Programme

◊ Module 1 : Fondamentaux de la data analytics et culture data

Objectifs : Comprendre l'écosystème data moderne et le rôle stratégique de la donnée et de l'IA dans les organisations.

1 ▪ Introduction à la Data Analytics 

2 ▪ Culture Data-Driven

3 ▪ Introduction à l'Intelligence Artificielle

Atelier pratique : Atelier de découverte autour d’un cas métier simple : identifier les données disponibles, distinguer données, information et connaissance, formuler les bonnes questions d’analyse, proposer quelques indicateurs de suivi et discuter de la manière dont un assistant IA peut aider à structurer la réflexion, tout en rappelant ses limites.

◊ Module 2 : Excel analytics et power tools

Objectifs : Maîtriser Excel comme outil d'analyse professionnelle, depuis la structuration des données jusqu'à l'exploration, la synthèse et la restitution dynamique des résultats.

1 ▪ Excel Fondamental (références, tableau structuré, validation de données, mise en forme conditionnelle)

2 ▪ Excel Intermédiaire (fonctions et formules, gestion des erreurs, analyse de scénario, filtre dynamique, utilitaire d'analyse et outil d'accès rapide, TCD et GCD)

3 ▪ Excel Avancé (Importation et transformation de données avec Power Query, modélisation et création de relations avec Power Pivot, langage DAX)

4 ▪ IA et Excel (IA Gen comme assistant, aide à la génération, à l’explication et à la correction de formules, assistance à l’identification de tendances et d’anomalies dans les tableaux, analyse critique sur les résultats)

Cas pratique : Création d'un fichier d'analyse complet dans Excel intégrant un tableau structuré, des menus déroulants, des filtres dynamiques, des fonctions analytiques, un tableau croisé dynamique et un graphique croisé dynamique, avec utilisation de l’IA pour assister la formulation de calculs, repérer des tendances et contrôler la cohérence des résultats.

◊ Module 3 : Bases de données SQL et NoSQL

Objectifs : Comprendre la structure, le fonctionnement et la modélisation des bases de données, puis manipuler des données à l’aide de SQL et des approches NoSQL.

1 ▪ Généralités sur les bases de données (Structure d'une BD, concepts relationnels, relations entre tables, clés primaires et clés étrangères, principaux SGBD, fonctionnement d’un SGBD, modélisation Entité-Association)

2 ▪ SQL Fondamental (Création et lecture de tables, types de données, contraintes d’intégrité, introduction au langage SQL)

3 ▪ Requêtes SQL (SELECT, WHERE, ORDER BY, GROUP BY, HAVING)

4 ▪ Jointures (INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL JOIN)

5 ▪ SQL Avancé (Sous-requêtes, Vues, Procédures stockées, Indexation)

6 ▪ Introduction au NoSQL (MongoDB, Documents JSON, Collections, Cas d'usage Big Data)

7 ▪ IA appliquée aux bases de données (rédaction et explication de requêtes SQL, exploration conversationnelle des bases de données, limites, erreurs possibles et bonnes pratiques de validation des requêtes)

Projet pratique : Conception d'une base de données décisionnelle à partir d’un besoin métier : identification des entités, modélisation Entité-Association, définition des tables, des clés et des relations, interrogation de la base avec des requêtes SQL, puis utilisation encadrée de l’IA pour expliquer, améliorer et vérifier certaines requêtes.

◊ Module 4 : Techniques statistiques

Objectifs : Acquérir les fondamentaux statistiques, méthodologiques et économétriques nécessaires à la collecte, au traitement, à l’exploration et à l’analyse inférentielle des données.

