Lire l'offre avec lucidité

À la page précédente, vous avez découvert les décisions derrière l’offre. Les gestionnaires de produit de Parlo modifient constamment l’application. Ils ont besoin de quelqu’un qui peut leur dire, preuves à l’appui, ce qui fonctionne et avec quelle certitude. Maintenant, nous lisons l’offre ligne par ligne, comme le ferait un scientifique des données expérimenté avant de postuler. Nous classons chaque ligne dans l’un de ces trois groupes :

• Vraiment exigé : l’équipe ne peut pas embaucher quelqu’un sans cette compétence, et les entrevues la vérifieront.
• Un souhait : l’équipe aimerait cette compétence, mais le poste n’en dépend pas. Les longues listes rassurent les personnes qui rédigent les offres, alors les souhaits s’y accumulent.
• Absent : l’offre ne le dit pas, mais le poste en a clairement besoin. Ces éléments sont souvent les plus importants. Les entrevues les abordent, mais beaucoup de candidats ne s’y préparent pas.

Notre lecture est une hypothèse réfléchie, pas un fait. Nous présentons donc aussi les questions qui permettent de la vérifier.

D’abord : de quel type de poste de scientifique des données s’agit-il?

Imaginez que trois personnes vous disent : « Je suis médecin. » Une travaille à l’urgence, une est médecin de famille et une fait de la recherche en laboratoire. Même titre, journées très différentes. En 2026, c’est pareil pour « scientifique des données ». Commencez donc par découvrir quel type de poste se cache derrière le titre. Dans les offres réelles, nous avons trouvé cinq types courants :

• Analyse de produit ou science de la décision. Indicateurs, entonnoirs de conversion, tests A/B, gestionnaires de produit, tableaux de bord. Entrevues : SQL, compréhension du produit, cas d’expérimentation.
• Spécialiste de l’expérimentation ou de l’inférence causale. Problèmes d’expérimentation difficiles : utilisateurs qui s’influencent, contrôle synthétique, puissance, réduction de la variance. Généralement de niveau supérieur ou expert.
• Apprentissage automatique ou algorithmes. Modèles en production, seuils, optimisation, ou « algorithmes » dans le titre. Entrevues : apprentissage automatique et programmation en Python.
• Indicateurs ou ingénierie analytique. Pipelines, qualité des données, définitions fiables. Souvent, aucune expérience.
• Intégration de l’IA ou évaluation des LLM (nouveau en 2026). LLM, requêtes (prompts), évaluation des requêtes ou des réponses générées, agents.

Deux conseils peuvent vous aider. D’abord, les mots après la virgule dans le titre en disent souvent plus que « scientifique des données ». Par exemple : « croissance », « publicité », « algorithmes », « inférence causale ». Ensuite, regardez les verbes dans la section « Ce que vous ferez ». Les verbes montrent le travail. La liste d’outils ne le montre pas.

Alors, quel est le poste chez Parlo? « Croissance et apprentissage », tests A/B sur l’accueil initial et les abonnements, indicateurs, recommandations aux gestionnaires de produit. C’est surtout un poste d’analyse de produit et d’expérimentation. Deux lignes vont dans d’autres directions. « Créer des modèles d’apprentissage automatique pour prédire les départs » appartient au type apprentissage automatique. « Mesurer la réussite des nouvelles fonctionnalités utilisant l’IA » touche au nouveau type d’évaluation des LLM. Selon notre lecture, le travail consiste surtout à mener des expériences et à analyser le produit. Une petite partie concerne la modélisation, et la fonctionnalité d’IA explique pourquoi l’équipe embauche maintenant. Vous pouvez vérifier cela avec une question au recruteur : « Au cours des six derniers mois, à quoi les scientifiques des données de cette équipe ont-ils consacré le plus de temps? »

Le niveau et la rémunération

« Au moins trois ans d’expérience » et « prendre en charge les analyses du début à la fin » décrivent un scientifique des données intermédiaire. Cette personne peut recevoir une question vague d’un gestionnaire de produit et revenir avec une réponse claire, sans directives détaillées. Rien ne demande de gérer des personnes ou d’établir des normes pour l’équipe. Ces expressions apparaissent dans les offres de niveau supérieur ou expert : « mentorer », « établir les bonnes pratiques », « influencer la haute direction ».

