À propos de ce modèle
Le modèle ATS Data Analyst combine une mise en page moderne en Inter pour le corps et Source Code Pro pour les chiffres, sur fond bleu clair. Les compétences restent en texte brut mais les indicateurs clés — gains KPI, volumes, précision modèle — reçoivent un traitement code que le recruteur lit en quelques secondes. Compatible avec les ATS des éditeurs SaaS (Lever, Ashby, Greenhouse) et des grands groupes (Workday, Avature).
Pour quel profil ?
Il convient aux data analysts, spécialistes BI, ingénieurs ML et data scientists qui postulent en product companies (Doctolib, Datadog, Mirakl), banques (BNP CIB Quants, Société Générale Markets), cabinets de conseil (Eleven Strategy, Ekimetrics, Capgemini Invent) et scale-ups data-driven. Adapté aussi aux analytics translators et growth analysts dont la valeur se mesure aux chiffres d'impact plus qu'à la prose.
Comment l'utiliser
Créez une rubrique « Stack technique » dense avec catégories : Languages (Python, R, SQL, Scala), Cloud (AWS, GCP, Azure), Data tools (dbt, Airflow, Spark, Kafka), ML (scikit-learn, PyTorch, MLflow), Viz (Tableau, Looker, Power BI, Metabase). Pour chaque poste, formulez les bullets autour d'impact business : « Amélioré la précision du modèle de churn de 0.71 à 0.84 AUC — réduction churn 12% — 4,8 M€ de revenue préservée ».
Questions fréquentes
Faut-il lister les Kaggle ou compétitions data ?
Oui pour les profils 0-5 ans d'expérience, ça aide à passer le screening. Mentionnez le top % (top 5%, top 1%, Kaggle Expert/Master/Grandmaster) et la nature de la compétition. Pour les profils plus seniors (8+ ans), gardez seulement les distinctions majeures et déplacez le focus sur les projets internes à impact mesuré.
Comment quantifier l'impact d'un dashboard ?
Cherchez la métrique business derrière l'outil : « Construit un dashboard SLA temps réel — adoption par 240 ops managers — réduction MTTR de 38% sur 6 mois ». Les ATS scannent les chiffres dans les bullets et les recruteurs filtrent souvent par ordre de magnitude d'impact. Une métrique sans dénominateur est ignorée — toujours donner le contexte.
Faut-il un lien GitHub ou Kaggle dans l'en-tête ?
Oui, c'est attendu en data/ML. Ajoutez 2-3 liens maximum : GitHub (avec 3-4 repos épinglés sur des projets aboutis), Kaggle profile, LinkedIn. Évitez les liens vers des compétitions abandonnées ou des forks sans contribution. Le profil GitHub est lu par les Lead Data et les engineering managers techniques avant l'entretien.
