Stage data scientist : décrocher un vrai sujet de modélisation

Le titre de data scientist attire énormément de candidats, et beaucoup de stages portent ce nom sans en avoir le contenu. Cet article est pour toi si tu es en M1 ou M2 (école d'ingénieurs, master de mathématiques appliquées, statistiques, informatique ou économétrie) et que tu cherches un stage où tu construiras vraiment des modèles, pas seulement des graphiques.

La réponse courte : un stage de data scientist, c'est construire, tester et parfois mettre en production des modèles statistiques ou d'apprentissage automatique pour répondre à une question métier (fraude, recommandation, prévision de pannes). L'Onisep place le niveau d'accès à bac + 5 et le salaire débutant à partir de 3 100 € brut par mois (source : Onisep). Pour être retenu, prouve deux choses : que tu sais valider un modèle honnêtement, et que ton code peut vivre en dehors d'un notebook. Vise les équipes où un data scientist confirmé relira ton travail, et commence ta recherche 5 à 6 mois avant ton stage de fin d'études.

Ce qu'une équipe attend vraiment d'un stagiaire data scientist

L'Apec découpe le métier en cinq blocs : extraire et structurer les données, élaborer des algorithmes d'intelligence artificielle, industrialiser les modèles dans les applications, participer aux projets avec les équipes métiers, faire de la veille (source : Apec, fiche data scientist). Elle ajoute un point décisif : cette « double expertise en statistiques et en développement informatique » rend le profil « rare pour les entreprises ».

Pour un stagiaire, ça veut dire que tu seras jugé sur trois gestes :

1. Poser le problème. Transformer « on veut réduire les résiliations » en une variable cible, une période d'observation et une métrique d'évaluation. C'est souvent la partie la plus longue.
2. Valider sans te mentir. Découper correctement tes données dans le temps, éviter les fuites d'information (une variable qui contient déjà la réponse), comparer à une règle simple avant de sortir un modèle complexe.
3. Rendre le modèle utilisable. Un code propre, des tests, une fonction qu'un développeur peut appeler. L'Apec cite explicitement l'industrialisation, la participation à la recette (les vérifications avant mise en production) et le suivi des modèles une fois en service (source : Apec).

L'Onisep rappelle aussi que le data scientist passe du temps avec ses collègues pour comprendre leur demande et identifier les sources de données (source : Onisep). Un stagiaire qui ne sort jamais de son notebook passe à côté de la moitié du métier.

Recherche, produit, conseil : trois stages qui n'ont rien à voir

Avant d'écrire la moindre candidature, décide quel type de stage tu veux. Ta lettre et ton CV ne seront pas les mêmes.

L'Apec note que la finalité change beaucoup selon le secteur : détection de fraude en banque et finance, modèles de recommandation dans le commerce, reconnaissance d'image ou de voix dans l'automobile, le médical ou la défense (source : Apec). Les techniques restent proches ; le vocabulaire et les contraintes changent.

Côté employeurs, au 27/09/2026, le catalogue JobCheater compte 2 360 entreprises en France dans la data et l'intelligence artificielle où nous avons un contact ; parmi elles, 178 cabinets de conseil et 48 start-up, le reste étant surtout des entreprises tech (source : catalogue JobCheater, requête du 27/09/2026 ; seules comptent les entreprises où nous avons au moins une adresse trouvée ou déduite, et le catalogue n'est pas exhaustif). Si tu hésites encore entre analyse et modélisation, compare avec notre guide du stage de data analyst.

Le portfolio qui fait la différence

Tout le monde a fait un projet de classification sur un jeu de données célèbre. Ça ne te distingue plus. Voici ce qui retient l'attention d'un responsable data science :

• Un projet avec une vraie contrainte. Des données déséquilibrées, du temps réel, peu d'exemples étiquetés, un coût d'erreur asymétrique. Explique comment tu l'as gérée.
• Une section « ce qui n'a pas marché ». Le modèle complexe qui ne battait pas une régression logistique, la variable qui fuyait. C'est la preuve que tu valides honnêtement.
• Du code emballé. Un dépôt avec un fichier de dépendances, des tests, une petite interface ou une API qui sert le modèle. En entretien, c'est souvent là-dessus qu'on te pousse.
• Une page de synthèse. Une demi-page en français courant : le problème, la métrique, le résultat, la limite principale.

Un projet de ce type vaut plus qu'une liste de cours en ligne. Si tu as un stage précédent confidentiel, décris la démarche sans les données : les recruteurs le comprennent très bien.

