Le métier de Data Scientist
Aussi appelé : Data Scientist·Senior Data Scientist·Lead Data Scientist·Applied Scientist·Statisticien Data·Data Analyst Senior
Spécialiste de la donnée, le Data Scientist extrait des connaissances précieuses des vastes océans de données.
→ Un profil clé que notre cabinet de recrutement data a l’habitude de chasser.
Expertise DATA
Data Scientist
Le quotidien d'un Data Scientist
Expert en science des données, ce professionnel utilise des algorithmes avancés pour analyser des ensembles de données complexes. Ses responsabilités incluent :
- 01
Modélisation prédictive
Concevoir des modèles prédictifs et des algorithmes d'apprentissage automatique.
- 02
Extraction d'insights
Extraire des insights pertinents et créer des visualisations de données pour soutenir la prise de décision.
- 03
Gestion des pipelines
Gérer les pipelines de données et assurer leur intégrité et leur sécurité.
- 04
Collaboration transverse
Collaborer étroitement avec les équipes techniques et métier pour comprendre les enjeux et intégrer les analyses.
- 05
Veille et innovation
Restez à jour avec les avancées en matière de science des données et d'intelligence artificielle pour contribuer à l'innovation produit.
À qui reporte un Data Scientist ?
Le rattachement varie selon la maturité data de l'entreprise.
En scale-up Série B avec une équipe data structurée, le Data Scientist reporte au Head of Data ou au Lead Data Scientist.
Dans une boîte plus mature (Série C, ETI), le rattachement remonte au Chief Data Officer ou à un VP Data.
Quand l'équipe data est embryonnaire, on voit aussi des rattachements directs au CTO ou au VP Engineering. Cette configuration est fréquente en early stage.
Elle complique souvent le quotidien du Data Scientist, qui doit défendre seul ses sujets devant des profils peu acculturer à la stats.
Le quotidien type d'un Data Scientist en SaaS BtoB
Sur une semaine type :
- 35 % d'exploration data et préparation des features.
- 30 % de modélisation, entraînement, itérations sur les hyperparamètres.
- 15 % en pair coding avec un ML Engineer pour le passage en production.
- 20 % d'interactions Product et Business : cadrage de cas d'usage, restitution des résultats, présentation de POC en COMEX.
Cette dernière partie est souvent sous-estimée par les candidats juniors.
Différence entre Data Scientist et Data Analyst
Un Data Analyst répond à des questions descriptives : combien de clients ont churné ce mois-ci, quel canal d'acquisition performe, comment évolue le NPS.
Il livre des dashboards Looker ou Tableau et des analyses ad hoc en SQL.
Un Data Scientist construit des modèles prédictifs : quels clients vont churner dans 30 jours, combien d'unités vendues le mois prochain, quel produit recommander.
Il manipule scikit-learn, XGBoost, parfois PyTorch. Le niveau de stats requis est nettement plus élevé.
Spécificités selon le secteur
- E-commerce : datasets souvent au-delà de 100 millions de lignes. Cas d'usage classiques : recommandation produit, scoring de panier, forecasting de stock. Stack typique BigQuery, dbt, Python, parfois Vertex AI.
- Fintech : contraintes réglementaires fortes. Détection de fraude en quasi-temps réel, scoring de crédit, KYC. Les modèles doivent être explicables (SHAP, LIME) car l'ACPR demande des comptes.
- Healthtech : volumes plus petits mais rigueur statistique extrême. Classification d'imagerie, NLP sur dossiers patients, prédiction de readmission. Le RGPD complique chaque accès aux données.
- Retail : le forecasting domine. Prévoir les ventes par magasin, par SKU, par jour. Les modèles tournent souvent sur Databricks. Les écarts de prévision se chiffrent en millions d'euros de stock.
Ce qu'un Data Scientist performant maîtrise.
En plus de compétences avancées en science des données, le Data Scientist doit posséder :
Machine Learning
Maîtrise des techniques de machine learning et de deep learning.
Programmation
Expérience avec Python, R, et les frameworks associés.
Résolution de problèmes
Capacité à résoudre des problèmes complexes à l'aide de données.
Algorithmique
Connaissance des algorithmes et des structures de données.
Mathématiques appliquées
Solides bases en statistiques et en mathématiques pour valider la pertinence des modèles.
Les compétences à valider en entretien
La meilleure question d'entretien que je pose aux Data Scientists : présente-moi un projet ML qui a généré du revenue mesurable.
80 % des candidats répondent par un AUC ou un F1-score. Les bons profils parlent en chiffre d'affaires, en marge, en coût évité.
J'écoute aussi la rigueur stats : comment ils ont géré le déséquilibre de classes, quelle métrique ils ont choisie et pourquoi, comment ils ont validé l'absence de leakage.
