- Concevoir un processus de collecte de données en évaluant et choisissant des outils adaptés pour faciliter l'accessibilité, la sécurité et l'intégrité des données centralisées dans le respect de la réglementation en vigueur (RGPD).
- Créer un système automatisé de collecte de données en intégrant des solutions ETL (comme Fivetran ou Stitch) et/ou en développant des scripts informatiques en Python ou SQL pour une agrégation rapide et exacte des données correspondant aux besoins métier.
- Extraire des données en développant des scripts personnalisés (par exemple en Python ou SQL) pour récupérer des informations précises et pertinentes depuis une ou plusieurs bases de données.
- Identifier et interpréter des tendances en utilisant des langages de programmation (par exemple Python) et/ou des outils métiers adaptés (par exemple un tableur) pour comprendre finement le contexte et la nature des données analysées.
- Préparer et transformer des données en utilisant des techniques de prétraitement (preprocessing) pour les adapter aux spécificités du modèle d'apprentissage automatique choisi.
- Identifier les évolutions clés en IA et Big Data en analysant des sources d'information spécialisées pour rester à la pointe des dernières innovations et alimenter les stratégies de projet.
- Évaluer les risques inhérents au projet IA et Big Data concernant l'impact éthique, le respect du RGPD ou encore la conformité aux normes environnementales, en proposant des méthodes d'audit pour garantir une conformité globale du projet.
- Piloter une équipe multidisciplinaire en mettant en place des mécanismes d'évaluation et de feedback continus, assurant ainsi une progression fluide et coordonnée du projet data.
- Présenter les résultats de projets IA et Big Data en adaptant le contenu et la forme aux différentes parties prenantes, y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG pour garantir une compréhension claire et inclusive.
- Entraîner un modèle d'apprentissage profond en optimisant une loss function (fonction de coût) à partir des données d'entraînement afin de permettre à l'algorithme d'effectuer le moins d'erreurs possibles selon des indicateurs de succès clairement définis.
- Choisir des visualisations pertinentes en prenant en considération la nature massive des données et le profil des usagers y compris les personnes en situation de handicap, en suivant les directives d'accessibilité du WCAG afin de faciliter la compréhension des informations obtenues grâce à l'IA et au Big Data.
- Créer des tableaux de bord en utilisant des outils de BI (comme PowerBI ou Looker Studio) afin de rendre accessibles et interactives les analyses prédictives aux autres membres de l'entreprise.
Phase 0 : Prendre en main les outils du data analyst (70h)
- Découvrir les différentes activités du métier de Data Analyst
- Prendre en main l'analyse du besoin métier et l'analyse de données dans un outil de BI
- Découvrir les méthodes agiles pour l'organisation du travail
- Se préparer à la FOAD
Phase 1: Ajuster et analyser un tableau de bord de monitorage d'activité métier (140h)
- Recueillir un besoin de monitorage d'une activité métier
- Collecter des données depuis une source structurée (fichier, BDD)
- Effectuer une analyse statistique descriptive de données
Phase 2 : Effectuer une analyse avancée pour un tableau de bord (140h)
- Créer une base de données à partir d'une modélisation
- Collecter des données et les stocker dans une BDD
- Créer des visualisations permettant de mettre en évidence des constats et des tendances
- Définir des KPIs
Phase 3 : Créer, entraîner et évaluer un modèle de ML pour un tableau de bord (105h)
- Recueillir un besoin de prédiction d'une activité métier et participer au choix du modéle
- Collecter les données depuis des sources diverses, structurées ou non structurées
- Utiliser les résultats d'un modèle de ML pour enrichir un tableau de bord
Phase 4 : Créer un pipeline d'extraction et nettoyage auto Big Data pour un tableau de bord (105h)
- identifier des sources de données externes structurées ou non (API, site web…)
- Modéliser et créer une base de données sur une plateforme Big Data (GCP Storage, AWS S3…)
- Collecter et stocker des données dans un plateforme Big Data (tables raw)
Phase 5 : Exploiter les données pour accompagner une organisation dans sa prise de décision et l'optimisation de ses opérations (105h)
- Recueillir les besoins d'une activité métier et définir des KPIs
- Analyser les besoins de données et identifier les sources
- Entraîner un modèle de ML pour produire des données prédictives
- Développer une API de mise à disposition des données à partir de différentes sources (fichiers, API, base de données, plateforme Cloud…)
Phase 6 : Periode d'application en entreprise (679h)
- Organiser sa recherche d'entreprise d'accueil
- Cadrer et anticiper sa période en entreprise de façon cohérente avec la formation
- Intégrer une équipe technique sur des missions du/de la data analyst
Phase 7 : Préparation à l'examen de certification et clôture du parcours de formation (70h)
- Revue des livrables techniques et des documents attendus pour la certification
- Revue de la présentation pour la soutenance
- Entrainement avec un examen blanc
Certification niveau VI
Certifiante
Bac + 3 et 4