1 ▪ Introduction à la statistique (généralités sur la statistique, démarche statistique, vocabulaire statistique)

2 ▪ Méthodologie de collecte de données (méthodes d'échantillonnage, conception d’outils de collecte, organisation des opérations de collecte)

3 ▪ Traitement des données d’enquêtes (contrôle de la qualité des données, détection des valeurs manquantes, aberrantes ou extrêmes, traitement des valeurs manquantes, aberrantes ou extrêmes)

4 ▪ Description et exploration des données (statistiques descriptives, analyse de la corrélation et de la variance (ANOVA), représentations graphiques des données)

5 ▪ Statistique inférentielle (échantillonnage, estimation, intervalles de confiance, tests d'hypothèses, économétrie du modèle linéaire, des séries temporelles, variables qualitatives, des données de panel)

6 ▪ IA et statistiques (assistance à l’exploration et l'analyse, aide à la formulation d’hypothèses statistiques, regard critique de l'humain)

Étude de cas : Analyse complète d'une enquête ou d'un jeu de données métier : définition de la démarche statistique, choix d’une méthode d’échantillonnage, contrôle qualité, traitement des valeurs manquantes ou aberrantes, exploration descriptive, tests d’hypothèses et interprétation de modèles économétriques simples, avec appui de l’IA pour formuler des hypothèses et produire une première lecture critique à valider méthodologiquement.

◊ Module 5 : Visualisation des données et storytelling

Objectifs : Transformer les analyses en tableaux de bord, visualisations et recommandations compréhensibles à l’aide d’outils de datavisualisation tels que Power BI et Looker Studio.

1 ▪ Principes de visualisation (définition et importance, design de l'information, choix des graphiques, perception visuelle)

2 ▪ Data Storytelling (construire une narration, présentation exécutive, communication des résultats)

3 ▪ Power BI et Looker Studio (connexion aux données dans Power BI et Looker Studio, préparation et modélisation des données, création de rapports interactifs et de tableaux de bord, Power BI VS Looker Studio)

4 ▪ IA et visualisation des données (génération de visualisations adaptées aux indicateurs, interprétations des commentaires, regard critique)

Projet pratique : Construction d'un tableau de bord de pilotage avec Power BI ou Looker Studio, incluant la connexion aux données, la création de visualisations, la mise en forme des indicateurs, la narration des résultats et l’utilisation de l’IA pour proposer des commentaires à relire, contextualiser et valider.

◊ Module 6 : Python pour l’analyse des données

Objectifs : Acquérir les bases de la programmation Python et les appliquer progressivement à la manipulation, au nettoyage, à la visualisation et à l’automatisation de l’analyse des données.

1 ▪ Introduction à Python (Historique et importance, Installation et présentation)

2 ▪ Fondamentaux Python (variables et types de données - opérateurs arithmétiques, de comparaison, logiques et d’affectation - listes, dictionnaires et tuples - fonctions - conditions : if, elif, else - boucles : for, while, etc.)

3 ▪ Manipulation et traitement des données (introduction à NumPy et Pandas - traitement des valeurs manquantes, aberrantes, doublons - normalisation des données)

4 ▪ Visualisation des données (visualisation des données avec Matplotlib et Seaborn, Matplotlib VS Seaborn)

5 ▪ IA générative pour le développement (génération de code, débogage assisté, contrôle, test et validation du code généré par l’IA)

Projet pratique : Développement d'un notebook Python d’analyse de données : prise en main de l’environnement, manipulation des variables et structures de données, utilisation des conditions et boucles, importation d’un jeu de données, nettoyage, exploration, visualisation et automatisation d’un pipeline analytique simple, avec recours à l’IA pour expliquer le code, suggérer des corrections et documenter les scripts sous contrôle de l’apprenant.

◊ Module 7 : Intelligence Artificielle et Machine Learning

Objectifs : Comprendre les concepts clés de l’intelligence artificielle et du machine learning, puis construire, évaluer et exploiter des modèles prédictifs dans des cas d’usage métier.

1 ▪ Introduction à l'intelligence artificielle et au machine learning (Définition - IA, machine learning et deep learning : lien, différences et complémentarités - types de ML, workflow d'un projet ML)

2 ▪ Préparation des données (feature engineering, encodage et mise à l'échelle)

3 ▪ Modélisation prédictive (supervisé et non supervisé, évaluation des modèles)

4 ▪ IA Responsable (biais algorithmiques, éthique, transparence et protection des données)

Projet pratique : Construction d'un modèle prédictif métier à partir d’un cas concret : formulation du problème, choix du type d’apprentissage adapté, préparation des données, entraînement du modèle, évaluation des performances, interprétation des résultats et discussion des limites, biais et conditions d’usage responsable de l’IA pour l’aide à la décision.