Bachelier de Spécialisation en Business Data Analysis

Quadri 1+2

• Exploitation et modélisation des bases de données 5

  Objectifs

  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.
  

• Data Visualization 5

  Objectifs

  Ce cours vise à développer les compétences suivantes :
  • Configurer des logiciels afin de permettre la connexion à des banques de données, Datawarehouse, et autres fichiers, afin de rapatrier les données nécessaires, de les transformer, de les associer, et de les présenter aux utilisateurs dans un environnement de Business Intelligence.
  • S’approprier des connaissances générales en Data Visualisation en vue de présenter des données économiques, financières, Commerciales…sous formes de Rapports, Dashboard et Analytics compréhensible pour ses interlocuteurs,
  • Développer les applications permettant aux utilisateurs d’interagir avec les données, en changeant leurs présentations, les agrégations, en ajoutant des variables, et en les actualisant,
  • Présenter les données sous les formes les plus appropriées, en fonction du type de données et des attentes et besoins des Utilisateurs,
  • Utiliser les spécificités des logiciels de visualisation, pour illustrer les associations entre les données.
  • Mettre à disposition des utilisateurs un logiciel de visualisation des données, au travers d'un site ou d'un espace de stockage partagé
  
  

  Contenu

  Ce cours se subdivise en plusieurs parties :
  
  1. Introduction à la Business Intelligence : Histoire, évolution, des systèmes d’informatique décisionnelle, domaines d’application et exemples illustratifs,
  2. Description des Interactions Utilisateurs : Concept de « Data Literacy » (Maîtrise des données)
  3. L’analyse des besoins des Utilisateurs
  4. La recherche, l’identification et le rapatriement des données pertinentes et nécessaires à répondre aux questions des Utilisateurs
  5. La transformation des données afin de les associer, et permettre la création d’un environnement global propice aux recherches de l’utilisateur.
  6. La création de modèles types "star schema" permettant l’interaction de sources de données multiples,
  7. L’optimisation de modèles, afin d’offrir la meilleure performance aux Utilisateurs.
  8. L’élaboration de master data,
  9. Présentation et explication de l’utilisation des Dashboard, en vue de facilité leurs adoption
  

• Statistiques 5

  Objectifs

  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

  Ce cours vise à développer les compétences suivantes :
  S’approprier des connaissances générales en Data Mining en vue de traiter des données économiques, financières, commerciales…
  Contribuer à la formalisation d’un projet de Data Mining, à la formulation de ses objectifs
  Analyser les données disponibles dans l’entreprise et évaluer leur utilité
  Utiliser des ressources logicielles existantes permettant le traitement statistique de données pour décrire des interrelations entre des variables choisies et les illustrer graphiquement ;
  Développer des modèles descriptifs et prédictifs d’analyse.
  Elaborer des modèles et juger de leur validité, formuler les conclusions.
  

  Contenu

  Ce cours se subdivise en plusieurs parties :
  1. Introduction au Data Mining : Contextualisation et évolution. Définition, apports, développement et ses raisons, spécificités (versus la statistique, l’informatique décisionnelle, le machine learning, l’IA), domaines d’application et exemples illustratifs, Séquence usuelle d’un projet de data mining, Préparation et complètement des données.
  
  2. Données de base : Inventaire des données, propriété des données, exploration des données, préparation/transformation des données.
  
  3. Panorama des techniques : Descriptives et Explicatives/Prédictives, Supervisées ou Non Supervisée
  
  4. Techniques non supervisées : Le Clustering (classification non supervisée): Généralités, Kmeans (partitionnement), Hiérarchique (ascendante) ; Règles d’association, Généralités, Technique d’association et filtrage collaboratif
  
  5. Techniques supervisées : Notions d’apprentissage, échantillon ou segmentation, selection des variables, évaluation des modèles, mesures de la performance ; Notions de classement et d’estimation ; Régression linéaire, Méthode des KNN Plus Proches voisins, Classifieur Naif Bayésien, Régression logistique
  
  6. Text Mining : Contexte, particularités des données textuelles, intelligence artificielle et traitement du langage naturel, extraction et préparation des données
  
  

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

  Objectifs

  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