Un Data Scientist qui n'évoque jamais la cross-validation ou les biais de sélection est un signal faible.
Le test technique idéal dure 2 heures sur un dataset Kaggle modifié. On regarde le code (lisibilité, modularité), la démarche (EDA, feature engineering, choix de modèle), et la restitution écrite.
Maîtrise tech : Python, SQL, ML
Sur Python, le candidat doit être à l'aise avec pandas, numpy, matplotlib ou seaborn.
scikit-learn est non négociable. XGBoost ou LightGBM sont attendus dès le niveau confirmé.
PyTorch ou TensorFlow restent un plus, sauf sur des postes orientés deep learning.
SQL avancé est sous-évalué par les candidats. Window functions, CTEs récursives, optimisation de requêtes BigQuery ou Snowflake.
L'exposition cloud devient un standard. GCP (BigQuery, Vertex AI), AWS (S3, SageMaker), Azure (ML Studio).
Communication business
C'est le critère qui sépare un bon Data Scientist d'un excellent.
Savoir traduire un AUC de 0.78 en : on évite 1,2M€ de fraude par an avec 4 % de faux positifs.
Savoir convaincre un Product Manager que son brief de scoring churn n'est pas modélisable en l'état.
Lire un brief CMO ou CFO est un exercice à part. Le Data Scientist doit reformuler le besoin business en problème ML cadré : classification, régression, ranking.
Cette compétence se travaille sur le terrain, pas en MOOC. C'est là que les profils 4-7 ans creusent l'écart.
Ces compétences permettent de transformer des données brutes en leviers stratégiques pour l'industrie.
Comment devenir Data Scientist
Plusieurs parcours mènent à ce métier, voici les plus reconnus.
Diplômes académiques
Devenir Data Scientist commence par un diplôme en statistiques, mathématiques appliquées ou en data science.
Doctorats (PhD)
Des doctorats sont souvent valorisés pour des postes avancés en recherche et développement.
Bootcamps intensifs
Des bootcamps en machine learning et en big data offrent une formation pratique et accélérée.
Comment devenir un bon Data Scientist ?
Trois voies d'entrée dominent :
- Écoles d'ingénieur avec spécialisation Data (CentraleSupélec, Télécom Paris, Mines, INSA) qui fournissent une base solide en maths et en code.
- Masters universitaires (Dauphine MASH, Paris-Saclay M2 Data Science, ENSAE), reconnus surtout côté stats.
- Masterères spécialisés Data Science (HEC-X, ENSAE, Télécom MS Big Data) comme passerelle. Comptez 12 mois, 15-25K€ selon l'école.
Les autodidactes existent, surtout via Kaggle, fast.ai et les MOOC Coursera. Ils décrochent des postes mais doivent souvent passer par un premier rôle de Data Analyst pour valider le terrain.
L'expérience type avant le poste
Le parcours classique part de 2-3 ans en Data Analyst, puis bascule Junior Data Scientist. Cette voie donne une bonne maîtrise SQL et une vraie acculturation business.
Une autre voie passe par le stage ML en fin d'études (6 mois en R&D ou en startup data) puis embauche directe en Junior Data Scientist.
Les profils PhD (statistiques, physique, économétrie) entrent souvent directement en niveau Confirmé. Leur valeur est dans la rigueur méthodo. Leur faiblesse est parfois le pragmatisme produit.
Reconversions possibles
Les actuaires se reconvertissent bien en Data Scientist. Ils ont déjà la rigueur stats, il leur manque la stack Python et l'agilité produit. Comptez 6-12 mois de mise à niveau côté code.
Les chercheurs en sciences dures (physique, biologie computationnelle, économétrie) basculent souvent par un PhD ou un postdoc avec composante ML. Ils excellent en R&D, moins en delivery rapide.
Les développeurs Python qui se forment aux stats arrivent par Kaggle et MOOC. Le piège est de sous-estimer la profondeur stats nécessaire au-delà du Junior.
Le salaire d'un Data Scientist
Fourchette annuelle brute, marché 2026. Données issues des placements Lity.
Confirmé
3-6 ans
50-70K€ | Intermédiaire : 70-100K€ | Senior : 100-130K€
Senior
7+ ans
100-130K€
● Médiane marché : 60K€
Composition package
Profil médian, package cible
60K€ + 8K€
Salaire par contexte d'entreprise
| Contexte | Junior | Confirmé | Senior |
|---|---|---|---|
| Startup early stage (Série A) | 50-60K€ | 65-80K€ | 85-105K€ |
| Scale-up Série B/C | 55-65K€ | 75-95K€ | 105-130K€ |
| Éditeur Tech / GAFAM Europe | 70-85K€ | 100-130K€ | 140-180K€ |
| Banque, Assurance, Industrie BtoB | 48-58K€ | 65-85K€ | 95-120K€ |
Startup early stage (Série A)
Junior
50-60K€
Confirmé
65-80K€
Senior
85-105K€
Scale-up Série B/C
Junior
55-65K€
Confirmé
75-95K€
Senior
105-130K€
Éditeur Tech / GAFAM Europe
Junior
70-85K€
Confirmé
100-130K€
Senior
140-180K€
Banque, Assurance, Industrie BtoB
Junior
48-58K€
Confirmé
65-85K€
Senior
95-120K€
Les compétences en machine learning et en big data sont décisives pour l'évolution salariale.
