Formation d'analyste de données

Leçon 1 • Le rôle de l'analyste de données

Définit les responsabilités de l'analyste, les relations avec les parties prenantes et les étapes du workflow. Ancre toutes les compétences techniques ultérieures dans un contexte professionnel.

Leçon 2 • Types et sources de données

Couvre les données structurées, non structurées et semi-structurées ainsi que les sources primaires et secondaires. Permet aux étudiants d'identifier les données appropriées pour toute tâche analytique.

Leçon 3 • Cadres de pensée analytique

Présente la décomposition des problèmes, la formulation d'hypothèses et les schémas de raisonnement logique. Fournit un modèle mental reproductible pour aborder tout défi analytique.

Leçon 1 • Formules et fonctions essentielles

Enseigne les fonctions de recherche, logiques, de texte et de date essentielles à la transformation des données. Permet directement les tâches de nettoyage et d'agrégation de données couvertes plus loin dans le chapitre.

Leçon 2 • Fonctions statistiques de base

Applique les statistiques descriptives — moyenne, médiane, écart type et centiles — dans les tableurs. Prépare les étudiants à une analyse statistique plus approfondie dans les chapitres suivants.

Leçon 3 • Tableaux croisés dynamiques et agrégation

Démontre la construction de tableaux croisés dynamiques, le regroupement et les champs calculés pour synthétiser les données. Fait le lien entre les données brutes et les informations synthétiques dont les parties prenantes ont besoin.

Leçon 4 • Navigation et configuration des tableurs

Couvre la structure du classeur, les références de cellules et les conventions de formatage. Établit des habitudes efficaces qui réduisent les erreurs dans tout travail ultérieur sur tableur.

Leçon 1 • Fonctions de fenêtrage

Couvre RANK, ROW_NUMBER, LAG, LEAD et les totaux cumulés à l'aide de clauses OVER. Permet les analyses de séries temporelles et de classement sans perdre le détail au niveau des lignes.

Leçon 2 • Agrégation et regroupement

Enseigne GROUP BY, HAVING et les fonctions d'agrégation pour synthétiser de grands ensembles de données. Permet aux analystes de produire les métriques de synthèse que les parties prenantes demandent le plus souvent.

Leçon 3 • Concepts de bases de données relationnelles

Explique les tables, les clés, les relations et les schémas comme fondement structurel de SQL. Comprendre ce contexte prévient les erreurs de requête et améliore la logique des jointures.

Leçon 4 • Sous-requêtes et CTE

Présente les sous-requêtes et les Common Table Expressions pour une conception de requêtes modulaire et lisible. Prépare les étudiants aux requêtes analytiques complexes utilisées dans le reporting avancé.

Leçon 5 • Requêtes SELECT de base

Couvre les clauses SELECT, WHERE, ORDER BY et LIMIT pour l'extraction de données de base. Ce sont les éléments constitutifs de toute requête plus complexe du chapitre.

Leçon 1 • Tests d'hypothèses

Enseigne les hypothèses nulle et alternative, les valeurs p, les niveaux de signification et les erreurs de type I/II. Permet aux analystes de formuler des affirmations statistiquement défendables à partir de données d'échantillon.

Leçon 2 • Statistiques descriptives approfondies

Étend les statistiques sur tableur pour couvrir les distributions, l'asymétrie, l'aplatissement et les mesures robustes. Fournit le vocabulaire nécessaire pour décrire tout ensemble de données avec précision.

Leçon 3 • Notions fondamentales de probabilité

Couvre les règles de probabilité, la probabilité conditionnelle et les distributions courantes pertinentes pour les données métier. Sous-tend toutes les méthodes inférentielles introduites plus loin dans le chapitre.

Leçon 4 • Corrélation et régression simple

Couvre la corrélation de Pearson, la régression linéaire simple et l'interprétation des résidus. Introduit les concepts de modélisation prédictive qui sont développés dans le chapitre suivant.

Leçon 1 • Notions fondamentales de Python pour les analystes

Couvre les variables, les types de données, le contrôle de flux et les fonctions comme le minimum Python nécessaire à l'analyse. Reste concentré sur les cas d'usage des analystes plutôt que sur le génie logiciel général.

Leçon 2 • Opérations d'agrégation et GroupBy

Applique groupby, pivot_table et resample pour synthétiser des données par dimensions et dans le temps. Étend les concepts d'agrégation SQL à un workflow programmatique flexible.

Leçon 3 • Manipulation de données avec pandas

Enseigne la création de DataFrames, l'indexation, le filtrage et la fusion avec pandas. Reprend les compétences déjà apprises sur tableur et en SQL dans un environnement programmatique.

Leçon 4 • Nettoyage de données avec Python

Aborde les valeurs manquantes, la conversion de types, la normalisation de chaînes et la détection des valeurs aberrantes dans pandas. Produit des données fiables et prêtes à l'analyse à partir d'entrées réelles désordonnées.

Leçon 1 • Principes de conception de visualisation

Couvre les attributs pré-attentifs, la logique de sélection des graphiques et les schémas de graphiques trompeurs courants. Ancre tout travail spécifique à un outil dans des normes de conception universelles.

Leçon 2 • Graphiques en Python

Construit des graphiques statiques et interactifs à l'aide de matplotlib et seaborn. Relie la manipulation de données en Python directement à la sortie visuelle pour des workflows de bout en bout.

Leçon 3 • Data storytelling

Enseigne la structure narrative, l'annotation et le séquencement des visuels pour guider l'interprétation de l'audience. Transforme des graphiques techniquement corrects en histoires analytiques persuasives.

Leçon 4 • Performance et convivialité des tableaux de bord

Aborde la conception des filtres, l'optimisation du chargement et les normes d'accessibilité pour les tableaux de bord de production. Garantit que les tableaux de bord restent utilisables à mesure que les volumes de données et les bases d'utilisateurs augmentent.

Leçon 1 • Régression linéaire multiple

Étend la régression simple à plusieurs prédicteurs, en couvrant la multicolinéarité et la sélection de modèle. S'appuie directement sur les fondements de la régression du chapitre sur les statistiques.

Leçon 2 • Analyse de séries temporelles

Couvre la tendance, la saisonnalité et la décomposition pour prévoir des métriques métier dans le temps. Aborde les schémas de données temporelles courants dans les ventes, la finance et les opérations.

Leçon 3 • Segmentation et clustering

Applique les k-means et le clustering hiérarchique pour regrouper des clients, produits ou comportements. Permet aux analystes de découvrir des schémas naturels sans étiquettes prédéfinies.

Leçon 4 • Régression logistique et classification

Introduit la régression logistique pour les résultats binaires et évalue les modèles avec des matrices de confusion. Élargit la boîte à outils de l'analyste aux problèmes de prédiction catégorielle.

Leçon 1 • Mesurer l'impact analytique

Présente des cadres pour suivre si les recommandations analytiques ont été mises en œuvre et sont efficaces. Boucle la boucle de rétroaction entre l'analyse et la valeur métier.

Leçon 2 • Présenter aux parties prenantes

Enseigne la conception de diapositives, la prestation orale et la gestion des questions lors des présentations analytiques. Fait le lien entre une analyse rigoureuse et une communication confiante.

Leçon 3 • Structurer les rapports analytiques

Couvre la rédaction du résumé, la hiérarchie des conclusions et l'organisation des preuves à l'appui. Garantit que le travail analytique est accessible aux décideurs non techniques.