Les profils data confirmés sont déjà en poste. Sollicités chaque semaine sur LinkedIn, ils lisent rarement les annonces des job boards, et publier puis attendre ne suffit donc plus.
C’est encore plus vrai pour une start-up qui ouvre son premier poste data et n’a personne en interne pour juger un test SQL ou une architecture de pipeline.
Analyst, engineer et scientist ne se recrutent pas avec les mêmes leviers. Les canaux de sourcing, le format du test technique et les arguments de closing changent selon le livrable attendu : un dashboard, un pipeline ou un modèle en production.
Cinq pratiques font la différence, et trois erreurs coûtent cher. Toutes viennent des missions de Lity, cabinet de recrutement data, dont le recrutement d’un Senior Data Engineer pour Orus Energy en 41 jours, avec 100 % de pertinence CV.
5 conseils indispensables pour recruter un profil data
Pour savoir comment recruter un data analyst, un data engineer ou un data scientist, partez toujours du livrable attendu. Viennent ensuite une scorecard, une offre précise, une chasse directe, une évaluation sur cas réel et un process court, cinq pratiques illustrées ici par des missions menées par Lity.
Conseil n°1 : cadrer le poste avec une scorecard avant d’écrire l’annonce
Les livrables attendus départagent les trois profils bien plus sûrement que l’intitulé du poste :
- le data analyst produit des dashboards de pilotage et des recommandations pour les équipes métier ;
- le data engineer construit et fiabilise les pipelines et l’entrepôt de données ;
- le data scientist conçoit des modèles prédictifs et les met en production.
La scorecard fixe trois à cinq résultats attendus à 6 et 12 mois. Pour une scale-up, cela pourrait donner, à titre d’exemple :
- « 10 dashboards de pilotage adoptés par le Comex »
- ou « pipelines de facturation fiabilisés ».
Intégrez aussi votre maturité data réelle : disposez-vous d’un entrepôt aux données fiables, et le candidat aura-t-il un pair technique à qui parler ?
Sans datawarehouse, un data scientist passera ses premiers mois à construire la tuyauterie au lieu de modéliser.
Un premier recrutement data n’appelle donc pas le même profil qu’un renfort d’équipe.
Par exemple, dans le cas d’un recrutement chez Orus Energy, l’équipe data se limitait à une seule personne, et le besoin portait sur un profil hybride rare, à la fois Machine Learning et Data Engineering.
Lity a figé la stack (Python, Terraform, AWS et RFO) dans la scorecard dès le brief, ce qui a permis de filtrer chaque candidat sans ambiguïté.
Conseil n°2 : rédiger une offre qui parle la langue des profils data
Imaginez un data engineer senior qui fait défiler les offres entre deux réunions. S’il n’y trouve ni la stack exacte ni les volumes traités, il passe à la suivante : une offre limitée à « SQL, Python, Excel » ne lui permet pas de se projeter, et elle signale surtout que l’entreprise ne sait pas encore ce qu’elle attend.
Concrètement, une annonce efficace expose :
- L’environnement technique : entrepôt (BigQuery, Snowflake, Redshift), outil BI (Looker, Metabase, Power BI), orchestration (Airflow, dbt) et langages.
- Les volumes et sources : sources connectées, ordre de grandeur des données, fréquence de rafraîchissement.
- Le rattachement hiérarchique : CEO, CFO, CTO ou Head of Data, ce qui indique le poids réel du poste.
- Les décisions alimentées : pricing, acquisition, prévisions de stock, détection de fraude.
- Le cadre RGPD : données personnelles manipulées, règles de pseudonymisation, rôle du DPO.
Ce cadre de conformité rassure particulièrement les seniors, qui savent qu’une gouvernance floue finit souvent par retomber sur eux.
Conseil n°3 : chasser les profils en poste plutôt qu’attendre les candidatures
Les profils data les plus recherchés répondent rarement aux annonces, d’où l’intérêt d’aller les chercher là où ils travaillent. Commencez par un mapping des entreprises formatrices :
- scale-ups data-driven,
- éditeurs SaaS,
- cabinets de conseil data.
Vous ciblez ainsi des candidats déjà confrontés à vos problématiques techniques et métier.
Calibrez ensuite vos messages LinkedIn Recruiter selon la séniorité :
-> complexité technique et autonomie pour un senior,
-> encadrement et montée en compétences pour un junior.
Les job boards spécialisés (Welcome to the Jungle, Apec) gardent leur utilité, mais plutôt pour les juniors, plus enclins à candidater spontanément.
Les communautés métier (meetups, cercles data, Slack spécialisés) et la cooptation complètent le dispositif, tout comme le vivier de plus de 80 000 profils que Lity a constitué au fil de ses missions.
Cette chasse donne accès à des candidats en poste, invisibles par les canaux classiques.
Alexis Martel, cofondateur et COO de Pharow, le résume ainsi : « Grâce à Lity, on a pu échanger avec des candidats en poste, très pertinents, qu’on n’aurait jamais atteints seuls ».
Pour Orus Energy, 70 profils approchés ont abouti à seulement 4 candidats présentés, avec 100 % de pertinence CV. Ce ratio montre l’intérêt d’un sourcing large, mais filtré avec exigence.
Conseil n°4 : évaluer sur un cas réel plutôt que sur un quiz technique
Un quiz mesure la mémoire du candidat. Un cas réel mesure sa capacité à résoudre vos problèmes métier, à condition d’adapter le format au profil recherché :
| Profil | Format d’évaluation | Ce que vous vérifiez |
| Data analyst | Test SQL sur un schéma proche du vôtre, puis restitution orale devant un opérationnel | Capacité à transformer un chiffre en recommandation |
| Data engineer | Revue critique d’un pipeline existant ou exercice de conception (ingestion, orchestration, coûts cloud) | Robustesse, maintenabilité, maîtrise des coûts |
| Data scientist | Cadrage d’un problème métier : choix de la métrique et du protocole de validation | Rigueur méthodologique et sens business |
Limitez tout exercice à domicile à quelques heures, car un candidat en poste risque d’abandonner face à un test de trois jours.