Le règlement européen sur l'IA : le sujet qui montre ta maturité

Peu de candidats en parlent, alors que c'est devenu un sujet concret pour les équipes. Le règlement européen sur l'intelligence artificielle (souvent appelé AI Act) a été publié le 12 juillet 2024 et s'applique par étapes depuis le 1er août 2024 ; une version amendée est entrée en vigueur le 27 juillet 2026 (source : CNIL). Il classe les systèmes d'IA en quatre niveaux de risque : inacceptable (pratiques interdites), haut risque, risque spécifique en matière de transparence, risque minimal.

Deux points à connaître pour un entretien :

• Les systèmes utilisés dans le recrutement, la biométrie ou l'éducation font partie des systèmes à haut risque, dont les règles s'appliqueront à partir du 2 décembre 2027 (source : CNIL). Si l'entreprise que tu vises travaille dans ces domaines, c'est une question pertinente à poser.
• Le règlement ne remplace pas le RGPD : il s'y ajoute (source : CNIL). Tout modèle entraîné sur des données personnelles reste soumis aux règles de protection des données.

Tu n'as pas besoin d'être juriste. Une phrase comme « je me suis intéressé à la façon dont vous documentez vos modèles de scoring pour les exigences du règlement IA » montre que tu comprends que la data science se pratique dans un cadre.

Écrire à un responsable data science

Dans les grandes entreprises, les stages passent souvent par une plateforme de candidature. Mais dans beaucoup de structures (PME, start-up, filiales, cabinets de taille moyenne), un mail bien ciblé au responsable data ou au lead data scientist arrive plus vite au bon endroit. Pour trouver la personne et son adresse, notre article sur à qui envoyer ta candidature spontanée donne la méthode.

Ce modèle est fictif : garde la structure (sujet précis, résultat honnête, lien), remplace tout le reste par tes vrais éléments. Pour l'objet, les relances et le reste du mail, suis notre guide complet de la candidature spontanée.

Ce type de mail demande un vrai travail de recherche sur chaque entreprise. Pour tenir le rythme sur plusieurs dizaines d'équipes, JobCheater rédige une candidature propre à chaque entreprise à partir de ton profil, puis l'envoie depuis ta boîte mail. Tu relis, tu gardes la main ; l'entreprise décide ensuite si elle te rappelle.

Calendrier, durée et conditions

• Stage de fin d'études : en général 6 mois, souvent de février-mars à août-septembre. Les grandes entreprises ouvrent leurs offres dès l'automne ; les équipes plus petites décident à 2 ou 3 mois. Démarre en octobre-novembre pour un début en mars.
• Durée maximale : 6 mois par année d'enseignement et par organisme, soit 924 heures de présence (source : Service-Public).
• Gratification : au moins 4,50 € par heure en 2026 dès que le stage dépasse 2 mois (source : Service-Public). Les montants réels varient beaucoup selon l'entreprise.
• Test technique : exercice de modélisation à la maison, questions de statistiques (biais, variance, choix d'une métrique), parfois du code en direct. Prépare une explication claire d'un de tes projets de bout en bout.

Pour l'après : l'Apec observe dans les offres d'emploi de data scientist des rémunérations annuelles brutes comprises entre 35 k€ et 60 k€ pour 80 % d'entre elles, avec une moyenne de 46 k€, tous niveaux d'expérience confondus (source : Apec).

Les erreurs qui trahissent un profil junior

• Annoncer une précision de 98 % sans dire sur quel découpage, contre quelle référence, avec quel déséquilibre de classes. Pour un recruteur, c'est un signal d'alerte, pas un exploit.
• Confondre la data science et l'outil. « Je maîtrise TensorFlow » ne dit rien de ta capacité à choisir une métrique.
• Négliger le code. Un notebook de 400 cellules sans fonction ni test inquiète une équipe produit.
• Accepter un stage « data scientist » qui consiste à faire des exports Excel. Demande quel modèle a été mis en production par l'équipe l'an dernier : la réponse en dit long.
• Viser seulement les entreprises connues. Les équipes data des industriels, des assureurs ou des acteurs de l'énergie proposent des sujets passionnants et reçoivent souvent moins de candidatures.

Tes candidatures spontanées, écrites et envoyées depuis ta boîte mail

JobCheater écrit une candidature différente pour chaque entreprise, à partir de ton vrai CV, et l'envoie depuis ton Gmail ou ton Outlook, avec suivi et relance. Tu choisis les entreprises. L'outil ne promet ni réponse ni stage : il te rend le temps que prend l'envoi.

Lancer ma campagne

À partir de 4,90 €/semaine, sans engagement, résiliable en un clic.

Faits vérifiés sur les sources citées le 27 septembre 2026. Notre politique éditoriale explique comment nos guides sont préparés, vérifiés et corrigés.