Formation Data Analytics et Business Intelligence

Leçon 1 • Types et structures de données

Couvre les données structurées, semi-structurées et non structurées avec des exemples concrets. Établit le vocabulaire utilisé tout au long de la formation.

Leçon 2 • L'écosystème de la Business Intelligence

Cartographie la stack BI, des sources de données aux tableaux de bord. Les étudiants comprennent comment chaque couche contribue à la livraison d'insights.

Leçon 3 • Catégories d'analytique et cas d'usage

Définit l'analytique descriptive, diagnostique, prédictive et prescriptive. Relie chaque catégorie à des résultats métier concrets.

Leçon 1 • Qualité des données et gouvernance

Définit les dimensions de la qualité—exactitude, exhaustivité, cohérence, actualité. Introduit les politiques de gouvernance qui garantissent une analytique fiable.

Leçon 2 • Sources de données et méthodes d'ingestion

Enquête sur les sources de données primaires, secondaires, internes et externes. Introduit les modèles d'ingestion par lots et en continu.

Leçon 3 • Principes de confidentialité des données et conformité

Couvre les concepts de privacy-by-design, consentement, anonymisation et conformité réglementaire. Prépare les étudiants à traiter les données sensibles de manière responsable.

Leçon 4 • Fondamentaux des bases de données relationnelles

Enseigne la conception des tables, les clés et les relations dans les bases de données relationnelles. Fournit les connaissances structurelles nécessaires pour les requêtes SQL dans le prochain chapitre.

Leçon 1 • Syntaxe de base des requêtes SQL

Introduit les clauses SELECT, FROM, WHERE et ORDER BY. Établit les fondations pour l'écriture de requêtes pour tous les sujets SQL ultérieurs.

Leçon 2 • Joins et relations

Couvre les joins INNER, LEFT, RIGHT et FULL pour combiner les tables. Les étudiants récupèrent des ensembles de données intégrés à partir de schémas normalisés.

Leçon 3 • Fonctions de fenêtre et SQL avancé

Applique RANK, ROW_NUMBER, LAG et LEAD pour l'analyse de séries temporelles et de classement. Débloque des modèles analytiques indisponibles avec l'agrégation de base.

Leçon 4 • Agrégation et regroupement

Enseigne GROUP BY, HAVING et les fonctions d'agrégation pour résumer les données. Permet le calcul de métriques essentielles au reporting BI.

Leçon 1 • Fusion et remodelage des ensembles de données

Combine des ensembles de données via des joins, unions et pivots pour créer des tables analytiques. Reflète les joins SQL dans un contexte programmatique de préparation des données.

Leçon 2 • Identification et traitement des données manquantes

Classe les mécanismes de données manquantes et évalue les stratégies d'imputation vs de suppression. Empêche les biais introduits par un traitement inapproprié des valeurs nulles.

Leçon 3 • Techniques de transformation des données

Applique la normalisation, la standardisation, l'encodage et le binning pour remodeler les variables. Prépare les caractéristiques pour les tâches de visualisation et de modélisation.

Leçon 4 • Détection et traitement des valeurs aberrantes

Utilise des méthodes statistiques et visuelles pour identifier les valeurs aberrantes et décider du traitement. Protège l'analyse en aval contre la distorsion par des valeurs extrêmes.

Leçon 1 • Reporting EDA et narration par les données

Structure les résultats de l'EDA en un récit cohérent pour les parties prenantes. Fait le pont entre l'exploration technique et la communication métier.

Leçon 2 • Techniques d'exploration multivariée

Étend l'analyse à trois variables ou plus à l'aide de heatmaps, pair plots et regroupements. Révèle des interactions complexes cachées dans les vues bivariées.

Leçon 3 • Génération d'hypothèses et bases des tests

Introduit les hypothèses nulle et alternative, les p-values et les niveaux de signification. Relie les résultats de l'EDA à la validation statistique formelle.

Leçon 4 • Statistiques descriptives essentielles

Couvre les mesures de tendance centrale, de dispersion et de forme pour les variables numériques. Fournit le langage statistique utilisé dans tout le travail analytique ultérieur.

Leçon 1 • Principes de visualisation efficace

Applique les principes de la Gestalt, les attributs pré-attentifs et le data-ink ratio à la conception de graphiques. Établit des normes qui empêchent les visuels trompeurs.

Leçon 2 • Couleur, typographie et mise en page

Applique la théorie des couleurs, les palettes accessibles et la hiérarchie typographique aux tableaux de bord. Garantit la lisibilité pour tous les publics et sur tous les appareils.

Leçon 3 • Performance et gouvernance des tableaux de bord

Optimise les performances des requêtes, établit des plannings d'actualisation et applique des contrôles d'accès. Garantit que les tableaux de bord restent précis et sécurisés en production.

Leçon 4 • Construction de tableaux de bord interactifs

Construit des filtres, des explorations descendantes et des paramètres dynamiques dans les outils BI. Permet aux utilisateurs finaux de répondre eux-mêmes aux questions analytiques.

Leçon 1 • Communication des insights prédictifs

Traduit les sorties des modèles en recommandations métier en utilisant un langage simple et des visuels. Aborde le scepticisme des parties prenantes concernant les prédictions algorithmiques.

Leçon 2 • Concepts de machine learning pour les analystes

Définit l'apprentissage supervisé, non supervisé et par renforcement sans mathématiques approfondies. Positionne le ML comme une extension de la boîte à outils analytique.

Leçon 3 • Modèles de régression pour la prévision

Construit des modèles de régression linéaire simple et multiple pour prédire des résultats continus. Interprète les coefficients en termes métier.

Leçon 4 • Modèles de classification

Applique la régression logistique, les arbres de décision et les forêts aléatoires à des problèmes binaires et multiclasses. Sélectionne les modèles en fonction des besoins d'interprétabilité et de précision.

Leçon 1 • Culture des données et gestion du changement

Identifie les obstacles à l'adoption des données et applique les cadres de gestion du changement. Construit la préparation organisationnelle pour les décisions fondées sur l'analytique.

Leçon 2 • Évaluation et passage à l'échelle des programmes d'analytique

Applique les modèles de maturité pour évaluer les capacités actuelles et planifier les investissements de passage à l'échelle. Guide les organisations du reporting ad hoc à l'intelligence prédictive.

Leçon 3 • Structures et rôles des équipes d'analytique

Compare les modèles opérationnels d'analytique centralisés, décentralisés et fédérés. Aide les étudiants à concevoir des équipes qui équilibrent agilité et gouvernance.

Leçon 4 • Élaboration d'une stratégie de données

Définit la vision, les priorités et les indicateurs de succès pour un programme d'analytique d'entreprise. Relie les investissements dans les données à une valeur métier mesurable.