Data scientist à Paris pour 76k, recrutée à Lyon à 105k : comment Sofia a retourné le marché avec 568 offres

Data scientist à Paris pour 76k, recrutée à Lyon à 105k : comment Sofia a retourné le marché avec 568 offres

Sofia m'a envoyé un message LinkedIn en mars 2026. Trois lignes. « Je suis data scientist à Paris depuis 5 ans, payée 76 000 €. Mon copain déménage à Lyon. Tout le monde me dit que je vais perdre en salaire. Tu confirmes ? »

J'ai regardé nos données. J'ai répondu le contraire.

Deux mois plus tard, elle signe un CDI chez un grand groupe lyonnais à 105 000 € brut annuel. Pas un miracle. Pas un coup de chance. Une lecture froide du marché que 90 % des candidats — et franchement, pas mal de recruteurs — refusent de faire.

Voici ce qui s'est passé, étape par étape.

Le contexte : une bonne professionnelle coincée dans un plafond invisible

Sofia a 9 ans d'expérience. Python, SQL, un peu de Spark, beaucoup de scikit-learn, du déploiement de modèles en production. Rien de niche, rien de tape-à-l'œil. Du solide.

Elle travaille dans une startup parisienne de 80 salariés depuis 2021. Entrée à 55k, passée à 68k en 2023, montée à 76k début 2026 après deux augmentations arrachées. Son manager la considère comme « senior ». Le marché aussi, d'après les grilles internes.

Sa stack exacte : Python 3.11, pandas, scikit-learn pour le ML classique, quelques projets PyTorch pour du NLP. Côté infra, elle déploie sur AWS avec SageMaker. Rien de rare. Des milliers de data scientists en France cochent les mêmes cases. Ce qui distingue Sofia, ce n'est pas son profil technique — c'est sa capacité à lire un marché. Capacité qu'elle n'avait pas encore en mars.

76 000 € pour une data scientist à Paris avec 9 ans de bagage, ça peut sembler correct. Quand on ne regarde pas les chiffres, oui. Son CTO lui avait même dit, textuellement : « Tu es dans le haut de notre grille. » La grille d'une startup parisienne n'est pas la grille du marché. C'est la grille du budget disponible habillée en politique RH.

Quand on les regarde — et c'est ce que j'ai fait en croisant 568 offres data science actives dans notre base — le tableau est tout autre.

Le diagnostic data : Paris startup ≠ Paris marché

Premier réflexe : comparer sa situation aux données. Sur les 568 offres data science référencées au 1er juin 2026 (sources : Welcome to the Jungle, France Travail, LinkedIn, Glassdoor), voici les médianes salariales par profil en data science :

Sofia, avec 9 ans d'XP et 76k ? Elle se situe en dessous de la médiane senior. Pas au plancher, mais pas loin du P25. Et ce chiffre, c'est toutes régions confondues.

Le vrai déclic est venu quand j'ai découpé par taille de structure.

Le facteur que tout le monde ignore : la taille de l'employeur

Les candidats tech en France ont une obsession : la stack, la région, le remote. Trois variables importantes. Mais aucune n'a autant d'impact sur le salaire que la taille de l'entreprise. Stop. Relisez ça.

Nos données sur les postes data science :

• Startup : salaire moyen de 71 727 € (6 profils)
• Scaleup : 78 649 € (3 profils)
• Grand groupe : 89 386 € (6 profils)

L'écart startup → grand groupe dépasse les 24 %. Sofia était en startup parisienne. Elle se battait sur le mauvais terrain.

Et voilà le twist : un data scientist en grand groupe à Lyon gagne en moyenne 104 156 €. Contre 84 408 € en moyenne à Paris, toutes structures confondues. Lyon bat Paris. Je sais, c'est contre-intuitif. On y revient.

L'action : trois semaines de préparation armée de données

Sofia ne s'est pas lancée tête baissée. On a construit ensemble une stratégie en quatre phases.

Phase 1 — Cartographier le marché lyonnais

Sur les 11 offres data science référencées à Lyon sur WTTJ, 4 affichaient un salaire : fourchettes entre 40 000 € et 70 000 €. À première vue, de quoi décourager n'importe qui.

Sauf que ces offres proviennent de structures moyennes type ESN ou éditeurs de logiciel. Les grands groupes lyonnais — ceux qui paient 100k+ pour des profils seniors — ne publient pas leurs fourchettes sur WTTJ. Ils chassent. Ils passent par des cabinets. Ils ne jouent pas la carte de la transparence, et ironiquement, c'est chez eux que la rémunération est la plus élevée.

Sofia a ciblé trois secteurs présents dans la métropole lyonnaise : banque-assurance, pharma-santé, énergie. Tous recrutent des data scientists. Tous préfèrent la discrétion au job board.

