Hackathon IndabaX Congo 2026
Thème: Développement d’un système intelligent d’appariement
entre les demandeurs d’emploi et les offres d’emploi
I. Contexte
L’Agence Congolaise pour l’Emploi (ACPE) joue un rôle central dans la mise en relation entre les
demandeurs d’emploi et les entreprises en quête de talents. Chaque année, elle collecte un grand
nombre d’offres d’emploi ainsi que des informations sur les profils des [Link],
l’identification des meilleures correspondances entre un candidat et une offre demeure un processus
essentiellement manuel, chronophage et parfois peu optimal.
Grâce à l’Intelligence Artificielle, il est aujourd’hui possible de développer des systèmes capables
d’analyser automatiquement les caractéristiques des candidats et des offres afin de proposer les
meilleures correspondances, d’expliquer les recommandations et d’aider les conseillers de l’ACPE
dans leurs missions.
II. Problématique
Comment exploiter les données des demandeurs d’emploi et des offres d’emploi pour
développer un système intelligent capable d’optimiser l’appariement entre les profils et les
opportunités, d’expliquer les recommandations et d’identifier les écarts de compétences afin
d’améliorer les services de l’Agence Nationale pour l’Emploi ?
III. Objectif du Hackathon
Concevoir et développer un prototype fonctionnel permettant de mettre automatiquement en relation
les demandeurs d’emploi et les offres d’emploi à l’aide de techniques de Data Science, de Machine
Learning et de Traitement Automatique du Langage Naturel (NLP).
Le système devra aider l’ACPE à :
· améliorer la qualité des recommandations d’offres ;
· réduire le temps nécessaire au placement des demandeurs d’emploi ;
· faciliter le travail des conseillers en emploi ;
· mieux valoriser les données collectées par l’Agence.
IV. Données
Quatre jeux de données fournis disponible dans le dossier dataset de ce drive
1. Offres d’emploi (2 fichiers) 2. Demandeurs d’emploi Appariement_Demandeurs_Offres
· Intitulé du poste · Âge
Contient les appariements de
· Type de contrat · Genre
référence (Ground Truth) entre les
· Entreprise · Niveau d’étude candidats et leurs 3 offres les plus
pertinentes.
· Secteur d’activité · Qualification
· Localisation · Qualification métier Ce fichier servira à :
· Date de publication · Filière / Spécialité
● entraîner/valider les modèles
· Date de clôture · Secteur d’activité (selon l'approche choisie) ;
● évaluer les performances sur
· Description de l’offre · Secteur demandé/ Métier visé
les données de test.
· Compétences / Profil recherché · Objectif professionnel/
Mobilité géographique
V. Déroulement du Hackathon
Le hackathon se déroulera selon les étapes suivantes:
Étape 1 : Téléchargement des ressources
Chaque équipe devra :
· télécharger le guide du hackathon ;
· télécharger les jeux de données ;
· prendre connaissance des règles du challenge.
Étape 2 : Développement
Chaque équipe devra :
· préparer les données ;
· développer un moteur d’appariement ;
· entraîner et évaluer son modèle ;
· développer une interface permettant de démontrer la solution (si possible).
Étape 4 : Soumission
À la fin du hackathon, les équipes soumettront via ce formulaire
· les informations relatives à l’équipe.
· Le lien vers le dépôt GitHub contenant le code complet ;
· le lien vers l’application déployée (si disponible) ;
· Un rapport de maximum 5 pages de votre travail
V. Ce qui est attendu
1. Préparation et exploration des données
• Nettoyage des données
• Préparation et encodage des variables
• Analyse exploratoire des deux jeux de données
• Documentation complète des traitements réalisés
2. Moteur d'appariement
Le système doit comparer un profil candidat avec les offres disponibles et estimer leur compatibilité.
Les équipes sont libres du choix de la méthode :
• Règles métiers
• Similarité textuelle (TF-IDF, cosine similarity)
• Machine Learning supervisé / non supervisé
• Embeddings sémantiques (Sentence Transformers, ChromaDB)
• Toute autre approche pertinente et justifiée
3. Score de compatibilité
Pour chaque candidat, le système devra produire un score de compatibilité avec les offres disponibles.
