CV Data Scientist : exemple et modèle
Voici comment structurer votre CV de Data Scientist pour le marché du travail suisse - avec des résultats de modèles mesurables plutôt qu'une liste de méthodes.
Actuellement 21 postes de Data Scientist ouverts en Suisse, dans 4 cantons, dont 3 publiés ces 7 derniers jours. pg en publie le plus.
Exemple de CV — modèle de deux pages
Ce modèle est directement modifiable — ou téléversez votre CV actuel, il sera repris automatiquement dans cette mise en page.
Quel diplôme est attendu pour les Data Scientists en Suisse ?
Un diplôme universitaire quantitatif est habituel - MSc ou PhD d'une ETH, de l'EPFL, d'une université ou d'une haute école spécialisée - complété par un certificat de formation continue.
Indiquez votre diplôme tel que le connaissent les responsables RH suisses : « MSc ETH en Data Science », « MSc EPFL en Computational Science », « MSc en statistique, Université de Berne » ou « BSc FHNW Data Science ». Si vous venez de la physique, des mathématiques, de l'économétrie, de la bio-informatique ou de l'informatique de gestion, précisez en plus votre spécialisation quantitative et résumez votre travail de master en une ligne avec la méthode et le résultat. Pour les diplômes étrangers, mentionnez leur reconnaissance par Swissuniversities ou le SEFRI - cela évite une question de suivi au service RH.
Les formations continues issues du système des hautes écoles suisses ont plus de poids qu'une longue liste de cours en ligne. Les CAS ou MAS en Data Science, Machine Learning ou Data Engineering proposés par la HSLU, la ZHAW, la FHNW, la BFH ou l'OST sont courants et reconnus, de même que les programmes MAS en Applied Information and Data Science. Ajoutez au maximum trois à quatre certifications avec examen, par exemple Azure DP-100, Databricks ML Professional, AWS ML Specialty ou les certifications SAS dans l'environnement pharmaceutique et bancaire.
Mentionnez également ce qui compte dans votre secteur : dans l'assurance et la banque, des connaissances en validation de modèles selon les circulaires FINMA et des bases actuarielles (environnement ASA), dans la pharma des connaissances GxP et CDISC, dans le secteur public la maîtrise des statistiques de l'OFS et des Open Government Data. Pour tous les postes, la protection des données est une compétence à part entière. Une brève mention de la nLPD, des points de contact avec le RGPD et des procédures d'anonymisation montre que vous construisez des modèles juridiquement sûrs.
Comment structurer votre expérience professionnelle et vos projets de manière convaincante ?
Décrivez pour chaque poste le contexte des données, le modèle et l'effet business en chiffres - pas seulement la bibliothèque utilisée.
Pour chaque poste, utilisez deux lignes de contexte : taille de l'équipe, volume de données, plateforme de données et domaine métier. Une phrase comme « Équipe Data & Analytics de 11 personnes, 480'000 polices, Databricks Lakehouse sur Azure » en dit plus sur votre niveau que n'importe quelle auto-évaluation. Suivent ensuite trois à quatre puces, chacune avec la méthode et son effet : « Modèle de churn (LightGBM, AUC 0.87) a réduit les résiliations de 18 pour cent et sécurisé CHF 2.1 mio. de chiffre d'affaires de primes ».
Montrez toute la chaîne de valeur, car c'est précisément là que beaucoup de candidatures échouent. Prouvez que vous ne faites pas que rédiger des notebooks, mais que vous modélisez les données (dbt, star schema), orchestrez des pipelines (Airflow, Azure Data Factory), déployez des modèles (MLflow, conteneurs, scoring batch et online) et les surveillez (drift, qualité des données, réentraînement). Précisez votre rôle dans l'interaction avec le data engineering, la sécurité informatique et les départements métier, ainsi que votre mode de travail (Scrum, sprints de deux semaines, revues de code).
Sans plusieurs années de pratique, remplacez l'expérience professionnelle par des projets démontrables : travail de master, stage, job d'étudiant, classement Kaggle avec rang et nombre de participants, ou un dépôt public. Là aussi, restez mesurable - taille du jeu de données, baseline, métrique atteinte, temps d'exécution. Un lien vers GitHub ou une courte page de case study est courant en Suisse et effectivement consulté par les hiring managers techniques.
Quelle doit être la longueur du CV, faut-il une photo et des indications de salaire ?
Deux pages, photo facultative mais courante, indications de salaire uniquement si l'offre d'emploi les demande.
Limitez-vous à deux pages ; pour un parcours de recherche avec publications, trois pages plus une liste de publications séparée sont acceptées. La première page contient les coordonnées, un profil court de trois phrases, les deux postes les plus récents et un bloc de compétences compact, structuré par langues, méthodes ML, plateformes de données et visualisation. Évitez les barres de progression pour les compétences - écrivez plutôt « PySpark, 5 ans en production » ou « SQL, fonctions de fenêtrage et tuning de requêtes ».
