Changer de voie pour la data science quand on sort d’un doctorat en lettres, en droit ou en sciences humaines, c’est tout à fait possible, et franchement moins rare qu’on ne le croit. La rigueur analytique, la capacité à structurer un raisonnement complexe, la gestion de grandes masses d’informations : autant de compétences forgées pendant une thèse qui trouvent une seconde vie dans les métiers de la donnée. Ce n’est pas un raccourci, mais ce n’est pas non plus un parcours interdit.
La vraie question, celle que beaucoup se posent en silence, c’est : par où commencer quand on n’a jamais écrit une ligne de Python et qu’on arrive avec un profil que les recruteurs ne savent pas toujours lire ? Les réponses existent, elles demandent juste d’être cherchées au bon endroit et avec les bons repères.
Datauniversity.fr fait le point sur les chemins concrets pour réussir une reconversion en data science avec un profil atypique, qu’on vienne d’un doctorat scientifique ou d’une formation sans lien apparent avec les mathématiques ou l’informatique.
Reconversion data science avec un doctorat non scientifique : c’est possible (et même un avantage)
Vous avez un doctorat en lettres, en histoire, en psychologie ou dans une autre discipline non technique, et vous vous demandez si la data science est vraiment accessible pour vous ? La réponse courte : oui, absolument. Et votre profil est probablement plus solide qu’il n’y paraît.
Un doctorat, quelle que soit la discipline, forme à une chose essentielle que beaucoup de techniciens n’ont pas : la rigueur analytique, la pensée critique et la capacité à poser les bonnes questions. Or, c’est exactement ce que McKinsey identifie comme plus précieux qu’un diplôme figé dans le temps.
La curiosité intellectuelle, la narration de données complexes, la collaboration sur des projets longs, autant de compétences que vous avez déjà. Il ne vous manque que les outils techniques, et ça, ça s’apprend.
Concrètement, voici la feuille de route technique à suivre dans l’ordre :
- SQL : requêtes, jointures, agrégations, window functions
- Python avec Pandas et NumPy pour manipuler les données
- Statistiques appliquées : distributions, tests statistiques
- Visualisation avec Matplotlib, Seaborn ou Plotly
- Machine Learning : régression, arbres de décision, et la suite
Ce n’est pas une liste effrayante. C’est une progression logique, et chaque étape s’appuie sur la précédente. En quelques mois de travail régulier, vous pouvez couvrir l’essentiel.
« La capacité à apprendre en continu est plus précieuse qu’un diplôme figé. », McKinsey
Le marché confirme cette tendance : 346 000 professionnels de la data à former en Europe d’ici 2026, et les entreprises ne peuvent pas se permettre d’attendre le candidat parfait sur le papier. Un poste non pourvu coûte cher, et les recruteurs le savent.
Formation data science après une licence informatique
Si vous avez une licence en informatique, vous partez avec une longueur d’avance réelle. Vous connaissez déjà la logique algorithmique, les bases de données, peut-être même un peu de Python ou de SQL. La transition vers la data science est alors une spécialisation, pas une reconversion totale.
Ce qui change concrètement, c’est l’orientation vers l’analyse et la modélisation des données. Là où votre licence vous a appris à construire des systèmes, la data science vous apprend à extraire du sens depuis des volumes massifs d’informations.
Voici un aperçu des métiers accessibles et des outils associés selon votre niveau de spécialisation :
| Métier | Outils principaux | Mission clé |
|---|---|---|
| Data Analyst | SQL, Python, Excel, Tableau, Power BI | Transformer des données brutes en insights stratégiques |
| Data Scientist | Python, Scikit-learn, TensorFlow, PyTorch | Construire des modèles prédictifs et d’apprentissage automatique |
| Data Engineer | SQL, Python, NoSQL, AWS, Azure, GCP | Concevoir et maintenir les pipelines de données |
| Spécialiste Automation | Python, outils RPA | Automatiser les tâches répétitives à grande échelle |
Avec une licence informatique, une formation courte et ciblée suffit souvent. Comptez 3 mois en temps complet ou 7 mois en temps partiel pour atteindre un niveau opérationnel sur le marché.
Les salaires à l’entrée sont encourageants : entre 34 000 et 46 000 € brut par an pour un profil junior, et jusqu’à 80 000 € pour un profil senior expérimenté. Ce n’est pas rien pour une reconversion réussie en moins d’un an.
Formation data science en ligne : quelles options disponibles ?
Bonne nouvelle : vous n’avez pas besoin de retourner à l’université pendant trois ans. Les formations en ligne ont considérablement évolué, et certaines sont reconnues officiellement.
Il existe trois grandes catégories de formations accessibles aujourd’hui :
- Les formations diplômantes : Licence, Master, BTS, longues mais reconnues par l’État
- Les certifications professionnelles : titres à finalité professionnelle, souvent éligibles au CPF
- Les formations qualifiantes : non diplômantes mais très opérationnelles, idéales pour une reconversion rapide
Pour financer votre formation, plusieurs dispositifs existent et sont souvent cumulables :
- CPF (Compte Personnel de Formation)
- PTP (Projet de Transition Professionnelle)
- AIF via France Travail (si vous êtes demandeur d’emploi)
- Financement employeur dans le cadre du plan de développement des compétences
Un chiffre qui donne confiance : DataBird affiche un taux d’insertion professionnelle de 93 % dans les six mois suivant la formation, sur des centaines de personnes formées. Ce n’est pas un hasard, les entreprises cherchent des compétences concrètes, pas uniquement des diplômes.
