Je reçois régulièrement cette question de la part de mes étudiants en BTS SIO ou de professionnels en poste : faut-il se reconvertir vers les emplois data science ? Le sujet revient sans cesse, et pour cause. Le volume d’offres explose, les salaires sont attractifs, et les entreprises peinent à recruter des profils qualifiés. Mais entre l’engouement médiatique et la réalité du terrain, il y a parfois un écart que je souhaite clarifier dans ce guide complet.

Que vous soyez développeur web en quête de renouveau, administrateur système lassé de la maintenance ou tout simplement curieux d’un virage professionnel, je vais vous donner une vision honnête et documentée du marché des emplois data science en France. Mon objectif : vous aider à prendre une décision éclairée, sans survendre ni décourager.

Pourquoi la data science attire autant en 2026

Le constat est sans appel : la data science figure parmi les domaines les plus dynamiques du marché IT français. Selon les chiffres visibles sur les principales plateformes d’emploi, plus de 1 000 postes de data scientist sont ouverts simultanément sur Indeed, et des centaines d’autres apparaissent sur LinkedIn, Welcome to the Jungle ou France Travail. Ce n’est pas un effet de mode passager.

Plusieurs facteurs structurels expliquent cette demande soutenue :

• L’explosion des volumes de données : chaque entreprise, quelle que soit sa taille, génère et collecte des données qu’elle souhaite exploiter pour prendre de meilleures décisions
• L’essor de l’intelligence artificielle générative : les modèles de langage, la vision par ordinateur et le machine learning nécessitent des spécialistes capables de les entraîner, déployer et maintenir
• La pression réglementaire : le cadre posé par la CNIL sur l’IA et le RGPD obligent les organisations à recruter des profils capables de gérer la gouvernance des données
• La transformation numérique des secteurs traditionnels : santé, agriculture, industrie, logistique : tous investissent massivement dans la donnée

Pour un professionnel de l’IT déjà en poste, c’est une opportunité de carrière tangible. Si vous êtes par exemple en recherche d’offres en développement web, vous constaterez que de nombreuses compétences sont transférables : Python, SQL, logique algorithmique, versioning avec Git. Le pont entre le développement et la data science est plus court qu’on ne le pense.

Quels sont les métiers en data science

L’expression « data science » recouvre en réalité un écosystème de métiers complémentaires. C’est un point crucial à comprendre avant de se lancer, car chaque rôle demande des compétences et une sensibilité différentes. Voici les principaux profils que je croise sur le marché :

Data analyst : c’est souvent le point d’entrée le plus accessible. Le data analyst explore, nettoie et visualise les données pour aider les équipes métier à prendre des décisions. Il utilise principalement SQL, Excel avancé, Python ou R, et des outils de visualisation comme Tableau ou Power BI. C’est un excellent premier job pour débuter en data science.

Data scientist : le cœur du métier. Il conçoit des modèles prédictifs et des algorithmes de machine learning pour résoudre des problèmes business. Il maîtrise les statistiques, Python (scikit-learn, TensorFlow, PyTorch), et sait communiquer ses résultats aux décideurs. C’est le profil le plus recherché dans les offres d’emploi data scientist en France.

Data engineer : il construit et maintient les pipelines de données, c’est-à-dire l’infrastructure qui permet aux data scientists de travailler. Ses outils : Apache Spark, Airflow, Kafka, les services cloud (AWS, GCP, Azure). Sans data engineer, pas de data science opérationnelle.

ML engineer (Machine Learning Engineer) : à mi-chemin entre le data scientist et le développeur, il déploie les modèles en production. Il s’assure que le modèle fonctionne à l’échelle, avec des temps de réponse acceptables et une surveillance continue.

Data architect : il définit la stratégie globale de gestion des données dans l’entreprise. C’est un rôle senior qui nécessite une vision transverse et une expertise en bases de données SQL et NoSQL.

Pour une vue complète de ces profils et de leur positionnement, je vous recommande mon guide des métiers et salaires en data science qui détaille chaque parcours. Vous pouvez aussi consulter le top 7 des jobs les plus demandés pour identifier celui qui correspond le mieux à votre profil actuel.

