Formation analyste de données

Leçon 1 • Bases de l'éthique et de la gouvernance des données

Présente les principes de confidentialité, la propriété des données et les normes d'utilisation responsable. Fonde les étudiants dans les obligations éthiques avant qu'ils ne manipulent des jeux de données réels.

Leçon 2 • Types de données et structures

Couvre les formats de données structurées, semi-structurées et non structurées ainsi que leurs modèles de stockage. Fournit le vocabulaire nécessaire pour travailler avec tout jeu de données rencontré en pratique.

Leçon 3 • Le cycle de vie d'un projet d'analyse

Cartographie le processus de bout en bout, de la question métier à la livraison d'informations. Les étudiants appliquent le cadre du cycle de vie à un scénario métier d'exemple.

Leçon 1 • Tableaux croisés dynamiques et analyse de synthèse

Montre comment agréger et découper les données de manière dynamique à l'aide des tableaux croisés dynamiques. Les étudiants résument un jeu de données métier et tirent des conclusions initiales à partir des résultats du tableau croisé.

Leçon 2 • Nettoyage des données dans les tableurs

Aborde la suppression des doublons, la gestion des cellules vides et la normalisation des formats dans les tableurs. Prépare directement les étudiants aux défis de la qualité des données dans les chapitres suivants.

Leçon 3 • Formules et fonctions essentielles

Enseigne les fonctions arithmétiques, logiques, de recherche et de texte utilisées quotidiennement par les analystes. Les étudiants construisent une bibliothèque de formules réutilisables applicable à des jeux de données métier réels.

Leçon 4 • Interface et navigation du tableur

Oriente les étudiants vers l'environnement du tableur, les raccourcis clavier et l'organisation des classeurs. Les habitudes d'efficacité établies ici accélèrent tout le travail ultérieur sur les tableurs.

Leçon 1 • Fondamentaux des bases de données relationnelles

Explique les tables, les clés, les relations et les principes de conception de schémas. Fournit les connaissances structurelles nécessaires pour écrire des requêtes JOIN précises ultérieurement.

Leçon 2 • Jointure de plusieurs tables

Explique les jointures INNER, LEFT, RIGHT et FULL avec des scénarios pratiques multi-tables. Les étudiants construisent des requêtes qui combinent des données de trois tables ou plus liées.

Leçon 3 • Requêtes SELECT de base

Enseigne les clauses SELECT, WHERE, ORDER BY et LIMIT pour une récupération ciblée des données. Les étudiants interrogent une base de données d'exemple pour répondre à des questions métier spécifiques.

Leçon 4 • Sous-requêtes et expressions de table communes

Introduit les sous-requêtes, les CTE et les fonctions de fenêtre pour un façonnage avancé des données. Les étudiants refactorisent des requêtes imbriquées complexes en structures CTE lisibles et maintenables.

Leçon 1 • Standardisation et transformation des données

Couvre la normalisation des formats, le transtypage et l'ingénierie des caractéristiques pour la préparation à l'analyse. Les étudiants transforment des champs bruts en variables d'analyse cohérentes et correctement typées.

Leçon 2 • Documentation du processus de nettoyage

Établit des pratiques pour journaliser les transformations, versionner les jeux de données et rédiger des dictionnaires de données. Une documentation reproductible garantit que les étapes de nettoyage peuvent être auditées et répétées.

Leçon 3 • Déduplication et linkage d'enregistrements

Enseigne les méthodes de correspondance exacte et floue pour identifier et fusionner les enregistrements en double. Les étudiants dédupliquent un jeu de données clients en utilisant à la fois des approches basées sur des règles et sur la similarité.

Leçon 4 • Évaluation de la qualité des données

Définit l'exhaustivité, la cohérence, l'exactitude et l'actualité comme dimensions de la qualité. Les étudiants profilent un jeu de données brut et documentent tous les problèmes de qualité identifiés.

