Comment recruter un chercheur quantitatif : guide 2026

Pour recruter un chercheur quantitatif en 2026, définissez le mandat (classe d’actifs, fréquence, et besoin d’un chercheur pur ou d’un profil hybride recherche-vers-production), sourcez dans le vivier étroit où vit ce talent, et évaluez avant tout une qualité rare : la rigueur de distinguer un vrai signal d’un bruit ajusté à l’historique. La pire erreur de recrutement en recherche quantitative n’est pas le candidat qui échoue à un entretien. C’est celui qui présente un superbe backtest, décroche l’offre, puis perd discrètement de l’argent en réel parce que personne n’a interrogé la façon dont le résultat a été produit.

Ce guide parcourt la boucle complète, du sourcing à la présélection jusqu’à la conception de l’entretien, aux diplômes et à la rémunération, en mettant l’accent sur l’évaluation technique rigoureuse qui protège votre capital.

Étapes pour recruter un chercheur quantitatif

Recruter un chercheur quantitatif suit une séquence reproductible. C’est en sautant une étape que les fonds perdent les meilleurs candidats ou, pire, en embauchent un sûr de lui mais incapable de faire le travail.

1. Définissez d’abord le mandat. Classe d’actifs, fréquence (recherche factorielle basse fréquence vs. génération de signal haute fréquence), et chercheur pur vs. profil hybride recherche-vers-production.
2. Rédigez une spécification, pas une liste de souhaits. Séparez la profondeur analytique non négociable des connaissances métier qui s’apprennent.
3. Sourcez dans le vivier étroit. Meilleurs programmes de doctorat, fonds concurrents, et le pipeline du prop trading et des olympiades quantitatives.
4. Évaluez tôt l’aisance en maths et en code. Problèmes de probabilités et de statistiques chronométrés, jugés sur le raisonnement plutôt que sur le chiffre final.
5. Menez une évaluation de recherche réaliste. Un exercice à emporter sur un jeu de données, une critique de backtest, ou la présentation d’un projet qui révèle le surapprentissage et le biais d’anticipation.
6. Évaluez directement l’honnêteté scientifique. Le recrutement dangereux ne sait pas distinguer un signal durable d’une coïncidence ajustée au passé.
7. Avancez vite et payez au prix du marché. Les fonds de premier rang et les laboratoires d’IA de pointe se disputent la même liste restreinte, et les meilleurs candidats ont plusieurs offres.

À quoi ressemble le marché des chercheurs quantitatifs en 2026 ?

Le marché des chercheurs quantitatifs est l’un des marchés de talents les plus contraints en offre et les mieux rémunérés de toutes les industries, et il s’est encore resserré en 2026. La demande est structurelle et croissante, tandis que le vivier de personnes capables de construire des modèles statistiques inédits générant un alpha réel et exploitable n’a pas grandi aussi vite, loin de là.

Le rapport Jobs on the Rise 2026 de LinkedIn classe le poste de chercheur/analyste quantitatif au 20e rang des rôles à la croissance la plus rapide aux États-Unis, un signal directionnel indiquant que la demande quantitative accélère plutôt qu’elle ne ralentit. La compétition pour ce talent se concentre sur le buy side systématique : les hedge funds et les sociétés de trading pour compte propre comme Citadel, Two Sigma, D.E. Shaw, Jane Street, Hudson River Trading, Optiver, DRW et SIG.

Deux forces ont resserré un marché déjà tendu. D’abord, les périodes de préavis et de non-concurrence sur le buy side se sont nettement allongées. Le cabinet de recrutement Selby Jennings rapporte qu’une hausse en 2025 de la durée des préavis et des clauses de non-concurrence « a fortement impacté les calendriers de recrutement », les clauses de garden leave atteignant désormais couramment 12 mois et s’étirant parfois jusqu’à 24 voire 36. Un candidat que vous voulez aujourd’hui pourrait ne pas pouvoir commencer avant un an. Ensuite, un nouvel enchérisseur est entré dans la danse. Les entreprises d’IA de pointe comme OpenAI et Anthropic se disputent désormais directement le même talent en ML appliqué et en génération de signal, et les recruteurs notent que les quants « épuisés par la finance commencent à faire la transition ». Vous ne surenchérissez plus seulement face aux fonds rivaux. Vous surenchérissez face à toute l’industrie de l’IA pour les mêmes personnes.