Une photo de portrait sobre reste courante en Suisse et est généralement attendue, mais elle est facultative. Indiquez votre lieu de domicile et la région (par exemple « Zurich, distance de pendularité Zoug/Aarau »), votre nationalité ou statut de permis (permis C, permis B, UE/AELE), l'année de naissance en option et la date d'entrée en fonction la plus proche possible. Pour les frontaliers, une mention du permis frontalier G est utile. Enregistrez le dossier en PDF avec un nom de fichier explicite et veillez à la lisibilité ATS : une seule colonne, pas de zones de texte, intitulé de poste écrit en toutes lettres.
Les attentes salariales ont leur place dans la lettre de motivation, pas dans le CV, et uniquement si l'offre les demande. À titre indicatif : les Data Scientists débutants se situent souvent, dans la région de Zurich, entre CHF 90'000 et CHF 110'000, avec trois à cinq ans d'expérience entre CHF 110'000 et CHF 140'000, les rôles senior et lead au-delà ; indiquez une fourchette et précisez qu'elle se réfère à 13 salaires mensuels. Enfin, adaptez le profil court et le bloc de compétences à chaque offre - qui recherche du NLP doit trouver des projets NLP dans les cinq premières lignes.
Où les Data Scientist sont recherchés en Suisse
Répartition des 21 postes ouverts par canton.
Chiffres sous forme de tableau
| Canton | annonces |
|---|---|
| Genf | 7 |
| Zürich | 4 |
| Waadt | 1 |
| Freiburg | 1 |
Quelles langues les annonces exigent
Sur 17 annonces mentionnant une langue — entre parenthèses, celles exigeant un niveau professionnel.
Chiffres sous forme de tableau
| Langue | annonces |
|---|---|
| anglais | 17 (17) |
| français | 2 (1) |
| allemand | 1 (1) |
Qui recherche des Data Scientist en Suisse
Employeurs avec le plus de postes ouverts. Les agences de placement sont exclues.
Chiffres sous forme de tableau
| Employeur | annonces |
|---|---|
| pg | 3 |
| onrunning | 3 |
| Syngenta | 1 |
| TWINT | 1 |
| jj | 1 |
| Direktion der Justiz und des Innern Kanton Zürich | 1 |
Temps plein ou temps partiel ?
Comment les postes sont publiés.
Chiffres sous forme de tableau
| Taux | annonces |
|---|---|
| Vollzeit / plein temps | 11 |
Le CV en texte intégral
À relire et à reprendre.
Nadine Brunschwiler
Senior Data Scientist, MSc ETH en Data Science, CAS Machine Learning HSLU
Data Scientist avec 8 ans d'expérience dans l'assurance, le retail et la banque, spécialisée dans les modèles de prévision, l'optimisation tarifaire et les pipelines MLOps en production sur Azure et Databricks. Je fais passer les modèles du notebook à la production : 14 modèles en production, surveillés avec MLflow et un monitoring de drift automatisé. Collaboration avec l'actuariat, la compliance et la sécurité informatique, y compris la documentation conforme à la nLPD et aux exigences de la FINMA en matière de validation des modèles.
Ce qui me distingue
Du prototype à la mise en production: Je suis responsable de tout le cycle de vie : Feature Store, CI/CD avec Azure DevOps, registre de modèles dans MLflow, alerting de drift. Temps moyen entre proof of concept et mise en production : 9 semaines contre 7 mois auparavant.
Langage métier actuariat et business: Je traduis les modèles GLM, gradient boosting et de survie pour les souscripteurs et la direction, et je présente les résultats sans formules - mais avec marge de contribution, combined ratio et intervalles de confiance.
Des modèles conformes aux exigences de compliance: Documentation des modèles, tests de biais et explicabilité (SHAP) conformes à l'art. 21 nLPD (décisions individuelles automatisées), ainsi que validation interne des modèles selon le principe des quatre yeux - trois audits externes réussis sans remarque.
Architecture cloud maîtrisée en coûts: J'optimise les clusters Spark, le partitionnement et l'ordonnancement des jobs : coûts Databricks réduits de CHF 34'000 à CHF 19'000 par an, avec 40 pour cent de charges de travail supplémentaires.
Réalisations clés
Un modèle de churn réduit l'attrition de 18 pour cent. Modèle de gradient boosting (LightGBM, AUC 0.87) avec listes de contacts prioritaires pour le service clientèle ; 18 pour cent de résiliations en moins dans le groupe cible, chiffre d'affaires de primes sécurisé de CHF 2.1 mio. par an.
