Salaire data scientist à Berne en 2026: fourchettes réelles par employeur

Fourchettes par employeur et domaine data science

Employeur / domaine	Junior (0-3 ans)	Confirmé (3-6 ans)	Senior (7+ ans)
Swisscom (churn prediction, optimisation réseau, customer analytics)	95'000 – 122'000	135'000 – 172'000	172'000 – 210'000
CFF / SBB (delay prediction, optimisation horaire, counting voyageurs)	92'000 – 118'000	128'000 – 165'000	165'000 – 200'000
OFS / SECO / BAG (statistique officielle, modélisation politique publique)	90'000 – 112'000	118'000 – 152'000	148'000 – 180'000
La Mobilière / SUVA (analyse actuarielle ML, modèles de risque)	90'000 – 115'000	122'000 – 158'000	155'000 – 188'000

Le marché bernois: analytics télécom, données ferroviaires et statistique officielle

Swisscom dispose à Berne de l'une des plus grandes organisations de data science de Suisse en dehors du secteur technologique. La plateforme de données Swisscom traite des milliards d'événements réseau quotidiens: les modèles de prédiction du churn (désabonnement) identifient les clients à risque avant qu'ils ne résilient ; les modèles d'optimisation réseau planifient les emplacements des antennes 5G à partir des données de mobilité anonymisées ; les modèles de valeur client à vie (customer lifetime value, CLV) orientent les offres de réduction et de mise à niveau. La plateforme technique centrale utilise Azure Databricks, PySpark et Azure Machine Learning, avec des contraintes de résidence des données en Suisse (nLPD et directives FINMA pour les clients corporate). Un data scientist chez Swisscom avec 5 à 7 ans d'expérience en modélisation du churn client (Python, PySpark, Azure Databricks), avec des résultats business documentés (réduction mesurée du taux de churn, amélioration documentée de l'upsell), perçoit 138'000 à 172'000 CHF bruts, plus un bonus de 8 à 15 %.

L'organisation data science des CFF résout l'un des problèmes d'optimisation les plus complexes de Suisse: maintenir un horaire de plus de 10'000 liaisons journalières sur l'un des réseaux ferroviaires les plus intensément utilisés d'Europe, et prédire et gérer les retards en temps réel. Les data scientists et ingénieurs ML des CFF travaillent sur des modèles de prédiction de retard (à partir des données météo, du taux d'occupation, de l'historique de ponctualité), la planification de capacité pour l'élaboration des horaires, et la détection d'anomalies pour les problèmes d'infrastructure (détection précoce de défauts de voie, de pannes d'aiguillages). L'OFS (Office fédéral de la statistique) et d'autres offices fédéraux (SECO, OFSP, ARE) emploient des data scientists pour la production de la statistique officielle, l'évaluation des effets des politiques publiques, et l'aide à la décision basée sur les données. Les data scientists de l'OFS travaillent avec l'Enquête sur la structure des salaires (ESS), le Recensement de la population, et la statistique des entreprises (STATENT) -- des jeux de données qui nécessitent des méthodes d'échantillonnage avancées (estimateurs de Horvitz-Thompson, calage, estimation de variance pour les plans de sondage complexes).

Les CFF gèrent plus de 10'000 liaisons journalières: un seul modèle de prédiction de retard touche des centaines de milliers de voyageurs chaque jour.

La Mobilière et la SUVA offrent un contexte d'analyse actuarielle hybride: méthodes actuarielles classiques (Chain Ladder pour la provision pour sinistres, méthodes GLM pour le tarification) combinées avec le machine learning moderne (gradient boosting, réseaux de neurones récurrents pour les séries temporelles de sinistres). La particularité de ce segment: les data scientists bernois des assurances doivent pouvoir faire valider leurs modèles par des actuaires diplômés (membres de la SAA, Société des actuaires suisses), ce qui impose une rigueur statistique et une documentation des hypothèses que l'on ne retrouve pas dans d'autres environnements data science. Les data scientists bernois qui développent une expertise combinant des méthodes actuarielles (qualification CERA partielle ou complète reconnue) avec des compétences Python modernes pour la modélisation ML, et qui savent communiquer leurs résultats en allemand à des décideurs non techniques, construisent un profil très demandé par Swiss Re, Zurich Insurance, et les organisations internationales (OMS, OCDE) qui travaillent sur des jeux de données à caractère statistique public.

---

Questions fréquentes

Quelles compétences techniques sont les plus demandées pour un data scientist à Berne ?

Python (pandas, scikit-learn, PySpark) comme fondation universelle chez tous les grands employeurs bernois. R reste important pour l'analyse statistique et la statistique officielle (OFS, SECO, actuariat des assurances). Azure Databricks est la plateforme big data dominante chez Swisscom et les CFF. SQL pour toutes les requêtes sur bases de données relationnelles. Méthodes ML de base (XGBoost/LightGBM, random forests, régression logistique) pour les problèmes de classification et régression métier. Méthodes de séries temporelles (ARIMA, Prophet, LSTMs) pour la prédiction du churn Swisscom et la prédiction de retards des CFF. Power BI et Tableau pour le reporting managérial et la communication aux parties prenantes. Pour l'administration fédérale: statistiques d'enquêtes par sondage (théorie des sondages, estimateurs de Horvitz-Thompson, calage des poids). La capacité à communiquer des résultats de modèles complexes à des parties prenantes non techniques en allemand est une compétence particulièrement valorisée dans le marché bernois.

Un data scientist francophone peut-il travailler à Berne ?

C'est possible mais plus difficile qu'à Zurich ou Genève. Dans l'administration fédérale (OFS, SECO), l'allemand C1-C2 est obligatoire: les rapports, les présentations aux décideurs politiques et la coordination avec les autres offices se font en allemand. Chez Swisscom et aux CFF, les équipes techniques comptent de plus en plus d'ingénieurs internationaux et de nombreuses discussions techniques se déroulent en anglais ; cependant, la communication avec les parties prenantes métier, les réunions de priorisation de produits, et la collaboration avec les équipes marketing et vente se font en allemand. Chez La Mobilière et la SUVA, l'allemand est la principale langue de travail pour toutes les équipes internes. Exception: des data scientists très spécialisés avec des compétences rares (ML engineering pour un problème Swisscom spécifique) peuvent parfois être recrutés avec un anglais fort et une intention d'apprendre l'allemand. Pour une carrière stable à long terme à Berne, l'allemand est incontournable.

Existe-t-il une voie typique des data scientists de l'administration fédérale vers le secteur privé ?

Oui, et elle est bien documentée. Les statisticiens et data scientists de l'OFS, SECO ou d'autres offices fédéraux rejoignent régulièrement: des cabinets de conseil à focus secteur public (PwC, KPMG, Deloitte, qui détiennent des mandats d'analyse de données fédéraux) ; La Mobilière, SUVA ou d'autres assurances (l'analyse actuarielle et la modélisation du risque valorisent fortement la rigueur méthodologique statistique) ; Swisscom ou les CFF (où l'expérience avec des jeux de données structurés de grande taille et la rigueur statistique sont appréciées) ; et des instituts de recherche (Université de Berne, BFH, Eawag) à la recherche d'analystes méthodologiquement solides. L'augmentation de salaire typique lors du passage de la Confédération au secteur privé est de 15 à 25 %. La voie inverse (secteur privé vers l'administration fédérale) est moins fréquente et implique généralement une renonciation salariale acceptée en échange d'un meilleur équilibre vie professionnelle-vie privée et d'une sécurité de l'emploi.