Leçon 1 • Analyse de distribution univariée

Examine les distributions à une seule variable à l'aide d'histogrammes, de boîtes à moustaches et de courbes de densité. Les étudiants identifient la forme de la distribution, les valeurs aberrantes et les zones de concentration des données.

Leçon 2 • Exploration des données catégorielles

Applique les diagrammes en barres, les diagrammes de comptage et les tests du Khi-deux à l'analyse des variables catégorielles. Les étudiants évaluent les distributions des catégories et testent l'indépendance entre les champs catégoriels.

Leçon 3 • Analyse bivariée et multivariée

Explore les relations entre deux variables ou plus à l'aide de diagrammes de dispersion et de corrélation. Les étudiants quantifient et visualisent les associations à travers plusieurs dimensions du jeu de données.

Leçon 4 • Statistiques descriptives essentielles

Couvre les mesures de tendance centrale, de dispersion et de forme pour résumer les distributions. Les étudiants calculent et interprètent les statistiques descriptives pour les variables continues et catégorielles.

Leçon 1 • Présenter efficacement les résultats

Prépare les étudiants à réaliser des présentations de données en direct avec confiance et clarté. Les étudiants présentent leur histoire de tableau de bord et reçoivent des retours structurés de leurs pairs.

Leçon 2 • Principes de conception de visualisation

Établit des règles pour la sélection des graphiques, l'utilisation des couleurs et la réduction de la charge cognitive. Des choix de conception corrects empêchent les erreurs d'interprétation et augmentent la confiance des parties prenantes dans les résultats.

Leçon 3 • Création de graphiques dans les outils de visualisation

Montre la construction de graphiques en barres, en lignes, de dispersion et cartographiques dans un outil BI. Les étudiants reproduisent les visuels de l'AED dans un environnement de visualisation professionnel.

Leçon 4 • Conception et mise en page des tableaux de bord

Couvre la hiérarchie de la mise en page, l'interactivité et la conception des filtres pour les tableaux de bord multi-graphiques. Les étudiants assemblent un tableau de bord fonctionnel qui répond à une question métier définie.

Leçon 1 • Tests statistiques courants

Couvre les tests t, l'ANOVA et les tests du Khi-deux pour comparer des groupes et tester des associations. Les étudiants sélectionnent et exécutent le test correct pour chaque scénario analytique.

Leçon 2 • Fondamentaux de l'analyse de régression

Introduit la régression linéaire simple et multiple pour la modélisation des relations et la prédiction. Les étudiants construisent, évaluent et interprètent des modèles de régression sur des jeux de données métier.

Leçon 3 • Fondements des probabilités et de l'échantillonnage

Couvre les règles de probabilité, les distributions et les méthodes d'échantillonnage qui sous-tendent l'inférence. Les étudiants distinguent avec précision les paramètres de population des statistiques d'échantillon.

Leçon 4 • Intervalles de confiance

Explique l'estimation par intervalle pour les moyennes et les proportions avec différents niveaux de confiance. Les étudiants construisent et communiquent des intervalles de confiance pour des métriques métier.

Leçon 1 • Prévision et analyse des tendances

Couvre les moyennes mobiles, la décomposition des tendances et les méthodes de base de prévision de séries temporelles. Les étudiants construisent une prévision à court terme et quantifient son incertitude pour les parties prenantes.

Leçon 2 • Tests A/B et expérimentation

Conçoit et analyse des expériences contrôlées pour évaluer les changements de produits ou de processus. Les étudiants planifient un test A/B, calculent la taille de l'échantillon et interprètent correctement les résultats.

Leçon 3 • Segmentation et analyse de cohorte

Applique la logique de clustering et le suivi de cohorte pour comprendre le comportement des clients et des utilisateurs. Les étudiants segmentent un jeu de données et comparent les performances des cohortes dans le temps.

Leçon 4 • Définition et cadrage des problèmes analytiques

Traduit des questions métier ambiguës en énoncés de problèmes analytiques structurés. Les étudiants produisent un cahier des charges de projet avec un périmètre, des métriques et des critères de succès définis.