Préparer son entretien technique data : guide du candidat

1Comprendre ce qui est vraiment évalué

• Pas la mémorisation — personne n attend que vous connaissiez par cœur la syntaxe de chaque fonction SQL. On cherche la compréhension et le raisonnement
• La démarche — comment vous approchez un problème : commencez-vous par poser des questions ? Par le problème métier ? Ou vous précipitez-vous sur le code ?
• La communication — pouvez-vous expliquer votre approche en pensant à voix haute ? Un candidat silencieux est difficile à évaluer
• La posture — reconnaissez-vous vos lacunes ? Apprenez-vous de vos erreurs ? Ou défendez-vous mordicus des solutions incorrectes ?
• Le niveau réel — on cherche à trouver où se situe votre plafond, pas à vous piéger

2Ce qu il faut réviser selon le poste

3S entraîner : la méthode

• SQL — Leetcode (section Database), StrataScratch, DataLemur. Faire 2-3 exercices par jour pendant 2 semaines
• Cas pratiques — prendre un dataset Kaggle et construire un mini-pipeline complet : ingestion → dbt → qualité → visualisation
• Expliquer à voix haute — s entraîner à penser à voix haute sur des problèmes techniques. Filmer si nécessaire
• Mock entretiens — avec un pair ou via des plateformes (Pramp, interviewing.io)
• Portfolio GitHub — avoir au moins un projet complet et documenté à montrer

4La bonne posture en entretien technique

• Poser des questions avant de coder — 'quelle est la taille des données ? Quelles contraintes de performance ?'. Montre la maturité
• Penser à voix haute — 'je pense à utiliser une window function ici parce que...'. Le recruteur évalue votre raisonnement, pas seulement le résultat
• Admettre les lacunes — 'je n ai pas utilisé Flink mais j ai une bonne expérience de Spark Streaming qui est similaire'. Honnêteté et transitivité
• Proposer des alternatives — 'on pourrait aussi faire X, mais j ai choisi Y parce que...'. Montre la profondeur
• Ne pas défendre une erreur — si l intervieweur vous montre un problème dans votre solution, remerciez et corrigez

5Questions à poser à l intervieweur

• Sur la stack — 'quels sont les principaux défis techniques que l équipe rencontre actuellement ?' Montre l intérêt pour la réalité
• Sur les données — 'quelle est la qualité des données sources avec lesquelles je travaillerais ?' Révèle votre maturité data
• Sur l équipe — 'comment sont organisées les revues de code ?' Montre l intérêt pour les pratiques d équipe
• Sur le projet — 'quel est le projet le plus impactant en cours dans l équipe ?' Montre la curiosité pour la valeur créée
• À éviter en premier — les questions uniquement sur le salaire, les congés, les avantages. À aborder après avoir montré son intérêt

6Après l entretien

• Email de remerciement — dans les 24h. Bref, sincère. Rappeler un point de la conversation qui vous a marqué
• Demander du feedback — même en cas de refus, demander un retour constructif. 50% des recruteurs en donnent
• Apprendre de chaque entretien — noter les questions auxquelles vous n avez pas su répondre. Les travailler avant le prochain
• Maintenir le pipeline — ne pas mettre tous ses œufs dans un seul panier. Avoir 2-3 processus actifs simultanément

7Check-list de préparation 2 semaines avant l entretien

• Relire la fiche de poste et identifier les 5 compétences clés demandées
• Pratiquer SQL sur StrataScratch ou DataLemur (10 exercices minimum)
• Réviser dbt ou Spark selon le poste (1-2 tutoriels pratiques)
• Préparer 3 exemples STAR d expériences techniques concrètes
• Préparer 5 questions à poser à l intervieweur
• Mettre à jour son GitHub avec un README clair sur ses projets
• Faire un mock entretien avec un pair ou seul à voix haute
• Se documenter sur l entreprise : stack technique, actualités, culture data