---
title: "Guide d'entretien — Alternant Data / IA (Organized)"
type: career
area: career
status: reference
interview_role: "Interviewer (Me)"
category: "Conducting Interview"
target_candidate: "Alternant Candidates"
role: "Data Science & AI Engineer"
stage: "Evaluation Framework"
date: 2026-05-03
created: 2026-05-03
updated: 2026-03-25
tags:
  - career
  - conducting-interviews
---
# 🎯 Guide d'entretien — Alternant Data / IA
> 6 axes d'évaluation · note /5 par axe

---

## 📋 Déroulé de l'entretien

| Étape | Contenu | Durée |
|-------|---------|-------|
| 1 | Accueil & présentation | 5 min |
| 2 | Motivation | 10 min |
| 3 | Communication FR + EN | 10 min |
| 4 | Attitude & potentiel | 10 min |
| 5 | Logique & compréhension | 10 min |
| 6 | Connaissances data | 15 min |
| 7 | Questions candidat + clôture | 5 min |

---

## 1. 🎯 MOTIVATION — /5
> Objectif : vérifier cohérence + intérêt réel

**Questions à poser**
- Pourquoi tu veux faire de la Data / IA ?
- Pourquoi une alternance plutôt qu'une formation classique ?
- Pourquoi notre entreprise / ce secteur ?
- Quel type de projet data t'intéresse le plus ?
- Tu fais quoi concrètement pour progresser en data ? (GitHub, cours, projets perso…)

**Ce que tu observes**
- ✅ Réponse claire avec exemples concrets
- ✅ Le candidat cite une techno, un projet, un auteur → curiosité réelle
- ❌ Réponse vague type "c'est l'avenir"

**Note : ___ / 5**

---

## 2. 🗣️ COMMUNICATION FR — /5
> Objectif : vulgarisation (clé en data)

**Questions à poser**
- Explique-moi ton dernier projet data du début à la fin
- Explique le Machine Learning simplement, comme à quelqu'un qui n'y connaît rien
- Comment tu présentes un résultat d'analyse à un manager non technique ?
- Donne-moi un exemple où tu as dû expliquer quelque chose de complexe à quelqu'un

**Ce que tu observes**
- Structure claire : problème → méthode → résultat
- Capable de simplifier sans perdre le fond
- Évite le jargon inutile, utilise des exemples ou analogies
- Commence par le message principal, pas par les détails techniques

**Note : ___ / 5**

---

## 3. 🇬🇧 COMMUNICATION ANGLAIS — /5
> Objectif : niveau pro minimum

**Questions à poser (en anglais)**
- Can you introduce yourself briefly?
- Can you walk me through one of your projects?
- What is machine learning, in simple terms?
- Can you explain a technical concept to someone non-technical?

**Ce que tu observes**
- Fluidité : pas besoin de chercher chaque mot
- Compréhension : répond à ce qu'on lui demande
- Capacité à expliquer en anglais, pas juste à lire
- Accent fort = ok si compréhensible

**Note : ___ / 5**

---

## 4. 🔥 ATTITUDE & POTENTIEL — /5
> **CRITÈRE LE PLUS IMPORTANT**

**Questions comportementales**
- Parle-moi d'un challenge difficile que tu as rencontré. Comment tu l'as surmonté ?
- Raconte-moi une erreur que tu as faite. Qu'est-ce que tu en as retenu ?
- Que fais-tu quand tu es bloqué sur un problème ?
- Comment tu travailles en équipe ? Donne un exemple concret.

**Questions mindset**
- Comment tu apprends une nouvelle technologie que tu ne connais pas ?
- Comment tu gères une deadline serrée ?

**Ce que tu observes**
- Curiosité : apprend par lui-même, pas juste en cours
- Humilité : reconnaît ses erreurs sans se dévaloriser
- Autonomie : cherche la solution avant de demander
- Esprit d'apprentissage : parle de ressources, projets perso, communautés

> ⚠️ Si la note Attitude est ≤ 2, ne pas retenir — peu importe le reste.

