Le CV du Data Scientist en Afrique Centrale
Entre machine learning, deep learning et MLOps, le data scientist est aujourd'hui le profil technique le plus convoité de la tech africaine. Voici comment structurer un CV qui démontre votre capacité à industrialiser des algorithmes, pas seulement à les prototyper.
Data Scientist : le couteau suisse de l'IA
Contrairement au data analyst qui explique le passé, le data scientist prédit l'avenir. Il conçoit des modèles statistiques et des algorithmes de machine learning qui automatisent des décisions complexes. En Afrique, la demande explose dans trois secteurs clés : les télécoms (recommandation, fraude, churn), la fintech (credit scoring, risque) et l'agritech (détection de maladies, optimisation des rendements).
Le CV de Franck Tchinda est un modèle du genre car il ne se contente pas de lister des compétences techniques : il documente un parcours de montée en puissance, de l'analyse statistique à l'industrialisation de modèles de deep learning sur des infrastructures cloud.
1 Data Scientist vs Data Analyst : ne confondez pas
Beaucoup de CV confondent les deux profils. Voici les différences fondamentales qu'un recruteur va scruter :
| Critère | Data Analyst | Data Scientist |
|---|---|---|
| Objectif principal | Expliquer le passé, répondre à des questions métier | Prédire l'avenir, automatiser des décisions |
| Livrables types | Dashboards, rapports, analyses ad-hoc | Modèles ML, API de prédiction, systèmes de scoring |
| Stack technique | SQL, Power BI, Tableau, Excel avancé | Python, TensorFlow, PyTorch, Spark, Docker |
| Compétence clé | Storytelling, visualisation | Modélisation statistique, programmation |
| Formation type | Statistiques, économie, gestion | Mathématiques, informatique, physique |
Astuce : Si votre CV contient plus de "Power BI" que de "Scikit-learn", vous êtes probablement data analyst, pas data scientist. Les deux sont valorisés, mais les recruteurs cherchent des profils distincts.
2 Analyse du CV de Franck Tchinda
Une trajectoire de montée en compétence
Franck ne présente pas une liste plate d'expériences. Il montre une progression claire :
Fondations : statistiques descriptives, nettoyage de données, enquêtes nationales. Stack : R, SPSS.
Machine learning avancé : credit scoring, NLP multilingue, publication scientifique. Stack : Python, LightGBM, Transformers.
Industrialisation : MLOps, déploiement cloud, management d'équipe. Stack : Docker, Kubernetes, MLflow, AWS.
Cette progression raconte une histoire : celle d'un scientifique passé de la recherche à la production. C'est exactement ce que recherchent les entreprises qui veulent industrialiser l'IA.
Le MLOps : ce qui fait la différence
Ce qui distingue un bon data scientist d'un excellent, c'est sa capacité à mettre en production. Franck consacre une ligne entière aux outils MLOps :
Astuce : Si vous avez déjà déployé un modèle en production, mentionnez-le explicitement. 90% des data scientists n'ont jamais franchi le cap du notebook Jupyter. L'expérience MLOps est un multiplicateur de salaire.
Réalisations : l'impact business des modèles
Franck ne parle pas de "précision du modèle" ou de "F1-score". Il traduit ses performances techniques en impact business :
de conversion des offres Orange Money grâce au moteur de recommandation
de faux positifs sur la détection de fraude (2M transactions/jour)
d'acceptation de crédit sans augmentation du risque (credit scoring alternatif)
publication scientifique sur les biais algorithmiques dans le crédit scoring
3 Spécificités du data scientist en Afrique
Au-delà du socle technique universel, certains enjeux sont propres au contexte africain et doivent transparaître dans votre CV :
Les données textuelles en Afrique sont en français, anglais, mais aussi en langues locales (dioula, wolof, swahili, pidgin). Mentionner une expérience en NLP multilingue ou sur des transformers adaptés (AfroLM, CamemBERT) est un atout différenciateur.
Contrairement aux datasets propres de Kaggle, les données africaines sont souvent incomplètes, non labellisées ou biaisées. Montrer que vous savez travailler avec des données imparfaites (data augmentation, transfer learning, semi-supervised learning) est un marqueur de maturité.
Les opérateurs télécoms sont les plus gros employeurs de data scientists en Afrique. Les CDR (Call Detail Records), les logs de navigation et les transactions Mobile Money sont des sources de données uniques pour le scoring crédit, la détection de fraude et la recommandation.
4 Conseils pour votre CV de Data Scientist
À faire
- • Mentionnez les algorithmes spécifiques utilisés (XGBoost, LSTM, Transformers)
- • Documentez le passage à l'échelle : volume de données, temps d'inférence, infrastructure
- • Citez les métriques business impactées, pas seulement les métriques techniques
- • Mettez en avant votre GitHub, vos publications ou vos contributions open source
À éviter
- • Ne listez pas "Machine Learning" comme une compétence générique
- • Évitez de citer des modèles sans préciser leur usage concret
- • Ne confondez pas data scientist et data analyst dans la description de vos missions
- • N'oubliez pas le volet MLOps si vous avez une expérience de déploiement
Le mot de la fin
"Un data scientist qui ne déploie pas ses modèles est comme un architecte qui ne construit pas de maisons. La valeur n'est pas dans le notebook, elle est dans la production."
— Franck Tchinda, Data Scientist Senior
