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
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)