La vraie question à se poser n’est pas « ai-je le bon diplôme ? » mais « suis-je prêt à apprendre régulièrement et à construire des projets concrets ? ». Si la réponse est oui, le reste est une question d’organisation et de financement.
Votre doctorat non scientifique : comment le « vendre » concrètement aux recruteurs data ?
Avoir les compétences, c’est bien. Savoir les présenter à un recruteur qui cherche un « data scientist avec 3 ans d’expérience en Python », c’est une autre histoire. Et c’est souvent là que les profils atypiques butent, pas sur les compétences réelles, mais sur la mise en forme du discours.
Le portfolio de projets (votre meilleure carte de visite)
Un recruteur data ne lit pas vraiment un CV de la même façon qu’un recruteur classique. Ce qu’il cherche en priorité, c’est la preuve que vous savez faire. Concrètement, ça veut dire quoi ? Un portfolio GitHub avec deux ou trois projets bien documentés vaut souvent plus qu’un diplôme technique moyen. Prenez un sujet que vous connaissez grâce à votre doctorat, analyse de corpus textuels en histoire, traitement de données d’enquête en psychologie, et appliquez-y des outils data. Vous transformez ainsi votre expertise disciplinaire en démonstration technique concrète.
Un projet data ancré dans votre domaine d'origine montre deux choses à la fois : vous savez coder ET vous savez poser une vraie question de recherche.
C’est exactement le profil rare que beaucoup d’entreprises cherchent sans toujours savoir comment le nommer.
Les secteurs qui recrutent spécifiquement des profils « hybrides »
Tous les secteurs ne se valent pas quand on arrive avec un doctorat en sciences humaines. Certains valorisent vraiment cette double culture, là où d’autres restent très attachés aux profils purement techniques. Voici les domaines où votre profil atypique devient un vrai atout différenciant :
- Les médias et la presse : analyse d’audience, traitement de données textuelles, fact-checking automatisé
- Les ONG et institutions publiques : évaluation de politiques, analyse d’impact social
- La santé et la recherche clinique : interprétation de données qualitatives, biostatistiques accessibles
- Les RH et le recrutement : people analytics, analyse des comportements organisationnels
- L’éducation et les EdTech : learning analytics, personnalisation des parcours
Dans ces secteurs, comprendre le contexte humain derrière les données n’est pas un bonus, c’est une condition pour produire des analyses qui ont du sens.
Le piège du syndrome de l’imposteur (et comment s’en sortir)
Soyons francs : beaucoup de docteurs en reconversion data passent des mois à se dire qu’ils ne sont « pas encore prêts », qu’il leur manque encore un cours, encore une certification. C’est humain, mais c’est aussi un frein réel. La recherche sur la prise de décision en carrière montre que les profils académiques ont tendance à surestimer le niveau requis pour postuler, notamment parce que la culture du doctorat valorise l’exhaustivité avant l’action. Or, le marché data fonctionne différemment : postuler avec 70 % des compétences requises est non seulement acceptable, c’est souvent attendu. Les entreprises forment en interne, elles cherchent du potentiel autant que de la maîtrise immédiate. Alors, si vous avez vos premiers projets en ligne et les bases techniques couvertes, c’est le moment de tester le marché, pas d’attendre la perfection.
Faut-il un doctorat pour devenir data scientist (spoiler : non) ?
C’est la question que tout le monde se pose avant de se lancer. Et la réponse est claire : un doctorat n’est pas requis pour décrocher un poste en entreprise. Ce qui compte vraiment, c’est ce que vous savez faire concrètement. Des profils sans thèse réussissent très bien leur entrée dans le métier, à condition de miser sur la pratique et des projets solides à montrer. Pensez à Git, par exemple : maîtriser cet outil de gestion de code, c’est le genre de compétence basique mais indispensable que les recruteurs regardent.
Alors, par où commencer ? Deux chemins principaux s’offrent à vous. Les bootcamps (3 à 6 mois) sont intensifs, très orientés « apprendre en faisant », et souvent finançables via le CPF ou Pôle Emploi, ce qui change tout si vous êtes en reconversion. Si vous avez déjà un bagage solide en maths appliquées ou similaire, un master spécialisé comme le Master ENSAI peut valoriser ce que vous avez déjà et vous repositionner efficacement. C’est exactement le chemin qu’a emprunté Gaëlle : partie de la logistique, passée par un poste d’ingénieure, elle est aujourd’hui data scientist grâce à un master.
Le bon parcours, c’est celui qui correspond à votre point de départ, pas à un modèle idéal.
Une fois les bases acquises, vous pouvez vous spécialiser selon ce qui vous attire : le NLP (traitement du langage naturel, pour tout ce qui touche au texte et aux chatbots) ou les séries temporelles (pour analyser des données qui évoluent dans le temps, comme des ventes ou des capteurs). Ces spécialisations se construisent après, pas avant.
Quels sont les métiers qui recruteront le plus d’ici à 2030?