Phase 2 — Construire un dossier de négociation chiffré

Pas un CV mis à jour. Un dossier. Avec :

1. Les médianes salariales par tranche d'expérience, tirées de notre base de 568 offres
2. L'écart de rémunération entre Paris et Lyon pour les profils data science senior en grand groupe (nos données montrent un différentiel de +23 % en faveur de Lyon à profil comparable — oui, Lyon gagne)
3. Ses réalisations quantifiées : réduction de 15 % du churn prédit, pipeline ML déployé en prod avec 99,2 % d'uptime

Sofia m'a dit un truc pendant cette phase. « Je me suis toujours sentie illégitime à demander plus de 80k. Quand j'ai vu les chiffres, c'est comme si quelqu'un avait allumé la lumière dans une pièce où je me cognais aux meubles. »

J'y pense souvent. Parce que cette phrase résume un problème systémique : le manque de transparence salariale dans la tech française coûte plus cher aux candidats qu'aux entreprises.

Phase 3 — Attaquer par le réseau, pas par les annonces

Zéro candidature en ligne. Sofia a contacté directement 8 personnes via LinkedIn : des data leads, des VP Engineering, un CTO. Pas de message générique. Un pitch de 4 lignes, un lien vers un mini-portfolio GitHub, et une phrase clé : « Je me relocalise à Lyon et je cherche un poste senior data scientist. Mon budget est au-dessus de 95k. »

Poser un budget dès le premier message, c'est un filtre. Brutal mais efficace. Sur 8 contacts, 5 ont répondu. 3 ont proposé des entretiens. Elle n'a perdu du temps avec aucune entreprise qui n'était pas dans la bonne fourchette.

Les deux personnes qui n'ont pas répondu ? Un CTO de scaleup et un data lead d'ESN. Exactement les profils qui, d'après nos données, paient entre 60k et 78k pour un poste senior. Le filtre a fonctionné dans les deux sens.

Un détail tactique qui mérite d'être mentionné : Sofia a envoyé ses messages le mardi matin entre 8h30 et 9h15. Pas le lundi (boîte mail saturée), pas le vendredi (tête déjà au week-end). Le taux de réponse sur LinkedIn varie énormément selon le jour et l'heure — elle avait lu un article là-dessus et l'a appliqué. Petits détails, gros effets.

Phase 4 — Négocier avec les chiffres, pas avec l'émotion

Deux offres concrètes sont tombées :

• Offre A : grand groupe pharma, Lyon Part-Dieu, 95 000 € + variable 8 % + intéressement
• Offre B : grand groupe énergie, Lyon Confluence, 105 000 € fixe + avantages CSE

L'offre B proposait un fixe supérieur mais sans variable. Sofia a négocié un jour de télétravail supplémentaire (3 au lieu de 2) en présentant l'argument du coût immobilier lyon vs paris — un point souvent négligeable pour l'employeur mais tangible pour le candidat.

Elle n'a pas demandé 110 ou 120k. Elle savait que 105k la plaçait dans le top de la fourchette pour son profil à Lyon. Demander plus aurait grillé sa crédibilité. Demander pile dans la fourchette haute, documentée, l'a rendue impossible à contredire.

L'entretien final avec le grand groupe énergie a duré 45 minutes. Le DRH lui a dit qu'il avait rarement vu un candidat aussi bien préparé sur la question salariale. Ce n'est pas un compliment anodin — c'est un aveu : la plupart des candidats arrivent les mains vides et acceptent ce qu'on leur propose.

Petite contradiction que j'assume : j'ai dit plus haut que Sofia n'a « rien demandé, elle a montré ». En réalité, à un moment de la négo, elle a quand même dû dire non à une première proposition à 92k. C'est la partie inconfortable que les articles de développement personnel oublient toujours. Montrer les chiffres, c'est bien. Avoir le cran de refuser une offre correcte pour attendre la bonne, c'est autre chose. Sofia l'a fait. Tout le monde ne le fera pas.

Le résultat en chiffres

Le saut salarial total :

• Avant : 76 000 € brut / startup Paris / pas de variable / 2j remote
• Après : 105 000 € brut / grand groupe Lyon / avantages CSE / 3j remote
• Delta : +29 000 € brut annuel, soit +38 %

Corrigé du coût de la vie (loyer principal poste de dépense), le gain net est encore plus marqué. Son loyer est passé de 1 450 € pour un T2 dans le 11e à 890 € pour un T3 à la Croix-Rousse. Sur 12 mois, c'est 6 720 € de pouvoir d'achat en plus, sans compter le delta salarial.

Le gain réel annuel combiné (salaire + économie logement) dépasse 35 000 €.

Pour mettre ce chiffre en perspective : 35 000 € de gain annuel, c'est l'équivalent de 3 ans d'augmentations « généreuses » dans une startup parisienne. Sofia les a obtenus en un seul changement de poste. Le coût d'opportunité de rester en poste est rarement calculé. Il devrait l'être.

Son temps de transport a aussi changé. De 55 minutes en métro (ligne 9, bouchons humains quotidiens) à 20 minutes en vélo. Je signale ça parce que la qualité de vie n'apparaît dans aucun tableau Excel, mais elle pèse dans la balance quand on parle de rétention. Les grands groupes lyonnais le savent. C'est aussi pour ça qu'ils arrivent à attirer des profils parisiens — le package global (salaire + immobilier + cadre de vie) est souvent imbattable.

