Un entretien mal structuré évalue les candidats de manière incohérente et rate les bons profils. Voici comment structurer un entretien technique data rigoureux et équitable.
1Les 4 phases d un entretien data
Question discriminante
Quelle est la structure optimale d un entretien technique data de 60 minutes ?
| Phase | Durée | Objectif |
|---|
| Introduction et parcours | 10 min | Vérifier la cohérence du parcours, identifier les expériences clés |
| Épreuve technique | 25 min | Évaluer les compétences techniques sur des cas concrets |
| Questions comportementales | 15 min | Évaluer la posture, le travail en équipe, la gestion des difficultés |
| Questions du candidat | 10 min | Lui donner l information pour décider, observer sa curiosité |
2Préparation : le travail en amont
Question discriminante
Que préparez-vous avant un entretien technique data ?
- Lire le CV en détail — noter les 3 expériences à creuser, les technologies mentionnées sans détails, les trous à expliquer
- Préparer des questions sur mesure — adapter les questions au niveau et aux expériences du candidat
- Définir le level attendu — Junior, Confirmé, Senior ? Qu est-ce qui différencie concrètement ces niveaux pour ce poste ?
- Préparer un cas pratique — un problème data réel de votre organisation, anonymisé
- Grille d évaluation — définir avant l entretien ce qui est GO et NO-GO. Pas après
3Phase technique : comment évaluer sans piéger
Question discriminante
Quelle est la différence entre un exercice technique qui évalue vraiment et un exercice qui piège ?
- Évaluer, pas piéger — l objectif est de voir comment le candidat pense, pas de trouver ce qu il ne sait pas
- Commencer large — 'comment traiteriez-vous ce problème ?' avant 'quelle est la syntaxe de QUALIFY dans Snowflake ?'
- Progresser en difficulté — partir d un problème simple et complexifier. Observer où le candidat ralentit
- Accepter plusieurs bonnes réponses — un Senior qui utilise une approche différente de la vôtre n est pas forcément dans l erreur
- Poser des questions sur les choix — 'pourquoi avez-vous choisi cette approche ?' révèle bien plus que le code lui-même
# Exemple de progression pour évaluer SQL
# Niveau 1 (Junior) :
-- Calculer le CA par région pour le mois dernier
SELECT region, SUM(montant)
FROM commandes WHERE ...
# Niveau 2 (Confirmé) :
-- Top 3 produits par région (window function)
# Niveau 3 (Senior) :
-- Taux de rétention à 30j par cohorte d acquisition
4Phase comportementale
Question discriminante
Quelles questions révèlent le mieux l adéquation culturelle d un profil data ?
- 'Décrivez votre journée type dans votre poste actuel' — révèle l autonomie, la collaboration, la gestion des priorités
- 'Comment expliquez-vous votre travail data à un directeur non-technique ?' — révèle la capacité de communication business
- 'Qu est-ce qui vous a rendu le plus fier dans votre travail data ces 12 derniers mois ?' — révèle ce que le candidat valorise
- 'Quelle est la décision technique de votre équipe avec laquelle vous étiez le moins d accord ?' — révèle la capacité à maintenir sa position tout en acceptant les décisions collectives
5Débrief et décision GO/NO-GO
Question discriminante
Comment structurez-vous le débrief post-entretien ?
- Débriefer dans l heure — la mémoire s estompe vite. Remplir la grille immédiatement après
- Séparer les faits des impressions — 'il n a pas su écrire une CTE récursive' vs 'il ne semblait pas très sharp'. Le premier est factuel, le second est un biais
- Calibration en équipe — si deux interviewers divergent de plus de 2 niveaux, creuser pourquoi avant de décider
- Règle : doute = non — un candidat dont on n est pas sûr n est pas le bon. Le recrutement est un investissement long terme
6Éviter les biais de recrutement
Question discriminante
Quels biais de recrutement sont les plus courants en data ?
- Biais de ressemblance — favoriser quelqu un qui nous ressemble (même école, mêmes outils). Contrer : grille objective préparée à l avance
- 'Culture fit' flou — 'bonne ambiance' est souvent un biais. Définir ce que 'culture fit' signifie concrètement pour ce rôle
- Effet halo — un candidat brillant sur une question éclipse ses lacunes sur les autres. Évaluer chaque dimension séparément
- Biais de confirmation — chercher à confirmer l impression initiale au lieu d évaluer objectivement
- Solution — grille structurée, entretiens en panel diversifié, calibration post-entretien
- Progression en difficulte - commencer large (comment traiteriez-vous ce probleme ?) avant les questions fermees (quelle est la syntaxe de QUALIFY ?). Observer ou le candidat ralentit
- Plusieurs bonnes reponses - un Senior qui choisit une approche differente de la votre n est pas necessairement dans l erreur. Demander Pourquoi plutot que Quelle est la bonne reponse
- Cas pratique - utiliser un vrai probleme data de votre organisation anonymise. Les exercices LeetCode evalent le LeetCode, pas le travail data quotidien
- Biais de ressemblance - favoriser quelqu un qui nous ressemble (meme ecole, memes outils). Contrer : grille objective definie avant l entretien
- Effet halo - un candidat brillant sur une question eclipse ses lacunes sur les autres. Evaluer chaque dimension (SQL, Python, architecture, comportemental) separement
- Debrief dans l heure - la memoire s estompe vite. Remplir la grille immediatement apres. Regle collective : doute = non
7Checklist recruteur data
- Grille d évaluation préparée avant l entretien
- Niveaux Junior/Confirmé/Senior définis avec exemples concrets
- Questions adaptées au CV du candidat
- Cas pratique anonymisé préparé
- Débrief dans l heure après l entretien
- Notation par dimension (SQL, dbt, comportemental) séparément
- Décision prise collectivement si panel
- Feedback constructif préparé pour le candidat (GO et NO-GO)
1The 4 phases of a data interview
Discriminating question
What is the optimal structure for a 60-minute technical data interview?