Une précision de définition façonne toute conversation salariale. Le Bureau of Labor Statistics américain suit les « Financial Quantitative Analysts » sous le code 13-2099.01, qui se rattache au groupe large 13-2099 (Financial Specialists, All Other). Ce groupe a déclaré un salaire médian de 80 190 $ en mai 2024. Traitez cette médiane comme un plancher pour la catégorie large et un chiffre quasi inutile pour le rôle du buy side que couvre ce guide ; elle agrège analystes conformité, examinateurs de fraude et autres spécialistes, et non les chercheurs de hedge funds qui trônent en haut de la distribution.

Que rechercher chez un chercheur quantitatif ?

Évaluer un chercheur quantitatif, c’est apprécier une combinaison rare : une aisance théorique poussée, une programmation de qualité production, et la rigueur scientifique de distinguer un signal durable d’une coïncidence ajustée aux données historiques. Cette dernière qualité sépare un recrutement profitable d’un recrutement coûteux, et c’est la plus difficile à évaluer.

Fondations mathématiques et statistiques

Le socle non négociable, ce sont les probabilités et les statistiques. Les processus de recrutement de chercheurs quantitatifs s’appuient fortement sur la théorie des probabilités, l’inférence statistique, l’analyse des séries temporelles, et une part croissante d’apprentissage automatique et de reconnaissance de motifs pour les signaux issus de données alternatives. Les candidats doivent maîtriser la probabilité conditionnelle, les distributions, l’espérance, les tests d’hypothèses, et les hypothèses sous-jacentes à chaque modèle qu’ils manipulent. La profondeur compte plus que l’étendue. Les meilleurs fonds systématiques recrutent délibérément des mathématiciens purs et des physiciens issus de domaines ésotériques, parce que la machinerie analytique se transfère alors que les connaissances métier, elles, s’enseignent.

Programmation et capacité recherche-vers-production

Un chercheur quantitatif moderne écrit du code, pas du pseudocode. Python est la lingua franca attendue pour la recherche, avec R et MATLAB courants pour la modélisation et C++ (de plus en plus Rust) prisé pour les chemins critiques en performance. La friction de recrutement la plus aiguë en 2026, selon Selby Jennings, concerne les « quants à orientation ingénierie dotés d’une capacité de code de niveau production ». Le marché s’est détourné des chercheurs qui remettent un notebook à une équipe d’ingénierie pour se tourner vers ceux qui mènent une hypothèse jusqu’à une stratégie testée et déployable. Lorsque vous évaluez du code, allez au-delà du simple fait qu’il s’exécute et jugez s’il est correct, vectorisé, reproductible et honnête sur ses hypothèses.

Jugement de recherche et honnêteté scientifique

C’est le cœur du rôle et la source des erreurs de recrutement les plus catastrophiques. Le quotidien d’un chercheur quantitatif est une boucle scientifique : lire la littérature pour fonder une hypothèse, la formuler et la tester, la backtester hors échantillon avec des coûts de transaction réalistes, et seulement ensuite la mettre en œuvre. La compétence qui rend quelqu’un bon à cet exercice n’est pas le QI brut. C’est la rigueur de chercher à réfuter ses propres idées. Le candidat dangereux présente avec assurance un backtest au Sharpe de 4,0 et ne sait pas expliquer comment il s’est prémuni contre le surapprentissage, le biais d’anticipation ou le biais du survivant. Sondez directement : demandez comment il valide un signal, comment il saurait s’il a surappris, et ce qu’un projet raté lui a appris.

Maîtrise de l’IA et du ML

L’apprentissage automatique est passé de facteur de différenciation à attente de base, surtout pour la génération de signal, l’exécution et la construction de portefeuille, précisément les domaines que les recruteurs signalent comme les plus contraints. Cela ne veut pas dire que chaque chercheur doit être un spécialiste du deep learning. Cela veut dire qu’il doit comprendre où le ML apporte un véritable avantage par rapport aux statistiques classiques, et où il ne fait qu’ajouter une façon impressionnante de surapprendre. Les meilleurs candidats sont sceptiques face au ML, pas évangélistes.

Comment concevoir le processus d’entretien ?