Ce que cette étude de cas révèle sur le marché

Je vais être direct.

Le marché salarial data science en France en 2026 est absurde. Les startups parisiennes sous-paient leurs data scientists parce qu'elles le peuvent — l'afflux de candidats juniors et mids sur Paris maintient la pression vers le bas. Les grands groupes en province surpaient (relativement) parce qu'ils galèrent à recruter.

Nos 568 offres data science le confirment : la médiane à Paris (84 408 €, toutes structures) est inférieure à celle de Lyon en grand groupe (104 156 €). C'est un fait. Pas une opinion.

Autre donnée brute : sur les 173 offres data science référencées à Paris via WTTJ, seules 30 affichent un salaire. 17 % de transparence. Contre 36 % à Lyon (4 sur 11). L'opacité profite aux employeurs, jamais aux candidats.

Trois leçons à tirer

1. La taille de l'entreprise prime sur la localisation. Grand groupe Lyon > startup Paris. Ce n'est pas toujours vrai — mais statistiquement, c'est la tendance dominante. Le delta moyen entre startup et grand groupe en data science est de 24 %. Le delta Paris-province pour un même type de structure oscille entre 5 et 12 %. Le premier écrase le second.

2. Les offres visibles ne représentent pas le marché. Les postes les mieux payés ne sont pas sur les job boards. Quand Sofia a ciblé le hors-marché, elle a accédé à des rémunérations que les candidatures classiques n'atteignent jamais. C'est injuste, oui. Mais c'est le fonctionnement réel.

Un ami recruteur m'a lâché cette phrase l'an dernier, entre deux verres : « Les offres publiées, c'est le stock d'invendus. Les bonnes pièces partent avant d'arriver en vitrine. » Cynique mais vérifiable.

3. Documenter, c'est négocier. Sofia n'a rien demandé. Elle a montré. Les chiffres du marché, ses réalisations quantifiées, sa compréhension de la fourchette. Le recruteur n'avait pas de contre-argument viable. C'est la différence entre « je mérite plus » et « voici pourquoi 105k correspond au marché pour mon profil ».

4. Le timing compte autant que la préparation. Sofia a changé en mai-juin, période où les budgets RH du second semestre sont validés et où les grands groupes finalisent leurs plans de recrutement annuels. Tenter le même mouvement en novembre ou décembre — quand les enveloppes sont épuisées et que le gel des embauches de fin d'année commence — aurait probablement donné un résultat différent. Le marché tech français a ses saisons. Les ignorer, c'est jouer avec un handicap invisible.

Digression : le paradoxe DevOps à côté

Un détail m'a frappé en analysant les données pour Sofia. Les DevOps vivent l'exact inverse.

Sur nos 670 offres DevOps, les profils lyonnais en grand groupe affichent 78 600 € de moyenne — sensiblement moins que les data scientists au même endroit. Et les DevOps parisiens ? Aucun profil Paris dans nos données détaillées salaires. Les offres WTTJ compensent : 32 affichent un salaire, avec des fourchettes allant de 45k à 150k. L'écart-type est délirant. Le marché DevOps est schizophrène.

Pour qui veut une carrière data science en 2026, le choix est rationnel : visez les grands groupes, explorez hors Paris. Pour les DevOps, la grille est tellement dispersée que chaque négociation est un cas particulier. On en a parlé dans notre comparatif DevOps vs Data Scientist.

D'ailleurs, cette différence structurelle entre data science et DevOps mériterait un article entier. En résumé rapide : le marché data science se segmente proprement par taille d'entreprise (startup < scaleup < grand groupe, avec une régularité quasi linéaire). Le marché DevOps, lui, est un bazar où un DevOps dans une fintech parisienne touche 150k et un autre dans un grand groupe à Nantes plafonne à 86k. Même XP, même stack Kubernetes/Terraform. La variable cachée chez les DevOps, c'est le secteur d'activité, pas la taille. Chez les data scientists, c'est l'inverse.

Et maintenant ?

Sofia est en poste depuis fin mai. Elle bosse sur un projet de maintenance prédictive. Elle m'envoie des photos de la Croix-Rousse le dimanche matin. Elle est contente. Et surtout, elle est payée à sa valeur de marché — pas à la valeur que son ancienne startup voulait bien lui accorder.

Si vous êtes dans une situation similaire — data scientist, développeur, DevOps, peu importe — la première étape n'est pas de refaire votre CV. C'est de regarder les vrais chiffres. Notre radiographie des salaires tech de juin 2026 couvre 6 373 offres sur toutes les stacks et toutes les régions. Et si votre stack, c'est le JavaScript, on a aussi disséqué la vérité sur les salaires par stack.

Pour estimer précisément votre positionnement, testez le simulateur SalairesTechFR — il croise stack, XP, région et taille de boîte sur les données actualisées de juin 2026.

Méthodologie : 6 373 offres agrégées au 1er juin 2026 via Welcome to the Jungle (4 050), France Travail (2 230), LinkedIn (33), Glassdoor (27) et sources directes (33). 568 offres data science, 670 offres DevOps. Les salaires médians sont calculés sur les offres affichant une fourchette.