Guide complet du recrutement data en 2025 : de l offre à l intégration

1Rédiger une offre data attractive

• Stack technique précise — citer les vrais outils utilisés (dbt + Snowflake + Airflow) et non 'suite d outils data modernes'. Les bons profils fuient le vague
• Niveau réel — ne pas mettre Senior pour un poste Confirmé pour attirer plus de candidats. Vous attirerez des déçus
• Problème à résoudre — 'construire la stack data de zéro' vs 'maintenir des pipelines existants' : deux profils très différents
• Impact concret — 'vos modèles dbt alimenteront les 50 dashboards utilisés par le COMEX' est motivant
• Flexibilité réelle — mentionner honnêtement les jours de remote, le vrai niveau d autonomie, la taille de l équipe

2Sourcer les bons profils data

• LinkedIn — recherche par stack technique (dbt AND Snowflake AND Airflow), cibler les profils qui postent du contenu technique
• GitHub — rechercher des contributeurs sur des repos dbt, Airflow, Spark. Un profil GitHub actif est plus révélateur qu un CV
• Communautés data — Slack French Data Engineers, Data Engineering Weekly, meetups dbt, conférences (Data Council, FOSDEM Data)
• Cooptation — le meilleur canal. Demander à vos Data Engineers actuels de recommander
• Signal fort — un profil qui contribue à un projet open source data ou qui publie des articles techniques

3Analyser un CV data : ce qu on regarde vraiment

• 1. Stack technique réelle — les outils mentionnés correspondent-ils au poste ? Ont-ils été utilisés en production ?
• 2. Progression logique — le parcours a-t-il une logique ? Les postes s enchaînent-ils avec une montée en responsabilité ?
• 3. Contexte des expériences — 'taille de l équipe data', 'volumes de données', 'impact business' : les bons CVs donnent du contexte
• 4. GitHub ou projets concrets — y a-t-il un lien vers du code réel ?
• Signaux d alarme — trop d outils listés sans profondeur, changements fréquents sans explication, pas de résultats chiffrés

4Structurer un processus de recrutement data

• Cas pratique — préférer le format présentiel ou un exercice court (max 3h). Les candidats refusent les prises en charge trop longues
• Délais — un processus > 4 semaines fait fuir les bons profils qui ont plusieurs offres

5Prendre la décision GO/NO-GO

• Grille commune — chaque interviewer note les mêmes critères indépendamment. Pas de discussion avant que chacun ait rempli sa grille
• Séparer les faits des ressentis — 'n a pas su écrire une CTE récursive' vs 'n avait pas l air sûr de lui'. Le premier compte, le second est un biais
• Règle du doute — si le panel est partagé (2-2) sans consensus après discussion : c est un NO. Un recrutement dans le doute est généralement une erreur
• Niveaux divergents — si deux interviewers notent le candidat Junior et Senior respectivement, explorer pourquoi avant de décider

6Négociation et closing

• Transparence sur la fourchette — indiquer la fourchette dans l offre ou dès la préqualification. Évite les fins de non-recevoir après un long processus
• Package complet — salaire fixe + variable + remote + formation + équipement + confs. Un candidat data valorise aussi les opportunités d apprentissage
• Délai de réponse raisonnable — donner 5 jours ouvrés pour réfléchir. Moins est agressif, plus est un signe de manque d urgence
• Pas de pression — les ultimatums sur les offres font fuir les bons profils qui ont le choix

7Checklist complète du recrutement data

• Offre avec stack technique précise et niveau réel
• Sourcing actif (GitHub, communautés, cooptation)
• Analyse CV en 30s : stack, progression, contexte
• Grille d évaluation préparée avant chaque entretien
• Entretien structuré : technique + comportemental + questions candidat
• Cas pratique court (max 3h) ou présentiel
• Débrief en panel avec grille commune
• Offre dans les 48h après la décision
• Onboarding structuré en 3 phases (30-60-90 jours)