Quel est le salaire moyen d’un data scientist

C’est la question qui revient systématiquement, et à juste titre. Le salaire est un critère déterminant dans une décision de reconversion. Voici ce que j’observe sur le marché français en 2026, en croisant les données de plusieurs sources (France Travail, études de rémunération Hays et PageGroup) :

Un data scientist junior (0 à 2 ans d’expérience) peut prétendre à un salaire brut annuel compris entre 38 000 et 45 000 € en province, et entre 42 000 et 50 000 € à Paris. Ces chiffres concernent les postes en CDI, qui représentent la majorité des offres data scientist CDI actuellement publiées.

Avec 3 à 5 ans d’expérience, la fourchette grimpe entre 50 000 et 65 000 €. Les profils confirmés qui maîtrisent le déploiement de modèles en production et possèdent une expertise sectorielle (finance, santé, retail) atteignent facilement le haut de la fourchette.

Les profils seniors (7+ ans) et les responsables d’équipe data dépassent régulièrement les 70 000 à 90 000 € brut annuel. En freelance, les tarifs journaliers oscillent entre 500 et 900 € selon la spécialisation et la localisation.

Selon l’INSEE, le salaire médian en France tous secteurs confondus se situe autour de 22 000 € net annuel. Les emplois data science se positionnent donc très nettement au-dessus de la moyenne nationale, ce qui en fait l’un des domaines les plus rémunérateurs de l’IT, aux côtés de la cybersécurité et du cloud engineering.

Un point important : ces salaires supposent des compétences réelles et vérifiables. Un certificat en ligne seul ne suffira pas à décrocher un poste à 45 000 €. Les recruteurs valorisent les projets concrets, les contributions open source et la capacité à résoudre des problèmes métier. Si vous souhaitez vous préparer à ce type d’entretien, consultez mon article sur la préparation d’un entretien technique en informatique.

Où travailler en tant que data scientist

L’un des avantages majeurs de la data science est la diversité des environnements de travail possibles. Contrairement à certains métiers IT très concentrés en Île-de-France, les emplois data science se répartissent sur l’ensemble du territoire, même si Paris reste le premier bassin d’emploi.

Les grandes entreprises et groupes du CAC 40 : banques (BNP Paribas, Société Générale), assureurs (AXA, Allianz), industriels (Airbus, Safran, Renault), opérateurs télécoms (Orange, SFR). Ces structures disposent d’équipes data étoffées et proposent des parcours de carrière structurés. La Poste, par exemple, recrute activement des data scientists pour optimiser ses opérations logistiques.

Les ESN et cabinets de conseil : Capgemini, Accenture, Sopra Steria, mais aussi des cabinets spécialisés data comme Dataiku, Quantmetry ou Artefact. C’est un bon point d’entrée pour un junior, car vous toucherez à plusieurs secteurs et technologies en peu de temps.

Les startups et scale-ups : elles offrent souvent plus de responsabilités et d’autonomie dès le départ. Les offres d’emploi data scientist débutant y sont fréquentes, avec un environnement propice à l’apprentissage rapide. Le revers : des salaires parfois légèrement inférieurs et une stabilité moindre.

Le freelance : pour les profils expérimentés (3+ ans), le travail indépendant est une option lucrative. Les missions en data science se trouvent sur des plateformes comme Malt ou Free-Work, avec des TJM attractifs. C’est une voie que j’explore en détail dans mon guide sur l’emploi en data science.

Les villes qui recrutent : Paris domine largement avec environ 40 % des offres. Mais Lyon, Toulouse, Nantes, Bordeaux et Lille affichent une croissance notable. Nantes, par exemple, bénéficie d’un écosystème tech dynamique avec des coûts de vie bien inférieurs à Paris. Le télétravail, désormais solidement ancré dans les pratiques, permet aussi d’accéder à des postes parisiens depuis n’importe quelle ville.

Les secteurs publics ne sont pas en reste : hôpitaux, collectivités territoriales et organismes de recherche (CNRS, INRIA, INSERM) recrutent des data scientists pour exploiter les données de santé publique, de mobilité ou d’environnement.

Comment réussir sa reconversion vers la data science

Une reconversion ne s’improvise pas. J’ai accompagné plusieurs dizaines de professionnels dans cette transition, et voici la méthode que je recommande, étape par étape :

1. Évaluez votre point de départ. Vos compétences actuelles déterminent le chemin à parcourir. Un développeur Python partira avec un avantage considérable. Un comptable maîtrisant Excel et les statistiques de base aura aussi des bases solides. Même sans bagage technique, une reconversion reste possible, mais le parcours sera plus long (12 à 18 mois contre 6 à 9 mois pour un profil IT).