La rémunération va de 115 000 à 145 000 $ CA, plus une prime et une participation au capital. Cette fourchette figure dans l’offre parce qu’en Ontario, une offre publique doit maintenant inclure la rémunération prévue. Depuis le 1er janvier 2026, les offres ontariennes doivent aussi préciser si l’IA sert à présélectionner les candidatures. Elles doivent indiquer si le poste est actuellement vacant et ne peuvent pas exiger d’expérience de travail au Canada. C’est pourquoi la section « Bon à savoir » existe. Dans d’autres provinces et pays, les règles diffèrent, et vous devrez peut-être demander vous-même la fourchette salariale.

Ce qui est vraiment exigé

Derrière les longues listes, le poste exige cinq choses. Les entrevues y consacreront la majorité de leur temps.

1. Du SQL fiable que vous pouvez expliquer. SQL figurait dans chaque offre réelle que nous avons lue. Chez Parlo, chaque analyse commence par une requête. Le mot important est fiable. Une requête peut s’exécuter sans erreur et quand même donner le mauvais nombre. Par exemple, une jointure peut répéter des lignes, ou les utilisateurs sans activité peuvent disparaître du résultat. L’offre dit aussi : « utiliser des outils d’IA pour augmenter la rapidité et la qualité de votre travail ». Combinez ces deux lignes. L’équipe s’attend à ce que vous utilisiez peut-être un assistant d’IA pour écrire du SQL. Elle s’attend aussi à ce que vous puissiez vérifier et expliquer chaque ligne qu’il écrit.

2. Les expériences et les statistiques qui les soutiennent. Un test A/B ressemble à une comparaison équitable entre deux groupes de plantes. Vous donnez le nouvel engrais à des plantes choisies au hasard, pas à celles qui semblent déjà en santé. Ensuite, vous comparez. Concevoir et analyser ces tests demande plus que de lire une page de résultats. Attendez-vous à des questions comme : De combien d’utilisateurs avez-vous besoin? Combien de temps le test doit-il durer? Que vous dit l’intervalle de confiance, et que ne vous dit-il pas? Que se passe-t-il si vous regardez les résultats chaque jour et arrêtez dès qu’ils semblent bons?

3. Choisir le bon indicateur. « Définir les indicateurs pour votre secteur du produit » est une courte phrase qui contient beaucoup. Pour une application de langues, qu’est-ce qu’une bonne journée? Est-ce que l’apprenant ouvre l’application, termine une leçon, parle avec le tuteur IA ou apprend quelque chose? Chaque choix mène à une décision différente. Pendant les entrevues, on vous demandera de choisir et de dire ce que chaque choix laisse de côté.

4. Des recommandations claires pour les personnes qui ne font pas de statistiques. « Transformer les analyses en recommandations claires » figure dans chaque offre, alors il est facile de passer dessus. Ne le faites pas. Le gestionnaire de produit doit savoir quoi faire cette semaine, votre degré de certitude et ce qui vous ferait changer d’avis. Il n’a pas besoin de votre méthode.

5. Utiliser les outils d’IA et les vérifier. Cette ligne est nouvelle. Environ la moitié des offres que nous avons lues l’exigent maintenant. Lisez-la en deux parties. « Augmenter la rapidité » signifie qu’on s’attend à ce que vous utilisiez un assistant d’IA pour le SQL, le code et les premières versions. « Et la qualité » signifie que vous devez repérer ses erreurs. Un scientifique des données qui colle du SQL écrit par l’IA sans le vérifier représente un risque. Les entrevues sont conçues pour découvrir quel type d’utilisateur vous êtes.

Ce qui est probablement un souhait

L’apprentissage automatique. « Créer des modèles d’apprentissage automatique pour prédire les départs » figure dans les responsabilités. scikit-learn, XGBoost et PyTorch figurent dans les exigences. Mais le reste de l’offre parle d’expériences, d’indicateurs et de décisions. Un modèle de départ peut être utile. Mais il ne dit pas au gestionnaire de produit si une fonctionnalité fait rester les apprenants. Attendez-vous à ce que les entrevues privilégient « Cet effet est-il réel? » plutôt que « Quel modèle est le meilleur? » Bien connaître l’apprentissage automatique vous aide. Sinon, cela ne déterminera probablement pas le résultat.

La liste d’outils. Snowflake et BigQuery sont deux entrepôts de données qui font le même travail. Looker, Tableau, Mode et Hex sont quatre outils qui font en partie le même travail. L’équipe utilise un ou deux outils de chaque type. Maîtrisez SQL et un outil de production de rapports. Demandez au recruteur lesquels l’équipe utilise vraiment.

« Doctorat, un atout ». Un doctorat aide s’il vous a donné une formation approfondie en statistiques ou en inférence causale. Beaucoup d’équipes le comptent comme deux à quatre ans d’expérience. Il ne remplace pas la compréhension du produit ni la rapidité. Si vous n’en avez pas, ignorez cette ligne.

