Bachelier de Spécialisation en Business Data Analysis

Quadri 1

• Statistiques 5

  Objectifs

  • C1. S’insérer dans son milieu professionnel et s’adapter à son évolution
    • C1.3. Adopter une attitude éthique et respecter les règles déontologiques
  • C2. Communiquer : écouter, informer et conseiller les acteurs, tant en interne qu’en externe
    • C2.3. Synthétiser et critiquer les résultats des analyses
  • C3. Mobiliser les savoirs et savoir-faire propres en business data analysis
    • C3.2. Distinguer la nature des données
    • C3.8. Maîtriser les méthodes d’analyse statistique et mathématique de données
  • C5. S’organiser : structurer, planifier, coordonner et gérer de manière rigoureuse les actions et les tâches
    • C5.5. Examiner la fiabilité des données reçues

  Présenter et illustrer :
  - Les notions de statistique descriptive de base : présentation structurée d'une série statistique et calculs des indicateurs les plus courants la concernant
  - Les notions de probabilité et de distribution d’une variable probabilisée et leurs interprétation en fonction des paramètres fondamentaux relatifs à une distribution de données
  - Les notions de significativité en rapport aux principaux tests d’hypothèses (sur la moyenne et la dispersion)
  - L'interprétation de leurs résultats (seuil de significativité et intervalle de confiance)
  - Les types le plus courants de liaison entre variables et la notion de corrélation (principalement linéaire)
  - Un modèle ANOVA à un facteur fixe
  - La régression linéaire (simple et multiple)
  - Comment choisir et mettre en œuvre une méthodologie de résolution de problème et la justifier en fonction des conditions initiales de la problématique à analyser

  Contenu

  - Notions de statistique descriptive de base
  - Notions de probabilité : définition empirique ; indépendance ; probabilité conditionnelle ; variable aléatoire ; lois de Gauss, binomiale, de Poisson, Chi-carré, Student et de Fisher ; théorème de la limite centrale
  - Notion de covariance et de corrélation
  - Inférence statistique : notions de test d’hypothèses et d’intervalle de confiance ; tests sur l’espérance et la dispersion d’une population ; test sur une proportion ; comparaison de deux populations ; test d’ajustement à une loi normale ; modèle ANOVA à un facteur ; modèle linéaire ; tests sur la liaison entre variables (essentiellement tests d’indépendance)

• Data Mining 5

  Objectifs

  • C1. S’insérer dans son milieu professionnel et s’adapter à son évolution
    • C1.3. Adopter une attitude éthique et respecter les règles déontologiques
  • C2. Communiquer : écouter, informer et conseiller les acteurs, tant en interne qu’en externe
    • C2.2. Présenter les données de manière synthétique et compréhensible
    • C2.3. Synthétiser et critiquer les résultats des analyses
  • C3. Mobiliser les savoirs et savoir-faire propres en business data analysis
    • C3.1. Percevoir des données comme des ressources valorisables
    • C3.2. Distinguer la nature des données
    • C3.3. Intégrer, diffuser et exploiter des données de différents types
    • C3.5. Concevoir des schémas d’analyse des données et des modèles prédictifs
    • C3.8. Maîtriser les méthodes d’analyse statistique et mathématique de données
  • C5. S’organiser : structurer, planifier, coordonner et gérer de manière rigoureuse les actions et les tâches
    • C5.5. Examiner la fiabilité des données reçues

  Ce cours vise à développer les compétences suivantes :

  • S'approprier des connaissances générales en Data Mining
  • Contribuer à la formalisation d'un projet en data mining, à la formulation de ses objectifs
  • Acquérir une compréhension des différentes sources et types de données ainsi que les enjeux du big data
  • Comprendre et appliquer les fondamentaux d'extraction et de préparatation/transformation de l'information
  • Acquérir des connaissances en techniques supervisées et non supervisées
  • Acquérir une compréhension des objectifs et finalités d'application des différents modèles en data mining
  • Comprendre les notions fondamentales des algorithmes supervisés de classement et d'estimation ainsi que les fonctions de coûts
  • Comprendre les limitations des modèles d'apprentissage et l'évolution vers le deep learning 
  • Sa familiariser avec un langage de programmation et l'utilisation de bilbiothèques spécialisées pour l'application du data mining

  
  
  

  Contenu

  Ce cours se subdivise en plusieurs parties :

