--- title: "Grille d'évaluation d'entretien — Alternant Data/IA" type: career area: career status: reference interview_role: "Interviewer (Me)" category: "Conducting Interview" target_candidate: "Alternant Candidates" role: "Data Science & AI Engineer" stage: "Evaluation Grid" date: 2026-05-03 created: 2026-05-03 updated: 2026-03-25 tags: - career - conducting-interviews --- # 🎯 1. MOTIVATION (/5) 👉 Objectif : vérifier cohérence + intérêt réel ### Questions - Pourquoi tu veux faire de la Data / IA ? - Pourquoi une alternance et pas une formation classique ? - Pourquoi notre entreprise / secteur ? - Quel type de projet data t’intéresse le plus ? - Tu fais quoi concrètement pour progresser en data ? (GitHub, cours, projets…) ### Bon candidat ✔ Réponse claire + exemples concrets ❌ Réponse vague (“c’est l’avenir”) --- # 🗣️ 2. COMMUNICATION FR (/5) 👉 Objectif : vulgarisation (clé en data) ### Questions - Explique-moi ton dernier projet data - Explique le Machine Learning simplement - Comment tu expliques un résultat à un manager ? - Donne-moi un exemple où tu as expliqué quelque chose de complexe ### Ce que tu observes - Structure (problème → solution → résultat) - Clarté - Capacité à simplifier --- # 🇬🇧 3. COMMUNICATION ANGLAIS (/5) 👉 Objectif : niveau pro minimum ### Questions - Can you introduce yourself? - Can you explain one of your projects? - What is machine learning? - Explain a technical concept in simple terms ### Ce que tu observes - Fluidité - Compréhension - Capacité à expliquer --- # 🧩 4. ATTITUDE & POTENTIEL (/5) 👉 CRITÈRE LE PLUS IMPORTANT 🔥 ### Questions comportementales - Parle-moi d’un challenge que tu as eu - Raconte une erreur que tu as faite - Que fais-tu quand tu es bloqué ? - Comment tu travailles en équipe ? ### Questions mindset - Comment tu apprends une nouvelle techno ? - Comment tu gères une deadline ? ### Ce que tu observes - Curiosité - Humilité - Autonomie - Esprit d’apprentissage --- # 🧠 5. LOGIQUE & COMPRÉHENSION (/5) 👉 Objectif : voir comment il réfléchit ### Questions 👉 **“Tu reçois un dataset que tu ne connais pas, quelles sont les premières étapes ?”** 🎯 Attendu : - exploration (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 ? 👉 **7.** _Quand tu ne comprends pas une colonne ou un champ dans une base de données, qu’est-ce que tu fais ?_ Tu vois s’il demande, teste, documente, ou s’il invente. - **ne devine pas**, - cherche du **contexte**, - pense à **observer les valeurs**, - pense à la **documentation**, **8.** _Tu dois expliquer un résultat d’analyse à quelqu’un qui n’est pas technique. Comment tu t’y prends ?_ - **adapter son niveau de langage**, - commencer par le **message principal**, - éviter le jargon inutile, - utiliser des **exemples** ou des **visuels**, --- # 📊 🔹 CONNAISSANCES DATA — QUESTIONS SUPPLÉMENTAIRES --- # 🧠 1. DATA BASICS (très important) 👉 Pour filtrer les faux profils - Quelle est la différence entre Data Analysis et Data Science ? - C’est quoi une base de données relationnelle ? - C’est quoi une clé primaire / clé étrangère ? - C’est quoi un dataset structuré vs non structuré ? - C’est quoi ETL ? --- # 🗃️ 2. SQL (OBLIGATOIRE 🔥) 👉 SQL = le plus important en entretien data ### Questions simples - Comment récupérer les 10 premières lignes d’une table ? - C’est quoi GROUP BY ? - Différence WHERE vs HAVING ? 👉 Ces concepts sont standards en SQL interview --- ### Questions intermédiaires - Explique un JOIN avec un exemple - Comment trouver les doublons ? - Différence DELETE vs TRUNCATE ? --- ### Questions pratiques (très bonnes) - Comment trouver le 2ème salaire le plus élevé ? - Comment calculer un total par catégorie ? - Comment gérer les valeurs NULL ? --- # 🐍 3. PYTHON / DATA MANIPULATION - Quelles librairies tu utilises en data ? - Différence Pandas vs NumPy ? - C’est quoi un DataFrame ? - Différence .loc vs .iloc ? - Comment supprimer les doublons ? 📌 Python est demandé dans 80%+ des entretiens --- # 📈 4. STATISTIQUES (niveau alternant) - C’est quoi la moyenne vs médiane ? - C’est quoi la variance ? - C’est quoi une distribution normale ? - C’est quoi une corrélation ? 👉 Question bonus : - Corrélation = causalité ? (TRÈS bon filtre) --- # 🤖 5. MACHINE LEARNING (fondamentaux) - Différence classification vs régression - C’est quoi un modèle supervisé ? - C’est quoi une feature ? - C’est quoi un dataset d’entraînement / test ? --- ### Questions un peu + avancées - C’est quoi overfitting ? - Comment améliorer un modèle ? - C’est quoi un hyperparamètre ? --- # 📊 6. ÉVALUATION DE MODÈLE (très différenciant) 👉 Peu de candidats maîtrisent ça - C’est quoi accuracy ? - Différence precision vs recall - Quand utiliser F1-score ? - Comment évaluer un modèle de régression ? 📌 Les métriques sont souvent testées en entretien --- # 🧹 7. DATA CLEANING (ULTRA IMPORTANT) 👉 Très utilisé en entreprise - Comment gérer les données manquantes ? - Comment détecter les outliers ? - Comment nettoyer un dataset ? - Pourquoi la qualité des données est importante ? --- # 📊 8. DATA VISUALISATION / BI 👉 Vu ton contexte (Power BI), très pertinent - Pourquoi la data visualisation est importante ? - Quel type de graphique pour quelle situation ? - C’est quoi un KPI ? - Différence dashboard vs rapport ? --- # 🔥 QUESTION CLÉ (à poser absolument) 👉 Celle-ci te donne 80% du niveau réel : **“Explique-moi un projet data de A à Z”** Tu dois voir : - problème - données - méthode - résultat - amélioration Process To follow in Technical - 2 SQL - 2 ML - 1 stats - 1 cas pratique