| Phase | Duration | Objective |
|---|
| Introduction and background | 10 min | Verify the consistency of the background, identify key experiences |
| Technical test | 25 min | Assess technical skills on concrete cases |
| Behavioral questions | 15 min | Assess attitude, teamwork, handling difficulties |
| Candidate questions | 10 min | Give them the information to decide, observe their curiosity |
2Preparation: the work beforehand
Discriminating question
What do you prepare before a technical data interview?
- Read the resume in detail — note the 3 experiences to dig into, technologies mentioned without details, gaps to explain
- Prepare tailored questions — adapt questions to the candidate's level and experience
- Define the expected level — Junior, Mid-level, Senior? What concretely differentiates these levels for this position?
- Prepare a practical case — a real data problem from your organization, anonymized
- Evaluation grid — define before the interview what is GO and NO-GO. Not after
3Technical phase: how to assess without trapping
Discriminating question
What is the difference between a technical exercise that truly evaluates and one that traps?
- Assess, don't trap — the goal is to see how the candidate thinks, not to find what they don't know
- Start broad — 'how would you approach this problem?' before 'what is the syntax of QUALIFY in Snowflake?'
- Progress in difficulty — start with a simple problem and increase complexity. Observe where the candidate slows down
- Accept multiple correct answers — a Senior who uses a different approach than yours is not necessarily wrong
- Ask questions about choices — 'why did you choose this approach?' reveals far more than the code itself
# Example progression for evaluating SQL
# Level 1 (Junior):
-- Calculate revenue by region for last month
SELECT region, SUM(amount)
FROM orders WHERE ...
# Level 2 (Mid-level):
-- Top 3 products by region (window function)
# Level 3 (Senior):
-- 30-day retention rate by acquisition cohort
4Behavioral phase
Discriminating question
Which questions best reveal the cultural fit of a data profile?
- 'Describe your typical day in your current role' — reveals autonomy, collaboration, priority management
- 'How do you explain your data work to a non-technical director?' — reveals business communication ability
- 'What made you most proud in your data work over the last 12 months?' — reveals what the candidate values
- 'What is a technical decision made by your team that you least agreed with?' — reveals the ability to maintain one's position while accepting collective decisions
5Debrief and GO/NO-GO decision
Discriminating question
How do you structure the post-interview debrief?
- Debrief within the hour — memory fades quickly. Fill in the grid immediately afterward
- Separate facts from impressions — 'they couldn't write a recursive CTE' vs 'they didn't seem very sharp'. The first is factual, the second is a bias
- Team calibration — if two interviewers diverge by more than 2 levels, dig into why before deciding
- Rule: doubt = no — a candidate you're not sure about is not the right one. Hiring is a long-term investment
6Avoiding recruitment biases
Discriminating question
Which recruitment biases are most common in data?
- Similarity bias — favoring someone who resembles us (same school, same tools). Counter: objective grid prepared in advance
- Vague 'culture fit' — 'good vibes' is often a bias. Define what 'culture fit' concretely means for this role
- Halo effect — a candidate brilliant on one question overshadows their gaps on others. Evaluate each dimension separately
- Confirmation bias — seeking to confirm the initial impression instead of evaluating objectively
- Solution — structured grid, diverse panel interviews, post-interview calibration
- Progression in difficulty - start broad (how would you approach this problem?) before closed questions (what is the syntax of QUALIFY?). Observe where the candidate slows down
- Multiple correct answers - a Senior who chooses a different approach than yours is not necessarily wrong. Ask Why rather than What is the correct answer
- Practical case - use a real data problem from your organization, anonymized. LeetCode exercises assess LeetCode, not daily data work
- Similarity bias - favoring someone who resembles us (same school, same tools). Counter: objective grid defined before the interview
- Halo effect - a candidate brilliant on one question overshadows their gaps on others. Evaluate each dimension (SQL, Python, architecture, behavioral) separately
- Debrief within the hour - memory fades quickly. Fill in the grid immediately afterward. Collective rule: doubt = no
\n
7Data recruiter checklist
- Evaluation grid prepared before the interview
- Junior/Mid-level/Senior levels defined with concrete examples
- Questions tailored to the candidate's resume
- Anonymized practical case prepared
- Debrief within the hour after the interview
- Scoring by dimension (SQL, dbt, behavioral) separately
- Decision made collectively if panel
- Constructive feedback prepared for the candidate (GO and NO-GO)