  1. Introduction

  • Introduction au machine learning, à l’intelligence artificielle générative et aux workflows agentiques
  • Introduction au data mining : définitions, apports, évolution, spécificités (vs. statistique, business intelligence, machine learning, deep learning), domaines d’application et exemples

  2. Données et processus

  • Inventaire et typologie des données
  • Propriétés et qualité des données
  • Exploration, préparation et transformation des données
  • Étapes d’un projet en data mining (du recueil des données à l’évaluation des résultats)
  • Échantillonnage et segmentation

  3. Techniques de data mining

  a) Approches supervisées

  • Principes de classification et d’estimation
  • Régressions (linéaire, polynomiale, régularisée)
  • Régression logistique (fonction sigmoïde, décision linéaire/non-linéaire, fonction perte, régularisation)
  • Réseaux de neurones (architecture de base, propagation avant et rétropropagation, fonctions d’activation, algorithmes d’optimisation)Arbres de décision (pureté, gain d’information, Random Forest, XGBoost)
  • K plus proches voisins (KNN)
  • Classifieur naïf bayésien

  b) Approches non supervisées

  • Réduction de dimensionnalité (ACP)
  • Détection d’anomalies
  • Clustering : méthodes partitionnelles (K-Means) et hiérarchiques
  • Règles d’association

  4. Évaluation des modèles

  1. Méthodes et indicateurs d’évaluation des performances

Quadri 2

• Data Visualization 5

  Objectifs

  • C1. S’insérer dans son milieu professionnel et s’adapter à son évolution
    • C1.3. Adopter une attitude éthique et respecter les règles déontologiques
    • C1.4. Développer une approche responsable, critique et réflexive des pratiques professionnelles
  • C2. Communiquer : écouter, informer et conseiller les acteurs, tant en interne qu’en externe
    • C2.1. Pratiquer l’écoute et l’empathie
    • C2.2. Présenter les données de manière synthétique et compréhensible
    • C2.3. Synthétiser et critiquer les résultats des analyses
  • C3. Mobiliser les savoirs et savoir-faire propres en business data analysis
    • C3.1. Percevoir des données comme des ressources valorisables
    • C3.2. Distinguer la nature des données
    • C3.3. Intégrer, diffuser et exploiter des données de différents types
    • C3.6. Maîtriser les méthodes de valorisation des données (valeur marchande, valeur psychologique, valeur de reconstruction, valeur d’usage, valeur d’utilité, valeur de criticité…)
    • C3.7. Utiliser des outils de reporting et d’aide à la décision
  • C4. Analyser les données utiles à la réalisation de sa mission en adoptant une démarche systémique
    • C4.1. Comprendre les problématiques de son client, de l’entreprise et de son environnement

  
  

  Ce cours vise à permettre à l’étudiant(e) de :

  • se familiariser avec l’utilisation d’un outil de business intelligence afin d’extraire, transformer, associer et présenter des données à l’aide de visuels pertinents ;
  • acquérir des connaissances générales en modélisation de données appliquées à la visualisation ;
  • comprendre les principes fondamentaux de la data visualisation et savoir présenter les données sous forme de rapports, de tableaux de bord et d’analyses compréhensibles pour différents interlocuteurs ;
  • contribuer à la formalisation d’un projet en data visualisation ;
  • développer des applications interactives permettant aux utilisateurs d’explorer les données (changements de présentation, d’agrégation, ajout de variables, actualisation) ;
  • sélectionner et concevoir les représentations graphiques les plus adaptées en fonction du type de données et des besoins utilisateurs.

  Contenu

  Ce cours se subdivise en plusieurs II parties 

  I. Partie théorique

  1. Introduction à la data visualization et l'informatique décisionnelle 
  2. Inventaire et propriété des données
  3. Extraction, transforformation et chargement des données
  4. Principes du Star Schéma (+ Rappel notions de fusion des tables join & union)
  5. Mesures / Dimensions
  6. Gestion de projet
  7. Théorie de Gestalt
  8. Data visualization : Contexte, étapes, choix du visuel, épuration
  9. Dashboard : Codage visuel, couleurs, concept DAR

  II Partie Pratique

  1. Introduction à un outil
  2. Concept d'associativité
  3. Concept de chargement des données "in memory"
  4. Dimensions / Mesures
  5. Extraction et préparation d'un dataset
  6. Création de dashboards