Faites-le corriger par un profil data senior, interne ou externe.
Complétez avec des prises de références ciblées auprès d’anciens managers.
Lity les intègre au rapport de chasse, aux côtés du mapping marché et de la scorecard d’évaluation.
Conseil n°5 : raccourcir le process et préparer le closing dès le premier échange
Un candidat data se perd le plus souvent en fin de process, face à une offre concurrente ou à une contre-offre.
Limitez le parcours à trois ou quatre étapes et donnez un retour sous 48 heures, car un profil en poste mène fréquemment plusieurs processus de recrutement en parallèle et chaque semaine de silence profite à vos concurrents.
Dès la qualification, identifiez la motivation non financière du départ : le projet, l’autonomie, la stack.
Quand l’employeur actuel surenchérit, c’est souvent elle qui fait pencher la balance. Chez Meria (Fintech/Web3), Lity a d’ailleurs accompagné le closing d’un recrutement de CFO confidentiel face à des offres concurrentes.
Valorisez enfin le package au-delà du fixe :
- politique de télétravail claire ;
- budget formation et conférences ;
- accès aux données de production ;
- projets IA inscrits dans la roadmap.
Côté rémunération, calez votre fourchette sur le marché avant même de publier l’offre. Le Baromètre salarial 2026 de Lity estime gratuitement le package salarial attendu, ce qui vous évite de découvrir un fixe mal calibré au moment de l’offre.
Quelles erreurs éviter quand on recrute un profil data ?
Une signature ne garantit pas un recrutement réussi. Les erreurs les plus coûteuses naissent le plus souvent d’un cadrage approximatif ou d’une intégration négligée, et elles mènent à un départ précoce, parfois à une rupture de période d’essai.
Quelques réflexes suffisent pourtant à les éviter.
Erreur n°1 : recruter un data scientist pour faire du reporting
Un profil surdimensionné finit presque toujours par partir.
Un data scientist recruté pour maintenir des dashboards s’ennuie vite et cherche ailleurs des sujets de modélisation.
Repartez de la scorecard : si les livrables à 12 mois sont des tableaux de bord, vous avez besoin d’un analyst ou d’un analytics engineer.
Pour un besoin ponctuel de structuration, une mission freelance de 3 à 12 mois est souvent plus adaptée.
Et si la mission révèle un besoin durable, vous ouvrez ensuite le CDI avec une scorecard fondée sur l’expérience.
Erreur n°2 : juger un candidat sur la liste des outils de son CV
Maîtriser des outils ne prouve pas qu’on sait produire de la valeur métier. Prenez un candidat qui énumère Tableau, Power BI et Python sans citer une seule décision prise grâce à ses analyses : il exécute des tâches sans vraiment analyser.
En entretien, demandez-lui ce qui a changé dans l’entreprise après son étude, puis creusez : qui a tranché, et sur la base de quels chiffres ?
Un bon analyste raconte ce cheminement sans hésiter, alors qu’un profil exécutant revient vite à ses outils.
Confiez l’évaluation à un pair. Les consultants Lity sont spécialisés par verticale, et Julie Porchez pilote le pôle Data & IA en tant que Head of Data and AI Recruitment, avec plus de 5 ans d’expérience en recrutement Data/IA.
Erreur n°3 : bâcler l’onboarding et l’accès aux données
Un recrutement data se joue aussi sur les premières semaines.
Une recrue qui attend dix jours ses accès doute vite de son choix, et la période d’essai devient fragile.
Ouvrez les accès (entrepôt, outil BI, Git, documentation) avant le premier jour.
Planifiez ensuite des 1:1 avec les équipes métier qui consomment les données, puis fixez un premier livrable autonome sous 30 jours.
Ce livrable peut rester modeste : un indicateur fiabilisé ou un dashboard repris en main suffit à montrer que la recrue a trouvé ses repères.
Le suivi long terme continue au-delà de la signature.
Questions fréquentes sur le recrutement data
Comment recruter un data analyst quand on n’a pas encore d’équipe data ?
Privilégiez un profil polyvalent et autonome, capable de structurer les données avant de les analyser.
Faites corriger le test technique par un expert externe ou un cabinet spécialisé. Si le besoin reste flou, une mission freelance permet de poser les fondations avant d’ouvrir un CDI.
Combien de temps faut-il pour recruter un data engineer ou un data scientist ?
Sur les 17 missions documentées dans les cas clients de Lity, le time to fill moyen est de 28 jours, du brief à la signature.
Un profil rare peut demander davantage, comme les 41 jours nécessaires pour le Senior Data Engineer hybride d’Orus Energy.
Pour un data scientist orienté Machine Learning, tout aussi recherché, prévoyez une marge comparable et lancez la chasse sans attendre.
Quand faire appel à un cabinet de recrutement spécialisé data ?
Un cabinet prend tout son sens quand personne en interne ne peut juger le candidat, ou quand un profil rare (ML, MLOps, data hybride) doit arriver vite.
Pour un CDI, Lity travaille payé au succès, sans avance, avec un démarrage sous 7 jours. Si vous bâtissez toute une équipe data, le RPO intègre des recruteurs Lity à vos équipes pour un forfait mensuel, et le freelance couvre les besoins ponctuels.
Cersa Formation, Emploi et création d'entreprise