L’entretien quantitatif est l’un des plus exigeants de tous les domaines, et un bon processus teste quatre choses distinctes en séquence : l’aisance mathématique, la capacité de code, le jugement de recherche et la collaboration. Ne les réduisez pas à un seul parcours de casse-têtes. Des sociétés comme Jane Street, Citadel et SIG sont réputées pour leur difficulté, mais la difficulté n’est pas synonyme de signal.

Présélection en probabilités et statistiques

Les premiers tours présentent généralement des problèmes de probabilités et de statistiques chronométrés, souvent formulés comme des casse-têtes ou des études de cas (dés, cartes, distributions), avec cinq à quinze minutes par question et une difficulté qui s’intensifie ensuite. L’enseignement crucial des spécialistes de l’entretien, c’est que la réponse finale compte moins que le raisonnement. Vous n’avez pas besoin de tomber sur le bon chiffre pour bien vous en sortir ; vous devez démontrer une résolution de problème structurée, une communication claire et de l’aisance avec les maths et la logique sous pression. Notez les candidats sur la façon dont ils décomposent un problème et verbalisent leur réflexion, pas sur la vitesse. Surpondérer celui qui résout une énigme le plus vite sélectionne l’entraînement aux énigmes, pas l’aptitude à la recherche.

L’évaluation de recherche

L’étape au plus fort signal est une tâche de recherche réaliste, pas un algorithme abstrait. Trois formats fonctionnent bien :

• Problème de recherche à emporter. Donnez aux candidats un jeu de données et une question ouverte. Évaluez la formation d’hypothèses, la rigueur de validation et la clarté avec laquelle ils communiquent l’incertitude.
• Critique de backtest. Remettez au candidat un backtest défectueux, ensemencé de biais d’anticipation ou de surapprentissage, et demandez-lui de trouver ce qui cloche. Cela teste directement le jugement qui protège votre capital.
• Présentation d’un problème en direct. Demandez au candidat de présenter un projet de recherche passé et interrogez les arbitrages, les échecs et les leçons retenues.

Tour de code

Un tour de code pratique, incluant de plus en plus des problèmes d’algorithmie aux côtés de tâches de manipulation de données, confirme que le candidat sait implémenter et pas seulement théoriser. Privilégiez les tâches qui ressemblent à de la vraie ingénierie de recherche (nettoyer des données en désordre, vectoriser un calcul, écrire une simulation correcte) plutôt que des anecdotes artificielles. Si vous proposez un volet de code à emporter, une revue native du contrôle de version vaut mieux que des fichiers zip envoyés par e-mail. C’est l’une des raisons pour lesquelles les équipes associent leur évaluation de recherche à des exercices de code intégrés à GitHub, afin que les relecteurs voient les commits réels du candidat, sa structure et son raisonnement plutôt qu’un artefact final poli.

Un avertissement pratique sur la longueur : gardez la boucle serrée. Un processus qui s’étire sur six tours et plusieurs semaines perd les meilleurs candidats au profit d’enchérisseurs plus rapides, un mode d’échec que nous abordons dans pourquoi trop de tours d’entretien font fuir vos meilleurs candidats.

Comment rédiger une fiche de poste de chercheur quantitatif ?

Une fiche de poste de chercheur quantitatif doit se lire comme une spécification, pas une liste de souhaits. L’échec le plus courant consiste à confondre la profondeur analytique, pour laquelle vous devez recruter, avec la familiarité métier, que vous pouvez enseigner. Séparez les deux explicitement.

Énoncez les vraies exigences. Un diplôme de troisième cycle (master ou doctorat) dans un domaine quantitatif est la norme. Une analyse des offres de Financial Quantitative Analyst a révélé qu’environ 64 % exigent un diplôme du supérieur, avec une nette préférence pour les filières STEM telles que la physique, les mathématiques, l’informatique et l’ingénierie. Soyez précis sur la programmation : « Python requis ; C++ ou Rust fortement préféré pour le travail en chemin de production » en dit bien plus à un candidat que « solides compétences en code ». Précisez le domaine de recherche (actions, taux, crypto, multi-actifs) et la fréquence, car un chercheur factoriel basse fréquence et un chercheur de signal haute fréquence sont deux recrutements distincts.

Listez ensuite ce qui est réellement optionnel. La connaissance de vos marchés spécifiques, de votre outillage interne ou de vos données propriétaires est un plus, pas un filtre. Sur-spécifier les connaissances métier rétrécit un vivier déjà minuscule et écarte les recrutements brillants venus d’autres disciplines (le géomètre algébriste, le physicien expérimental) que les fonds d’élite recherchent activement. Des exigences vagues ou surchargées ralentissent aussi tout le pipeline, un lien que nous décortiquons dans comment des exigences floues gonflent votre délai de recrutement.