Combien gagne un Data Scientist en 2026 ?
Sur Paris en 2026 :
- Junior : 50 à 65K€ de fixe.
- Confirmé (3-6 ans) : 70 à 95K€.
- Senior (7+ ans) : 100 à 130K€.
- Lead ou Principal : entre 130 et 180K€.
Le marché reste tendu sur les profils 4-7 ans. Les LLMs ont rebattu les cartes en 2024-2025. Beaucoup de Data Scientists ont basculé AI Engineer ou ML Engineer, ce qui a créé une pénurie sur le poste classique.
Les contre-offres dépassent souvent +15 % en Série C.
Une part variable modérée, plus de package
La part variable d'un Data Scientist tourne entre 10 et 15 % du fixe.
Elle est rarement individualisée, plutôt indexée sur la performance équipe ou entreprise. En e-commerce ou retail orientés ROI, on monte à 18-20 % sur des Senior.
Le package bouge surtout via les BSPCE en startup et les RSU en GAFAM.
Une Série B sérieuse propose 0,05 à 0,2 % en BSPCE pour un Senior. Côté GAFAM Europe (Google, Meta, Amazon), les RSU pèsent 30 à 50K€ par an sur un Confirmé.
Salaire Data Scientist par taille d'entreprise
- Early stage Série A : 50-60K€ Junior, 65-80K€ Confirmé, 85-105K€ Senior. Les boîtes compensent par du BSPCE et de l'autonomie.
- Scale-up Série B/C : 55-65K€ Junior, 75-95K€ Confirmé, 105-130K€ Senior. C'est le segment où les contre-offres pleuvent en 2026.
- Éditeur Tech ou GAFAM Europe : 70-85K€ Junior, 100-130K€ Confirmé, 140-180K€ Senior, package inclus. Datadog, BlaBlaCar, Doctolib, Mistral AI sont sur cette grille.
- Banque, assurance, industrie BtoB : 48-58K€ Junior, 65-85K€ Confirmé, 95-120K€ Senior. Compensé par la stabilité et 25 à 30 jours de RTT.
Salaire Data Scientist par ville et international
Hors Paris, la décote tourne autour de 15 à 20 %. Toulouse, Lyon, Nantes, Bordeaux sont les hubs data secondaires.
Un Senior à 130K€ Paris vaut 105-115K€ à Lyon. Le télétravail full remote a réduit l'écart sur les startups, pas sur les grands comptes.
À Londres, les salaires sont 30 à 40 % au-dessus de Paris en valeur absolue. Un Senior tape 110 à 150K£ chez un éditeur Tech.
À Amsterdam, comptez +15 à +25 % par rapport à Paris, avec un régime fiscal 30 % ruling très avantageux les 5 premières années.
Outil gratuit · Baromètre Lity 2026
Combien devriez-vous gagner comme Data Scientist ?
Affinez votre fourchette selon votre stack, votre expérience et votre localisation. Estimation en 30 secondes, basée sur nos données propriétaires Lity.
Et après Data Scientist ?
Les passerelles naturelles vers le management ou l'expertise.
Directeur de la recherche
Diriger les pôles R&D pour concevoir les technologies de demain.
Consultant en IA
Apporter son expertise stratégique en intelligence artificielle auprès de diverses organisations.
Chef de projet data
Coordonner les équipes pluridisciplinaires pour piloter la stratégie data globale de l'entreprise.
Trajectoires à 5 ans
Trois portes s'ouvrent :
- La voie classique mène à Senior Data Scientist puis Lead Data Scientist avec 3 à 5 personnes en management. C'est l'évolution attendue dans 60 % des cas.
- La seconde voie est la bascule ML Engineer ou AI Engineer. Forte demande depuis 2024. Le profil renforce sa stack software (Docker, Kubernetes, FastAPI, MLOps) et bascule sur des sujets de production. Delta salaire +10 à +15 %.
- La troisième voie est la spécialisation deep tech (Computer Vision, NLP, Reinforcement Learning). Elle convient aux profils PhD ou très techniques.
Trajectoires à 10 ans
Les évolutions managériales mènent à Head of Data Science (équipe de 10 à 20 personnes), puis Director Data, voire Chief Data Officer dans une scale-up Série C ou D. Salaire fixe entre 150 et 220K€ selon la taille.