2. Choisissez le bon format de formation. Plusieurs options existent :

• Formations diplômantes (Master, MSc) : 1 à 2 ans, souvent en alternance. Le format le plus complet mais aussi le plus engageant. Si vous envisagez l’alternance, mon article sur la formation développeur web en alternance vous donnera une idée du fonctionnement
• Bootcamps intensifs (Le Wagon, Jedha, DataScientest) : 3 à 6 mois. Bonne option pour une reconversion rapide avec un accompagnement structuré. Budget : 5 000 à 8 000 €, souvent finançable par le CPF
• Formations en ligne (Coursera, OpenClassrooms, DataCamp) : rythme flexible, coût réduit. Idéal en complément, mais rarement suffisant seul pour décrocher un poste
• Certifications professionnelles : Google Data Analytics, IBM Data Science, AWS Machine Learning. Consultez les meilleures certifications informatique gratuites pour commencer sans investissement

3. Construisez un portfolio de projets. C’est le nerf de la guerre. Les recruteurs veulent voir ce que vous savez faire, pas seulement ce que vous avez appris. Réalisez 3 à 5 projets concrets : analyse exploratoire, modèle de prédiction, dashboard interactif, déploiement d’une API REST en Python. Publiez-les sur GitHub et documentez votre démarche.

4. Réseautez activement. Participez aux meetups data de votre ville, contribuez sur Kaggle, échangez sur LinkedIn. Le bouche-à-oreille reste un canal de recrutement majeur, surtout pour les postes junior où la concurrence est forte.

5. Ciblez vos premières candidatures. Ne visez pas uniquement les postes de « data scientist ». Les offres de data analyst, de BI analyst ou de data scientist junior sont plus accessibles et constituent un tremplin solide. Une offre d’emploi data scientist débutant dans une ESN vous permettra de monter en compétences rapidement tout en étant rémunéré.

Est-ce trop tard pour se lancer après 30 ans

Non, et je le dis catégoriquement : il n’est jamais trop tard pour se reconvertir vers la data science. Cette crainte est compréhensible mais infondée, et je vais vous expliquer pourquoi avec des arguments concrets.

D’abord, le marché est en tension. Les entreprises peinent à trouver des profils qualifiés. Selon le baromètre des métiers en tension de France Travail, les métiers de la data figurent parmi les plus difficiles à pourvoir. Un candidat motivé de 35 ou 40 ans qui arrive avec un portfolio solide et une expérience professionnelle antérieure sera pris très au sérieux.

Ensuite, votre expérience passée est un atout, pas un handicap. Un ancien ingénieur industriel qui se reconvertit en data scientist apporte une connaissance métier inestimable. Un ex-commercial comprendra mieux les enjeux business derrière les données. Un ancien enseignant saura vulgariser les résultats d’analyse. Ces « soft skills » et cette expertise sectorielle font la différence face à un jeune diplômé qui ne connaît que la théorie.

Quelques exemples que j’ai observés dans mon entourage professionnel :

• Un chef de projet de 34 ans reconverti en data analyst après 6 mois de bootcamp, embauché en CDI à 40 000 €
• Une pharmacienne de 38 ans devenue data scientist spécialisée santé, recrutée par un laboratoire à 48 000 €
• Un comptable de 42 ans passé data analyst financier après une formation en alternance de 12 mois

Le vrai critère n’est pas l’âge, c’est la capacité à apprendre et à persévérer. Si vous êtes prêt à consacrer 6 à 18 mois à une formation sérieuse et à construire un portfolio, le marché vous accueillera. D’ailleurs, même travailler dans l’informatique sans diplôme est possible pour les plus déterminés.

Les compétences clés pour décrocher un emploi data science

Pour être opérationnel sur le marché des emplois data science, voici les compétences que je considère comme indispensables, classées par ordre de priorité :

Python : c’est le langage dominant en data science. Maîtrisez les bibliothèques fondamentales : pandas, NumPy, matplotlib, scikit-learn. Si vous débutez, commencez par des projets Python pour débutants avant de monter en complexité.