Où sourcer des chercheurs quantitatifs ?

Le talent ne vit pas sur les sites d’emploi généralistes, alors publier-et-prier gaspille les précieuses semaines que vous ne pouvez pas vous permettre sur un marché à longues clauses de non-concurrence. C’est un problème de sourcing, pas de publicité.

Les viviers fiables sont étroits et bien connus : les meilleurs programmes de doctorat en mathématiques, physique, statistiques et informatique ; les fonds et prop shops concurrents (sous réserve des contraintes de non-concurrence) ; et le pipeline de la programmation compétitive et des olympiades quantitatives dans lequel des sociétés comme Jane Street et Optiver recrutent directement. Comme une si grande part de ce recrutement est outbound, votre démarche s’apparente davantage à de la chasse de têtes qu’à des candidatures inbound. Vous identifiez des personnes précises, souvent passives, et vous les convainquez d’accepter un appel.

Cette réalité outbound est là où l’approche structurée fait la différence. Plutôt que de suivre un tableur fait main de cibles et de relances, les équipes mènent des séquences de prospection à froid assistées par IA vers une liste restreinte sélectionnée, puis injectent les répondants directement dans le même pipeline qui héberge l’évaluation technique. Dans Kit, les campagnes de prospection et le pipeline de recrutement vivent dans un seul système, si bien qu’un chercheur que vous avez sourcé à froid ne se perd pas entre un CRM et votre ATS. Il s’agit de prospection ciblée vers des personnes que vous avez identifiées, pas de diffusion sur des sites d’emploi, ce qui est le bon modèle pour un marché aussi restreint.

Quelles certifications et quels diplômes comptent vraiment ?

La recherche quantitative n’est pas une profession réglementée, ce qui surprend les personnes venues de la comptabilité ou de l’actuariat. Aucune certification obligatoire ni licence réglementaire n’est requise pour exercer comme chercheur quantitatif côté buy side. Le vrai titre, c’est une aptitude analytique et de recherche démontrée, le plus souvent signalée par un diplôme de troisième cycle et un historique de réalisations.

Plusieurs certifications apparaissent sur les CV et pèsent différemment :

• Doctorat / master (le vrai titre). Un doctorat dans une discipline quantitative est le signal le plus fort pour un poste de recherche, à la fois pour la formation analytique et pour la preuve d’années de recherche indépendante. C’est ce que recherchent les meilleurs fonds.
• CQF (Certificate in Quantitative Finance). Un certificat orienté pratique couvrant les dérivés, le trading quantitatif, l’apprentissage automatique et l’ingénierie financière. Utile pour les personnes en reconversion qui démontrent leur engagement ; pas un substitut à la profondeur de recherche.
• CFA (Chartered Financial Analyst). Solide pour l’analyse d’investissement et les rôles discrétionnaires, et largement respecté, mais centré sur l’analyse fondamentale et moins aligné sur la recherche systématique que le CQF ou un master quantitatif.
• FRM (Financial Risk Manager). Surtout pertinent pour les rôles quantitatifs axés sur le risque (modélisation du risque de marché, de crédit, opérationnel) plutôt que pour la recherche génératrice d’alpha.

À retenir, concrètement : pondérez un doctorat et un historique de recherche vérifiable bien au-dessus de toute certification. Traitez le CQF et le CFA comme des signaux de sérieux chez les candidats atypiques, pas comme des exigences de filtrage. Présélectionner sur les seuls diplômes est l’un des moyens les plus rapides de rejeter une future étoile.

Combien payer un chercheur quantitatif ?

C’est sur la rémunération que l’écart entre les médianes publiées et la réalité du marché est le plus large, alors situez-vous par rapport au bon chiffre. Le prix du marché pour ce rôle est fixé par les fonds de premier rang et les prop shops, et il est dominé par le bonus, pas le fixe.