Exemple
Candidat : 000001
Profil :
Licence en Statistiques Appliquées et Data Mining
Secteur recherché : Data Science
Métier visé : Data Analyst
Mobilité : Brazzaville
Offre Compatibilité
Data Analyst 94 %
Data Scientist 90 %
Business Analyst 82 %
Les équipes devront expliquer la méthode de calcul utilisée ainsi que les variables ayant contribué
au score.
4. Recommandation Top-K
Le système devra recommander automatiquement, pour chaque demandeur d'emploi, les :
● Top-5 offres les plus pertinentes ;
● Top-10 offres les plus pertinentes.
Les recommandations devront être présentées sous forme d'un classement ordonné, de la plus
pertinente à la moins pertinente, accompagné d'un score de pertinence ou de compatibilité.
Exemple: Candidat : 000001
Rang Offre Score
1 Data Analyst 0.96
2 Data Scientist 0.92
3 Business Analyst 0.88
4 Statisticien 0.84
5 BI Developer 0.80
Le système devra produire ces recommandations pour l'ensemble des candidats présents dans le jeu de
données de test.
Les performances des modèles seront évaluées en comparant les recommandations produites avec les
appariements de référence contenus dans le fichier Appariement_Demandeurs_Offres.
L'évaluation reposera sur les métriques suivantes :
Precision@5 et Precision@10 ;
Recall@5 et Recall@10 ;
NDCG@5 et NDCG@10.
Formules
Precision@K = (Nombre d’offres pertinentes recommandées) / K
Recall@K = (Nombre d’offres pertinentes recommandées) / (Nombre total d’offres pertinentes)
NDCG@K : mesure la qualité du classement des recommandations en tenant compte de leur ordre
d’apparition.
5. Format attendu des recommandations
candidate_id rank job_id score
000001 1 JOB001 0.96
000001 2 JOB014 0.92
… … … …
5. Tableau de bord décisionnel
Développer un tableau de bord permettant de suivre des indicateurs clés tels que :
· nombre de candidats ;
· nombre d’offres ;
· secteurs les plus représentés ;
· métiers les plus demandés ;
· taux moyen de compatibilité ;
· répartition géographique des offres et des candidats ;
· statistiques sur les recommandations générées.
VI. Défis Bonus
Les équipes souhaitant aller plus loin pourront implémenter les bonus
Bonus 1: Recherche intelligente
Développer un moteur permettant de rechercher des offres ou des candidats à partir d’une requête en
langage naturel.
Exemples : “Je recherche un développeur Python à Brazzaville.”
“Je cherche un candidat en comptabilité avec une mobilité nationale.”
Le système devra retrouver les résultats les plus pertinents, même sans correspondance exacte des
mots-clés.
Bonus 2 : Analyse des écarts de compétences (Skill Gap)
Pour chaque offre recommandée, le système identifie les compétences ou qualifications manquantes
chez le candidat.
Exemple :
Compatibilité : 84 %
Compétences manquantes :
· Docker
· Git
· Power BI
Cette fonctionnalité permettra d’orienter les demandeurs d’emploi vers les compétences à développer.
VII. Livrables attendus
Chaque équipe devra fournir :
# Livrables Exigences
1 Code source complet Dépôt GitHub public et organisé
2 Documentation technique Approche retenue, choix ML
justifiés
3 Prototype fonctionnel Application déployée (Streamlit ou
Gradio) si disponible
4 Présentation des méthodes rapport de minimum 3 pages
expliquant la démarche technique
VIII. Résultats attendus (Outputs)
À l’issue du hackathon, chaque solution devra être capable de produire :
· un score de compatibilité entre un candidat et une offre ;
· un classement des meilleures offres pour chaque candidat ;
· une justification des recommandations ;
· une interface simple permettant de consulter les résultats.
· un tableau de bord interactif destiné aux conseillers de l’ACPE.
IX. Critères d’évaluation
Critère Pondération
Pertinence de la solution par rapport au besoin métier 20 %
Qualité du moteur d’appariement 30 %
Utilisation pertinente de l’IA et du Machine Learning 20 %
Innovation et fonctionnalités bonus 15 %
Qualité du prototype et de l’expérience utilisateur 10 %
Documentation et qualité technique 5%
Le jury accordera une attention particulière à la capacité des équipes à proposer une solution
explicable et directement exploitable par l’Agence Nationale pour l’Emploi afin d’améliorer le
processus de mise en relation entre les demandeurs d’emploi et les offres disponibles.
Pour toute question supplémentaire , merci de nous contacter par mail :
[Link]@[Link]