search
Sprad Active Sourcing: search from a plain-language role description
Sprad Active Sourcing (sprad.io/product/people-search), capture d'écran de novembre 2026.

FAQ

Combien de temps faut-il pour recruter un data scientist ?

Il n'existe aucun chiffre public fiable valable pour toutes les entreprises ; partez donc de votre propre pipeline. Les étapes qui coûtent le plus de temps sont un profil flou au départ et un long exercice à faire chez soi à la fin ; les deux dépendent de vous.

Dois-je publier une annonce ou faire du sourcing actif ?

Faites les deux pour les postes orientés analytique, privilégiez le sourcing actif pour le ML appliqué, la recherche et l'IA générative. Notre comparatif annonce ou sourcing actif explique l'arbitrage.

Un doctorat est-il requis pour un data scientist ?

Pour les postes de recherche, généralement oui ; pour les postes appliqués et analytiques, un bachelor (licence) est le niveau d'entrée habituel selon le BLS. Demandez des preuves de travail plutôt qu'un diplôme.

Quelle est la différence entre un data scientist et un data analyst ?

Les analystes produisent des rapports et expliquent ce qui s'est passé, surtout avec SQL et des tableaux de bord. Les scientists construisent des modèles et des expériences qui prédisent ou décident. Une même personne peut faire les deux dans une petite entreprise, c'est pourquoi l'intitulé seul en dit peu.

Jürgen Ulbrich

CEO et cofondateur de Sprad

Jürgen Ulbrich cumule plus de dix ans d’expérience dans la construction et la direction d’équipes et d’entreprises performantes. Expert des programmes de cooptation ainsi que des processus de feedback et de performance, Jürgen a aidé plus de 100 organisations à optimiser leur stratégie d’acquisition et de développement des talents.

Modèles et téléchargements gratuits

Rejoignez la communauté en seulement 26 secondes et profitez d’un accès gratuit à plus de 100 ressources, modèles et guides.

No items found.

La People Powered HR Community s’adresse aux professionnels RH qui placent l’humain au cœur de leur travail RH et recrutement. Ensemble, transformons notre conviction commune en un mouvement qui change le monde des RH.