Selon les données levels.fyi pour Citadel, la rémunération totale d’un chercheur quantitatif va d’environ 336 000 $ en début de carrière (L1 : environ 253 K$ de fixe plus 80 K$ de bonus) à environ 642 000 $ au niveau senior (L3 : environ 333 K$ de fixe plus 308 K$ de bonus), avec une médiane rapportée autour de 396 000 $. Ces chiffres reflètent une seule société de premier rang et tirent vers le haut ; ce n’est pas une moyenne nationale. Des sources de recruteurs décrivent des chercheurs quantitatifs débutants de hedge funds à New York gagnant environ 125 K$ à 150 K$ de fixe avec des bonus de 50 à 100 % du fixe, tandis que les chercheurs seniors dotés d’un véritable historique peuvent dépasser 500 K$ et, tout en haut, franchir 1 000 000 $ lors d’une bonne année.

Deux mises en garde. D’abord, ces chiffres sont fortement pondérés vers les États-Unis et NYC ; Londres, Singapour et Hong Kong sont en dessous, et les localisations hors hub plus bas encore. L’écart entre un analyste junior et un chercheur senior est d’un ordre de grandeur. Ensuite, le bonus, c’est l’offre. Se situer sur le seul fixe vous fait perdre les candidats qui comparent la rémunération totale attendue d’un fonds à l’autre, et comme les fonds de premier rang et les laboratoires d’IA de pointe enchérissent désormais sur les mêmes personnes, une offre calibrée sur les données d’enquête de l’an dernier sera ignorée. Validez vos fourchettes par rapport aux données de marché actuelles avant de formuler une offre.

Quelles sont les erreurs les plus fréquentes au recrutement de chercheurs quantitatifs ?

Les modes d’échec du recrutement quantitatif sont spécifiques et coûteux. Les pires n’apparaissent pas à l’entretien. Ils apparaissent des mois plus tard, quand la performance réelle s’écarte du backtest.

Récompenser des backtests impressionnants sans les interroger. Le recrutement le plus dangereux, c’est un candidat qui présente un superbe backtest et ne sait pas en défendre l’intégrité. Le surapprentissage de backtest est, selon la littérature de recherche (Bailey, Borwein, Lopez de Prado et Zhu), l’erreur la plus répandue du domaine et une raison majeure pour laquelle les stratégies systématiques déçoivent en réel. Si votre processus ne teste pas spécifiquement la capacité d’un candidat à détecter le biais d’anticipation, le biais du survivant, le surapprentissage et des hypothèses de coût et de liquidité irréalistes, vous ne présélectionnez pas pour le poste. Vous présélectionnez pour le storytelling. Le seul biais du survivant a été démontré comme surévaluant le rendement moyen des fonds d’environ 0,9 % par an, et un candidat qui l’ignore intégrera discrètement la même erreur dans vos stratégies en réel.

Surpondérer la vitesse aux casse-têtes. Les casse-têtes présélectionnent l’aisance mathématique, mais résoudre vite des énigmes est une compétence d’examen qui s’apprend et corrèle faiblement avec le jugement de recherche. Le bon signal est la qualité du raisonnement et la communication, pas qui répond le plus vite. Une boucle uniquement faite de casse-têtes sélectionne des athlètes de l’entretien.

Présélectionner sur les diplômes plutôt que sur le jugement. Filtrer durement sur un diplôme, une école ou une certification précis rétrécit un vivier minuscule et rejette le talent inter-disciplinaire que les fonds d’élite recrutent délibérément. Les diplômes sont un proxy faible ; l’aptitude de recherche démontrée est le vrai signal.

Avancer trop lentement sur un marché à longues clauses de non-concurrence. Avec des horloges de garden leave qui tournent longtemps et des laboratoires d’IA de pointe en concurrence pour les mêmes candidats, un processus lent et indécis perd les meilleurs au profit d’enchérisseurs plus rapides. Définissez votre boucle, calibrez votre grille d’évaluation, et soyez prêt à agir.

Confondre un développeur quantitatif avec un chercheur quantitatif. Ce sont des rôles voisins mais distincts. Un développeur optimise et livre l’infrastructure ; un chercheur génère les idées. Embaucher l’un quand on a besoin de l’autre est une erreur d’appariement courante et coûteuse. Une grille d’évaluation structurée maintient l’exigence propre au rôle, une approche que nous couvrons dans notre guide des grilles d’évaluation d’entretien structurées.

Foire aux questions sur le recrutement de chercheurs quantitatifs

Réponses brèves aux questions que les employeurs posent le plus souvent quand ils préparent un recrutement en recherche quantitative.