Côté technique pur, le sommet est Applied Scientist Research dans un GAFAM ou un labo type Mistral, Hugging Face, Cohere. Salaire fixe au-dessus de 180K€ avec un package qui dépasse souvent 300K€ total.
Une voie plus rare existe en consulting senior. Partner data dans un cabinet comme Quantmetry, Artefact, ou en indé via Malt avec des TJM 1200 à 2000€.
Et si on quitte la data ? Product, conseil, quant
Le passage en Product Manager Data est fréquent côté Senior. Pilotage de produits data ou IA, salaire équivalent au Senior Data Scientist (90-120K€), trajectoire vers VP Product possible.
Le conseil data attire les profils qui aiment varier les contextes. Cabinets type Artefact, BCG GAMMA, McKinsey QuantumBlack. TJM 1000-1500€ en sortie, montée rapide vers Manager puis Partner.
La finance quant reste une option pour les très bons en stats. Hedge funds, prop trading. Salaires hors normes (150-300K€), exigence technique extrême, secteur fermé.
Enfin, certains Data Scientists Senior fondent leur startup AI. C'est la trajectoire des dernières années (2024-2026), portée par la vague LLM.
Profil type : 6-10 ans d'expérience, un cofondateur business, un MVP en 6 mois.
Les outils du Data Scientist
Le quotidien numérique d'un data scientist repose sur ces logiciels, à connaître avant un entretien.
Python
LangageLangage principal, pandas et numpy pour la manipulation de données.
scikit-learn
Librairie MLModélisation classique, régression, classification, clustering.
Jupyter
NotebookExploration data, prototypage de modèles, partage des analyses.
BigQuery
Data WarehouseRequêtes SQL sur gros volumes, environnement GCP.
Snowflake
Data WarehouseStockage et calcul, fréquent en scale-up et grands comptes.
dbt
TransformationPréparation des features tables et modèles SQL versionnés.
MLflow
MLOpsTracking des expériences, versioning des modèles ML.
Databricks
PlateformeCalcul distribué Spark, notebooks collaboratifs, Delta Lake.
Data Scientist vs autres métiers proches
Les confusions sont fréquentes, voici les vraies différences pour bien recruter.
Data ScientistvsData Analyst
Voir la ficheConfusion fréquente côté recruteurs. Le Data Analyst répond à "que s'est-il passé". Le Data Scientist répond à "que va-t-il se passer".
Data ScientistvsMachine Learning Engineer
Voir la ficheFrontière mouvante depuis 2024. Le Data Scientist explore et prototype des modèles. Le ML Engineer industrialise et maintient en production.
On répond à vos questions sur Data Scientist.
Quels sont les points les plus importants dans le recrutement d'un Data Scientist ?
Valorisez une expertise en machine learning, en statistiques et une capacité à appliquer des analyses complexes pour résoudre des problèmes business et générer de la valeur.
Pourquoi devenir Data Scientist ?
Devenir Data Scientist signifie plonger dans le monde des données pour résoudre des problèmes complexes, en utilisant le machine learning et l’analyse prédictive pour transformer des industries.
Quels sont les principaux métiers liés au métier de Data Scientist ?
Data analyst (à ne pas confondre avec data scientist), ingénieur machine learning, statisticien, ingénieur de données, spécialiste en intelligence artificielle.
Pour aller plus loin sur le métier Data Scientist
Recruter des profils tech en France : les bonnes pratiques en 2026
Le marché tech français de 2026 ne ressemble plus à celui de 2021. Offres en chute de 80% sur 3 ans, mais tension forte sur ML Engineer, Platform et SecOps. Ce guide pose les bonnes pratiques 2026 : grille salariale à jour, sourcing GitHub + LinkedIn, pair-programming live, contre-offres et impact de l'IA générative.
Lire l'article
Stockly lève 26 millions d’euros pour transformer la gestion des stocks grâce à l’IA
Stockly boucle une Série B de 26 millions d'euros menée par 83North et Eurazeo pour scaler sa plateforme de mutualisation des stocks e-commerce. 30 recrutements Tech, Data, Product et Sales prévus sur 2025. Décryptage Lity et angle marché sur les profils que la scale-up va chasser.
Lire l'article
Parallel lève 3,5 M$ pour automatiser les tâches administratives hospitalières avec l’IA
Lire l'articleConfiez-nous le recrutement de votre Data Scientist.
Une approche de terrain pour des recrutements qui durent.
Échange (30 min)
Une visio pour cerner vos enjeux et vous présenter notre approche.
Immersion
Une rencontre sur place pour qualifier, en profondeur, votre culture et vos projets de recrutement.
Chasse ciblée
Lancement de la mission. Nous vous présentons uniquement les profils en parfaite adéquation avec vos attentes.