**Note : ___ / 5**

---

## 5. 🧠 LOGIQUE & COMPRÉHENSION — /5
> Objectif : voir comment il réfléchit

**Questions à poser**
- Tu reçois un dataset que tu ne connais pas. Quelles sont tes premières étapes ?
  - *Attendu : EDA, qualité des données, compréhension des variables*
- Si on te demande d'analyser un jeu de données, comment tu organises ton travail du début à la fin ?
- Tu ne comprends pas une colonne dans une base de données. Qu'est-ce que tu fais ?
  - *Attendu : cherche du contexte, observe les valeurs, consulte la documentation, ne devine pas*
- Tu dois expliquer un résultat d'analyse à quelqu'un non technique. Comment tu t'y prends ?
  - *Attendu : adapte son langage, commence par le message principal, évite le jargon, utilise des exemples ou visuels*

**Ce que tu observes**
- Ne devine pas, cherche du contexte avant de conclure
- Mentionne la documentation ou demande à l'équipe métier
- Adapte son langage selon l'audience
- Structure sa pensée avant de répondre

**Note : ___ / 5**

---

## 6. 📊 CONNAISSANCES DATA — /5
> Objectif : filtrer les faux profils

### Bases data
- Quelle est la différence entre Data Analysis et Data Science ?
- C'est quoi une base de données relationnelle ? Clé primaire / clé étrangère ?
- C'est quoi un dataset structuré vs non structuré ? Et ETL ?

### SQL — obligatoire 🔥
- Comment récupérer les 10 premières lignes ? C'est quoi GROUP BY ?
- Différence WHERE vs HAVING ?
- Explique un JOIN avec un exemple. Comment trouver les doublons ?
- Comment trouver le 2ème salaire le plus élevé ?
- Comment calculer un total par catégorie ?

### Python / Pandas
- Quelles librairies tu utilises en data ? Différence Pandas vs NumPy ?
- C'est quoi un DataFrame ? Différence `.loc` vs `.iloc` ?
- Comment supprimer les doublons ?

### Statistiques (niveau alternant)
- Moyenne vs médiane ? Variance ? Corrélation ?

### Machine Learning (fondamentaux)
- Différence classification vs régression ?
- C'est quoi un modèle supervisé ? Une feature ?
- C'est quoi l'overfitting ? Un hyperparamètre ?
- C’est quoi un dataset d’entraînement / test ?

### Évaluation de modèle
- Donne moi 3 métrique pour évaluer un ML model
- Comment détecter qu’un modèle surapprend ?
- Pourquoi faut-il évaluer un modèle sur des données qu’il n’a jamais vues ?
- Dans quel cas l’accuracy peut être trompeuse ?

### Data quality & visualisation
- Comment gérer les données manquantes ? Comment détecter les outliers ?
- Quel graphique pour quelle situation ? C'est quoi un KPI ?
- Différence dashboard vs rapport ?

> **Question clé — à poser absolument :**
> *"Explique-moi un projet data de A à Z"*
> Tu dois entendre : problème → données → méthode → résultat → amélioration possible

**Note : ___ / 5**

---

## 📝 RÉCAPITULATIF

| Axe | Note |
|-----|------|
| Motivation | ___ / 5 |
| Communication FR | ___ / 5 |
| Communication EN | ___ / 5 |
| Attitude & Potentiel | ___ / 5 |
| Logique & Compréhension | ___ / 5 |
| Connaissances Data | ___ / 5 |
| **TOTAL** | **___ / 30** |

### Grille de décision

| Score | Décision |
|-------|----------|
| ≥ 22 / 30 | ✅ Profil solide — à retenir |
| 18–21 / 30 | ⚠️ Potentiel — à discuter selon l'axe faible |
| Attitude ≤ 2 | ❌ Non, peu importe le reste |
| < 15 / 30 | ❌ Ne pas retenir |