Combien coûte un chercheur quantitatif en 2026 ? Dans les fonds de premier rang, la rémunération totale va d’environ 336 K$ en début de carrière à 642 K$ ou plus au niveau senior, dominée par le bonus plutôt que par le fixe (données levels.fyi pour Citadel). Les quants débutants des hedge funds à NYC gagnent généralement 125 K$ à 150 K$ de fixe avec un bonus de 50 à 100 % ; les meilleurs chercheurs seniors peuvent dépasser 1 000 000 $ lors d’une bonne année. Situez-vous par rapport au marché du buy side, pas à la médiane du groupe large du BLS de 80 190 $.

Quel diplôme faut-il à un chercheur quantitatif ? Un diplôme de troisième cycle (master ou doctorat) dans un domaine quantitatif est la norme. Une analyse des offres de Financial Quantitative Analyst a révélé qu’environ 64 % exigent un diplôme du supérieur, avec une nette préférence pour les filières STEM telles que la physique, les mathématiques, l’informatique et l’ingénierie. Aucune certification ni licence n’est obligatoire.

Un chercheur quantitatif a-t-il besoin d’une certification comme le CQF ou le CFA ? Non. La recherche quantitative n’est pas une profession réglementée. Un doctorat ou un master assorti d’un historique de recherche vérifiable l’emporte sur toute certification. Traitez le CQF et le CFA comme des signaux de sérieux chez les candidats atypiques, pas comme des exigences de filtrage.

Quelle est la meilleure question d’entretien pour un chercheur quantitatif ? Demandez-lui comment il saurait qu’il a surappris un modèle. Les questions d’entretien les plus prédictives ciblent l’honnêteté scientifique : comment il valide un signal, comment il se prémunit contre le biais d’anticipation et le biais du survivant, et ce qu’un projet raté lui a appris.

Combien de temps faut-il pour recruter un chercheur quantitatif ? Prévoyez 6 à 12 mois ou plus. Les périodes de préavis et de non-concurrence du buy side atteignent désormais couramment 12 mois et peuvent s’étirer jusqu’à 24 ou 36, si bien qu’un candidat retenu aujourd’hui pourrait ne pas pouvoir commencer avant un an.

Quelle est la différence entre un chercheur quantitatif et un développeur quantitatif ? Un chercheur quantitatif génère les idées et les signaux de trading ; un développeur quantitatif optimise et livre l’infrastructure. Ce sont des rôles voisins mais distincts, et embaucher l’un quand on a besoin de l’autre est une erreur d’appariement courante et coûteuse.

Comment Kit vous aide à recruter des chercheurs quantitatifs

Recruter un chercheur quantitatif est un problème de recrutement analytique d’élite, et le coût d’une erreur, un chercheur dont le travail perd de l’argent en réel, dépasse de loin le coût de n’importe quel outil de recrutement. La discipline qui prévient ce résultat est exactement celle qu’un fonds applique à sa propre recherche : une évaluation structurée et falsifiable plutôt que l’intuition et les réponses qui sonnent bien.

Kit apporte cette rigueur à la boucle de recrutement. Votre équipe peut mener des problèmes de recherche à emporter, des critiques de backtest et des présélections quantitatives chronométrées dans un seul pipeline, de sorte que chaque candidat est jugé selon le même standard. Les exercices de code intégrés à GitHub placent les commits réels du candidat sous les yeux des relecteurs. Des grilles d’évaluation structurées avec revue d’équipe indépendante et vote maintiennent une exigence cohérente et réduisent ce travers où le beau récit prime sur le fond et qui produit des recrutements surappris. La prospection assistée par IA gère le sourcing outbound qu’exige ce petit marché, la planification intégrée garde la boucle serrée, et comme Kit parle MCP, votre assistant IA peut faire avancer les candidats et faire remonter les décisions en attente sans que vous quittiez vos outils. La tarification par siège garde tout cela abordable pour une équipe réduite réalisant l’un de ses recrutements à plus fort levier.

Pour les fonds et les fintechs à orientation quantitative, l’avantage n’est pas un entonnoir plus tape-à-l’œil. C’est une évaluation défendable, rigoureuse et cohérente qui distingue les vrais chercheurs des convaincants. Découvrez la plateforme de recrutement de Kit et nos modèles de recrutement par rôle pour bâtir une boucle de recherche quantitative qui résiste à l’examen.