Banque, finance et assurance
Un secteur régulé où la conformité pèse autant que la compétence technique.
La banque, la finance de marché et l'assurance recrutent sous contrainte réglementaire permanente. Un recruteur crédible sait où se situe la frontière entre un profil « métier » et un profil « contrôle », et comprend que la validation d'une embauche passe presque toujours par la conformité.
Les enjeux du secteur
Conformité et traçabilité
DORA, RGPD, ACPR : toute solution — y compris un modèle d'IA — doit être auditable et documentée. Les candidats sont évalués sur leur capacité à travailler dans un cadre contraint.
Modernisation du legacy
Des systèmes cœur anciens cohabitent avec des plateformes data récentes. Les profils capables de faire dialoguer les deux mondes sont rares et donc chers.
Lutte contre la fraude et scoring
Détection d'anomalies, scoring crédit, KYC automatisé : les cas d'usage IA les plus financés du secteur, avec une exigence forte d'explicabilité.
Culture et fonctionnement
- Processus de décision long : trois à cinq entretiens, validation RH puis métier puis risque.
- Fort attachement au présentiel partiel, surtout sur les fonctions marché.
- Package structuré : fixe, bonus indexé, avantages sociaux importants.
- Vocabulaire feutré : on parle de « collaborateur », de « place » et de « ligne métier ».
Ce que le secteur attend d'un candidat
- Une expérience préalable en environnement régulé rassure plus qu'un CV purement tech.
- La capacité à documenter et à défendre une décision devant un auditeur.
- Une stabilité de parcours : les changements tous les douze mois sont scrutés.
- L'anglais opérationnel dès que le groupe est international.
Le vocabulaire à maîtriser
- KYC
- Know Your Customer : procédures de vérification de l'identité client.
- Middle office
- Fonctions de contrôle entre le front (vente) et le back (règlement).
- Explicabilité
- Capacité à justifier la décision d'un modèle auprès du régulateur.
Les métiers recrutés dans ce secteur
Data Scientist
Transforme la donnée en décision : analyse, modélisation, expérimentation et restitution.
Data Engineer (plateforme IA)
Construit les flux et les entrepôts de données qui alimentent les modèles.
Ingénieur MLOps
Industrialise le cycle de vie des modèles : déploiement, monitoring, reproductibilité, coûts.