SQL : incontournable pour extraire et manipuler les données. Chaque data scientist interroge des bases de données au quotidien. La maîtrise des jointures, des agrégations et des sous-requêtes est un minimum. Mon comparatif SQL vs NoSQL vous aidera à comprendre les différences entre les paradigmes.

Statistiques et probabilités : distributions, tests d’hypothèses, régression, corrélation. Pas besoin d’un doctorat en mathématiques, mais une compréhension solide des fondamentaux est nécessaire pour interpréter correctement les résultats de vos modèles.

Machine learning : algorithmes supervisés (régression linéaire/logistique, arbres de décision, random forest, gradient boosting) et non supervisés (k-means, PCA). Savoir choisir le bon algorithme pour le bon problème est la marque d’un data scientist compétent.

Visualisation de données : savoir créer des graphiques clairs et pertinents avec matplotlib, seaborn, Plotly ou des outils comme Tableau et Power BI. La communication visuelle est ce qui distingue un bon data scientist d’un excellent.

Outils de versionning et collaboration : Git est indispensable. Savoir utiliser GitHub Actions pour automatiser son CI/CD est un plus apprécié des recruteurs, surtout pour les postes de ML engineer.

Environnement Linux et ligne de commande : de nombreuses infrastructures data tournent sous Linux. Connaître les commandes Linux indispensables et les bases du bash scripting vous rendra plus autonome.

Cloud computing : AWS (SageMaker, S3, Redshift), Google Cloud (BigQuery, Vertex AI) ou Azure (Azure ML). La majorité des projets data sont désormais hébergés dans le cloud.

Trouver son premier poste en data science

La recherche du premier emploi en data science est souvent la phase la plus stressante. Voici mes conseils pratiques pour maximiser vos chances, tirés de mon expérience de formatrice et de mon réseau professionnel.

Multipliez les canaux de recherche. Ne vous limitez pas à un seul site. Les offres d’emploi data scientist France se trouvent sur :

• France Travail : le portail public référence, avec des filtres par métier et localisation
• LinkedIn : activez les alertes sur « data scientist », « data analyst », « ML engineer ». Soignez votre profil avec vos projets et certifications
• Welcome to the Jungle : excellent pour les startups et scale-ups tech
• Indeed et HelloWork : volume important d’offres, y compris en CDI data scientist junior
• Free-Work : idéal si vous visez le freelance ou les missions courtes

Adaptez votre CV au poste visé. Un CV de data scientist n’est pas un CV classique. Mettez en avant vos projets, vos compétences techniques (avec le niveau de maîtrise), et vos résultats chiffrés. Utilisez un bon éditeur de code pour formater proprement votre portfolio en ligne.

Préparez-vous aux entretiens techniques. Les processus de recrutement en data science incluent généralement :

• Un entretien RH classique (motivation, parcours, prétentions salariales)
• Un test technique : exercice de code en Python, requêtes SQL, analyse de données sur un jeu réel
• Un cas pratique (« take-home ») : on vous donne un dataset et 48h pour produire une analyse ou un modèle
• Un entretien de restitution : vous présentez vos résultats et défendez vos choix méthodologiques

Ne négligez pas les postes tremplins. Si le poste de data scientist vous semble encore hors de portée, commencez par un rôle de data analyst ou de BI developer. Après 12 à 18 mois en poste, la transition vers un rôle de data scientist sera naturelle et crédible. C’est une stratégie que je détaille dans mon article sur quel job viser en data science quand on débute.

Enfin, négociez votre salaire. Même en tant que junior, vous avez un pouvoir de négociation dans un marché en tension. Renseignez-vous sur les fourchettes salariales de votre ville et de votre secteur cible. Un data scientist junior offre d’emploi à Paris affichant 35 000 € est en dessous du marché : n’hésitez pas à demander davantage si votre profil est solide.

L’écosystème de l’intelligence artificielle continue de se développer rapidement. Les entreprises qui investissent dans la data aujourd’hui cherchent des talents pour demain. Se positionner maintenant, c’est prendre une longueur d’avance sur un marché qui ne montre aucun signe de ralentissement.

Lucie Moreau

Formatrice IT indépendante depuis 2016, ancienne étudiante BTS SIO SLAM. 6 ans d'expérience en entreprise.