Quadri 1+2

• Exploitation et modélisation des bases de données 5

  Objectifs

  • C1. S’insérer dans son milieu professionnel et s’adapter à son évolution
    • C1.3. Adopter une attitude éthique et respecter les règles déontologiques
  • C2. Communiquer : écouter, informer et conseiller les acteurs, tant en interne qu’en externe
    • C2.3. Synthétiser et critiquer les résultats des analyses
  • C3. Mobiliser les savoirs et savoir-faire propres en business data analysis
    • C3.1. Percevoir des données comme des ressources valorisables
    • C3.2. Distinguer la nature des données
    • C3.3. Intégrer, diffuser et exploiter des données de différents types
    • C3.4. Gérer les procédures de collecte, d’exploitation, d’utilisation, de protection et de sécurisation des données
    • C3.5. Concevoir des schémas d’analyse des données et des modèles prédictifs
  • C4. Analyser les données utiles à la réalisation de sa mission en adoptant une démarche systémique
    • C4.2. Comprendre les enjeux liés au développement du big data

  Ce cours vise à développer les compétences suivantes :
  • Modélisation d’un schéma de base de données relationnelle;
  • Création d’une base de données relationnelle;
  • Exploitation des données d’une base de données relationnelle.
  

  Contenu

  Ce cours aborde :
  • Les métadonnées;
  • Le modèle relationnel;
  • La conception d’une base de données relationnelle;
  • La modélisation des données temporelles;
  • Les dépendances fonctionnelles et la normalisation en 3ème forme normale;
  • Les requêtes en langage SQL.
  

• Epreuve Intégrée de la section : bachelier de spécialisation en Business Data Analysis 15

  Objectifs

  • C1. S’insérer dans son milieu professionnel et s’adapter à son évolution
    • C1.1. Travailler, tant en autonomie qu'en équipe, dans le respect de la culture de l'entreprise
    • C1.2. Collaborer à la résolution de problèmes complexes avec méthode, rigueur, proactivité et créativité
    • C1.3. Adopter une attitude éthique et respecter les règles déontologiques
    • C1.4. Développer une approche responsable, critique et réflexive des pratiques professionnelles
    • C1.5. Identifier ses besoins de développement et s’inscrire dans une démarche de formation permanente
  • C2. Communiquer : écouter, informer et conseiller les acteurs, tant en interne qu’en externe
    • C2.2. Présenter les données de manière synthétique et compréhensible
    • C2.3. Synthétiser et critiquer les résultats des analyses
    • C2.4. Formuler des recommandations pertinentes
    • C2.5. Assurer l’interface entre tous les interlocuteurs.
  • C3. Mobiliser les savoirs et savoir-faire propres en business data analysis
    • C3.2. Distinguer la nature des données
    • C3.3. Intégrer, diffuser et exploiter des données de différents types
    • C3.5. Concevoir des schémas d’analyse des données et des modèles prédictifs
    • C3.6. Maîtriser les méthodes de valorisation des données (valeur marchande, valeur psychologique, valeur de reconstruction, valeur d’usage, valeur d’utilité, valeur de criticité…)
    • C3.7. Utiliser des outils de reporting et d’aide à la décision
  • C4. Analyser les données utiles à la réalisation de sa mission en adoptant une démarche systémique
    • C4.1. Comprendre les problématiques de son client, de l’entreprise et de son environnement
  • C5. S’organiser : structurer, planifier, coordonner et gérer de manière rigoureuse les actions et les tâches
    • C5.2. Appliquer des méthodes de gestion de projet
    • C5.3. Faire preuve de rigueur, de sens de l’organisation, de capacité d’anticipation, de flexibilité et d’esprit critique
    • C5.5. Examiner la fiabilité des données reçues

  Traiter un problème concret lié à l'analyse de données comportant l'analyse et la recherche de solutions
  Planifier les différentes étapes liées à l'analyse des données (définition du besoin, collecte, transformation, présentation)
  Elaborer une méthodologie de travail
  Développer une pensée critique
  
  
  

  Contenu

  Le TFE a principalement pour objet de permettre aux étudiants de prouver leur capacité d’insertion socio-professionnelle par une réalisation autonome et personnelle apportant des solutions concrètes à une problématique et permettant l’intégration des compétences et acquis de l’année de bachelier de spécialisation en Business Data Analysis