CV data scientist / data analyst : portfolio, projets concrets, stack technique

Un CV data se distingue par la preuve d'exécution : un portfolio public, un GitHub avec du code, des projets décrits avec datasets et impact business. Sans ça, vous restez un "diplômé en data" parmi 10 000.

Structure recommandée

1. Accroche : spécialité (analyst / scientist / engineer), domaines (NLP, CV, time series, A/B testing), niveau
2. Stack technique : par catégorie (langages, ML, cloud, viz)
3. Expérience : projet par projet (pas mission par mission)
4. Projets perso / Kaggle / open-source
5. Formation : Master, MOOCs, certifications cloud/ML
6. Publications si applicable

Décrire un projet data

Format optimal, 4 lignes par projet :

Modèle de churn - ACME SaaS (2024)
- Problème : prédire le churn client à 90 jours, cible précision >75 %
- Approche : XGBoost + features engineered (tenure, NPS, usage), train 200k clients
- Résultat : AUC 0.84, déploiement Vertex AI, alerte commerciale, churn −18 %
- Stack : Python, scikit-learn, XGBoost, Vertex AI, Snowflake, dbt

Les 4 lignes : problème → approche → résultat → stack. Pas de bla-bla.

Stack technique : la section critique

Langages       Python (avancé), SQL (avancé), R (intermédiaire)
ML/Stats       scikit-learn, XGBoost, PyTorch, statsmodels, A/B testing
Data eng       Spark, Airflow, dbt, Snowflake, BigQuery, Postgres
Cloud          AWS (SageMaker, Glue), GCP (Vertex, BigQuery)
Viz            Tableau, Looker, Power BI, Plotly, Streamlit
LLM/IA         OpenAI/Claude API, LangChain, RAG (Chroma, pgvector), embeddings

La section LLM/IA est nouvelle en 2026, incluez-la même si vous n'avez fait que des projets perso. C'est ce que regardent les recruteurs.

Portfolio + GitHub : non négociables

Pour un data scientist, pas de lien public = suspect. Au minimum :

• Un GitHub avec 3-5 repos clairs (notebooks bien commentés, README)
• Un Kaggle profil avec 2-3 compétitions ou datasets analysés
• Optionnellement : un blog Medium / Notion avec 2-3 articles techniques

Un dashboard Streamlit ou Plotly publié est un bonus puissant.

Erreurs classiques

• Liste de 30 algos sans projet associé : crédibilité zéro.
• "Maîtrise du machine learning" : trop vague. Précisez les familles (supervised classification, time series, NLP, RL).
• Pas de chiffre business : le data isolé du business inquiète. Toujours connecter au KPI.

Aller plus loin

• Les mots-clés indispensables sur un CV en 2026
• Construire un portfolio en ligne
• Préparer un entretien technique

Un CV data avec portfolio + projets chiffrés + stack précise bat largement un CV "diplôme + Python + R". Noryvana extrait les compétences attendues par chaque offre data et adapte votre CV en gardant chaque chiffre exact.