L’inférence causale, en partie. L’offre la nomme, mais ne l’explique pas. L’inférence causale consiste à trouver ce qui a causé un changement, pas seulement ce qui s’est produit au même moment. Un test A/B est la méthode causale la plus simple. D’autres méthodes, comme la différence de différences, utilisent des données que vous observez seulement. Notre hypothèse : l’équipe veut que vous compreniez pourquoi une simple comparaison avant-après peut être trompeuse. Elle veut aussi que vous sachiez quand une meilleure méthode est nécessaire. Préparez donc bien les idées, même si vous laissez de côté les méthodes avancées.

Ce qui manque et qui compte

Le temps consacré aux tableaux de bord et aux petites demandes. Les responsabilités ne mentionnent jamais les « tableaux de bord », mais la liste contient quatre outils de production de rapports. Dans la plupart des équipes de données produit, les rapports et les questions rapides occupent une grande partie de la semaine. Par exemple : « Pouvez-vous extraire les chiffres pour le cours d’espagnol? » Demandez combien de temps cela prend. Ce point change votre quotidien plus que la plupart des lignes.

Votre degré d’isolement. « Responsable des données dans votre secteur du produit » évoque la confiance. Cela peut aussi vouloir dire que vous serez le seul scientifique des données auprès d’un gestionnaire de produit. Personne à proximité ne pourra vérifier votre travail. Demandez qui révise une analyse avant qu’elle mène à une décision.

Comment Parlo mesure l’apprentissage. L’équipe s’appelle Growth & Learning, et l’entreprise promet que les apprenants « font de vrais progrès ». Mais aucune ligne ne dit comment ces progrès sont mesurés. Mesurer l’utilisation est facile; mesurer l’apprentissage est difficile. C’est probablement aussi une lacune dans l’entreprise, et un très bon sujet pour vos questions.

Comment les expériences sont menées. Qui décide qu’un test est terminé? Certaines fonctionnalités sont-elles lancées sans test? Les réponses vous indiquent quelle part du travail consistera en expériences rigoureuses. Elles montrent aussi quelle part servira à corriger les conséquences de lancements sans plan.

Le processus d’entrevue. Parmi les offres réelles que nous avons lues, seulement une sur dix décrivait ses entrevues. Posez la question au premier appel, surtout concernant les règles sur l’IA à chaque étape.

Les mots qui décrivent la culture

Certains mots décrivent la culture, pas le travail : « axé sur les données », « priorité à l’IA », « responsable désigné », « prise en charge complète », « esprit de croissance », « passion pour les langues ». Ils peuvent signifier que votre analyse change vraiment les décisions. Ils peuvent aussi signifier qu’on veut des données pour confirmer une décision déjà prise. L’offre ne permet pas de savoir lequel des deux s’applique. Posez donc des questions auxquelles les gens peuvent répondre avec un exemple. « Parlez-moi d’une fois où une analyse a changé une décision produit ici. » « Parlez-moi d’une fois où un résultat ne correspondait pas à ce que le gestionnaire de produit voulait. Que s’est-il passé? » Une équipe saine répond facilement à ces questions.

Qui devrait postuler

Personne ne correspond à chaque ligne, et les personnes qui ont rédigé l’offre ne s’y attendent pas. Utilisez les cinq exigences ci-dessus, pas la liste complète :

• Vous êtes analyste de produit, vous maîtrisez SQL, vous avez mené de vrais tests A/B et vous voulez davantage influencer les décisions : postulez. Préparez les statistiques derrière vos tests, car c’est là que les entrevues approfondiront.
• Vous avez un doctorat ou une expérience de recherche en inférence causale, mais aucun poste lié au produit : postulez. Votre rigueur est rare. Préparez-vous à être rapide et simple. Un gestionnaire de produit a besoin d’une réponse cette semaine, pas d’une étude au prochain trimestre.
• Vous venez de l’enseignement ou d’un autre domaine proche de l’apprentissage des langues, et vous avez une formation en données : postulez. Sachez toutefois que cette offre demande plus de statistiques que n’en connaissent la plupart des personnes en réorientation. Votre connaissance du domaine vaut plus ici que l’offre ne le montre.
• Vous êtes scientifique des données en apprentissage automatique et vous créez des modèles solides : postulez. Préparez-vous toutefois à un poste surtout axé sur les décisions et les expériences. Demandez tôt si l’entreprise a une équipe davantage axée sur l’apprentissage automatique.
• Vous êtes scientifique des données de niveau supérieur et cherchez un poste de niveau inférieur : postulez. Attendez-vous à ce que l’équipe vous demande avec bienveillance si vous resterez. Préparez une réponse honnête.