Optimisation tarifaire dynamique dans le retail. Modèles d'élasticité pour 12'000 articles répartis sur 84 filiales, recommandations tarifaires hebdomadaires ; marge brute augmentée de 2.4 points de pourcentage, démarques réduites de CHF 780'000.
Détection de fraude en temps réel. Détection d'anomalies sur le flux de paiements (Isolation Forest plus un jeu de règles), latence inférieure à 200 ms ; taux de faux positifs réduit de 6.2 à 1.9 pour cent, 220 heures de contrôle manuel économisées par mois.
Expérience professionnelle
Senior Data Scientist — Alpstein Versicherungen AG, Zurich, 03/2021 - aujourd'hui
Équipe Data & Analytics de 11 personnes, activités sinistres et non-vie, Databricks Lakehouse sur Azure.
- Développement de modèles de churn et de cross-selling pour 480'000 polices ; AUC 0.87, 18 pour cent de résiliations en moins dans la cohorte traitée
- Prévision des sinistres (fréquence/sévérité avec Tweedie-GLM et XGBoost) améliorant l'estimation des réserves ; erreur de prévision MAPE réduite de 21 à 12 pour cent
- Introduction d'un standard MLOps (MLflow, Feature Store, réentraînements automatisés) : délai de mise en production réduit de 7 mois à 9 semaines
- Encadrement technique de 3 Junior Data Scientists et 2 stagiaires, taux de revue de code porté à 100 pour cent des pull requests
Data Scientist — NovaRetail Schweiz AG, Dietikon, 08/2018 - 02/2021
84 filiales et boutique en ligne, planification des ventes et pricing, Snowflake plus dbt.
- Prévision de la demande au niveau article-filiale pour 12'000 SKU ; précision des prévisions améliorée de 16 pour cent, taux de rupture de stock réduit de 4.1 à 2.3 pour cent
- Mise en production d'un modèle d'élasticité prix : marge brute +2.4 points de pourcentage, démarques -CHF 780'000 par an
- Mise en œuvre d'une analyse du panier d'achat et d'une logique de recommandation sur la boutique en ligne ; valeur moyenne de commande +CHF 7.40 (test A/B, n = 96'000, p < 0.01)
- Documentation de 42 modèles dbt avec tests, erreurs de qualité des données dans les rapports réduites de 65 pour cent
Data Scientist / Data Analyst — Limmatwerk Analytics GmbH, Zurich, 09/2016 - 07/2018
Cabinet de conseil en analytics de 25 collaborateurs, mandats dans la banque, l'énergie et la pharma.
- Pilotage en tant qu'Analytics Lead de 11 projets clients d'un volume compris entre CHF 40'000 et CHF 260'000, satisfaction client de 4.7 sur 5
- Développement d'un système de détection de fraude pour les transactions de paiement : faux positifs réduits de 6.2 à 1.9 pour cent, 220 heures de contrôle économisées par mois
- Des pipelines de reporting automatisées (Python, Airflow) ont remplacé 3 processus Excel manuels et permis d'économiser 18 heures par semaine
- Mise en place d'un format de formation interne pour SQL et Python, 34 participants répartis sur 6 cours
Formation
Master of Science ETH, Data Science — ETH Zurich · 2016
Bachelor of Science, Informatique de gestion — ZHAW School of Management and Law, Winterthur · 2014
CAS, Machine Learning et Data Engineering — Haute école de Lucerne (HSLU) · 2020
Microsoft Certified: Azure Data Scientist Associate (DP-100), 2023 · Databricks Certified Machine Learning Professional, 2022 · AWS Certified Machine Learning - Specialty, 2021 · Professional Scrum Master I (PSM I), 2019
Questions fréquentes
- Dans quelle langue rédiger mon CV en tant que Data Scientist ?
- 88% des annonces sont en anglais — rédigez le CV en anglais, sauf si l'annonce elle-même est en allemand.
- Où les Data Scientist sont-ils le plus recherchés en Suisse ?
- Genève concentre à lui seul 33% des postes, puis Zurich et Vaud. Si vous habitez ailleurs, indiquez votre mobilité dans le profil.
- Quel niveau de langue exigent les annonces de Data Scientist ?
- anglais dans 100% des annonces qui précisent une exigence, dont 100% au niveau professionnel. « Bonnes connaissances » ne suffit pas — indiquez A2 à C2.
- Les postes de Data Scientist sont-ils à plein temps ou à temps partiel ?
- 100% à plein temps, seulement 0% à temps partiel. Si vous cherchez un temps partiel, dites-le tôt.
- Qui recrute des Data Scientist en Suisse ?
- Actuellement pg, onrunning, Syngenta, entre autres. Leurs annonces sont le meilleur lexique pour votre CV.