Dans la partie 3 de ce guide, vous suivez cinq candidats, un pour chacune de ces situations. Chaque personne passe par le même cas produit.

Transformer l’offre en plan de préparation

Reliez maintenant chaque exigence aux questions probables et aux preuves que vous pouvez présenter.

Dans l’offre	Ce qu’on vous demandera probablement	Les preuves qu’il vous faut
Du SQL fiable	« Écrivez la requête de rétention. Pourquoi une jointure LEFT JOIN? Comment savez-vous que le nombre est correct? »	De l’aisance avec les jointures, les dates et les fonctions de fenêtrage, et l’habitude de vérifier les résultats
Expériences et statistiques	« Combien de temps ce test devrait-il durer? Que signifie cet intervalle? »	Un test que vous avez conçu ou analysé, expliqué simplement
Choix des indicateurs	« Quel est l’indicateur principal ici? Qu’est-ce qui pourrait mal tourner si nous l’utilisons? »	Un récit où le choix d’indicateur a changé la décision
Recommandations claires	« Que diriez-vous au gestionnaire de produit vendredi? »	Un résumé de deux minutes d’une analyse passée, avec votre degré de certitude
Outils d’IA, vérifiés	« L’assistant a écrit cette requête. Expliquez-la-moi. »	De la pratique pour expliquer et tester du SQL écrit par l’IA
Mesure de l’apprentissage (absent)	« Comment sauriez-vous que les gens apprennent davantage? »	Quelques idées honnêtes et de bonnes questions
Pièges des comparaisons avant-après (absent)	« L’utilisation a augmenté après le lancement. Le lancement en est-il la cause? »	Des exemples simples d’effets de saison, de nouveauté et de sélection

Si vous ne pouvez pas remplir la colonne de droite d’une ligne, c’est votre préparation pour les prochaines semaines. Notre leçon Se préparer aux candidatures présente la même méthode pour n’importe quelle offre.

Questions à poser à l’équipe

Une entrevue va dans les deux sens (nos conseils). Les questions ci-dessous transforment nos hypothèses en faits. Posez chacune à l’entrevue où elle convient le mieux.

• Appel avec le recruteur : « Quelles sont les étapes d’entrevue et les règles sur l’IA pour chacune? » « Quel entrepôt de données et quel outil de production de rapports l’équipe utilise-t-elle? » « Au cours des six derniers mois, à quoi les scientifiques des données ont-ils consacré le plus de temps? »
• Présélection SQL et analyse : « Quelle part de la semaine est consacrée aux rapports et aux demandes rapides? » « Qui révise une analyse avant qu’elle soit transmise à un gestionnaire de produit? »
• Cas produit : « Comment décidez-vous qu’une expérience est terminée? » « Certaines fonctionnalités sont-elles lancées sans test? Qui décide? » « Comment Parlo sait-elle si les apprenants apprennent davantage? »
• Présentation du travail à faire à la maison : « À quoi ressemblerait un premier projet pour la personne qui occupera ce poste? » « Comment travaillez-vous avec l’équipe de conception pédagogique? »
• Discussion sur les valeurs avec un gestionnaire de produit : « Parlez-moi d’une fois où une analyse disait quelque chose que vous ne vouliez pas entendre. Qu’avez-vous fait? » « Comment le scientifique des données et vous prenez-vous une décision ensemble en cas de désaccord? »

Écoutez la façon dont les gens répondent. Une réponse claire avec un exemple est un bon signe. Une réponse vague à une question simple vous donne aussi de l’information.

À vous : lire une offre qui vous intéresse

Trouvez une vraie offre de scientifique des données pour un poste qui vous intéresse. Déterminez d’abord auquel des cinq types de postes elle appartient. Regardez les mots après la virgule dans le titre et les verbes dans les responsabilités. Classez ensuite ses lignes dans les trois groupes : vraiment exigé, un souhait, absent. Résumez en une phrase les décisions derrière l’offre. Faites le tableau de préparation pour ses principales exigences et écrivez une question pour chaque étape d’entrevue.

Si vous ne savez pas si une ligne est une exigence ou un souhait, transformez-la en question pour le recruteur. C’est une question normale à poser, et la réponse vous aide à vous préparer.

La suite

À la page suivante, nous examinons les cinq entrevues du processus de Parlo. Nous verrons qui les mène, ce qu’elles vérifient et comment un intervieweur rigoureux part de vos propos pour explorer les limites de vos connaissances.