Hoja de repaso: Introduction à l'Analyse de Données

📋 Plan du Cours

1. Définition données
2. Analyse des données
3. Objectifs analyse
4. Types d’analyses
5. Analyse descriptive
6. Analyse exploratoire
7. Analyse prédictive
8. Analyse prescriptive
9. Exemples entreprises
10. Sources de données
11. Nettoyage des données
12. Interprétation résultats

📖 1. Définition données

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel. Exemple : "500".
• Information : Donnée contextualisée, organisée et compréhensible, avec du sens. Exemple : "500 ventes ont été réalisées ce mois-ci."
• Connaissance : Résultat d’une réflexion sur des informations analysées, apportant une valeur ajoutée. Exemple : "Les ventes ont augmenté de 10% grâce à la nouvelle campagne."
• Analyse des données : Ensemble de méthodes statistiques, mathématiques ou informatiques permettant de transformer des données en information. Son but est de synthétiser, structurer et interpréter pour prendre des décisions ou prévoir des situations futures.
• Types d’analyse :
  • Descriptive : Résumer et présenter les caractéristiques des données.
  • Exploratoire : Découvrir tendances, relations ou structures cachées.
  • Prédictive : Prévoir des comportements ou événements futurs.
  • Prescriptive : Recommander des actions pour optimiser un résultat.

📝 Points essentiels

• La donnée est un élément brut, sans contexte ni interprétation.
• La information donne du sens à la donnée en la contextualisant et en l’organisant.
• La connaissance résulte de l’analyse approfondie des informations, permettant une prise de décision éclairée.
• L’analyse des données est un processus structuré incluant la collecte, le nettoyage, l’analyse et l’interprétation pour extraire des résultats exploitables.
• Les quatre types d’analyse permettent de passer de la simple description à la recommandation d’actions : descriptive, exploratoire, prédictive, prescriptive.
• La méthodologie doit préciser la problématique, les objectifs, le périmètre, les sources de données, et les étapes de traitement.
• La qualité des résultats dépend de la fiabilité des données, de la maîtrise des outils et de la compréhension des limites.

💡 À retenir

La donnée brute devient une connaissance précieuse lorsqu’elle est analysée, organisée et interprétée, permettant aux entreprises de prendre des décisions stratégiques et d’anticiper l’avenir.

📖 2. Analyse des données

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel. Exemple : "500" (nombre de ventes).
• Information : Donnée contextualisée, organisée et compréhensible. Exemple : "500 ventes ont été réalisées ce mois-ci."
• Connaissance : Résultat d’une réflexion sur des informations analysées, apportant une valeur ajoutée. Exemple : "Les ventes ont augmenté de 10% grâce à la nouvelle campagne."
• Analyse des données : Ensemble de méthodes statistiques, mathématiques ou informatiques permettant de transformer des données en informations exploitables pour la prise de décision.
• Types d’analyse :
  • Descriptive : Résumer et présenter les caractéristiques essentielles des données.
  • Exploratoire : Découvrir tendances et relations cachées.
  • Prédictive : Anticiper des comportements ou événements futurs.
  • Prescriptive : Recommander des actions pour optimiser un résultat.

📝 Points essentiels

• La différence entre donnée, information et connaissance est fondamentale pour comprendre le processus analytique.
• L’analyse descriptive utilise des indicateurs statistiques (moyenne, médiane, variance) et des visualisations (graphiques, tableaux) pour décrire les données.
• L’analyse exploratoire permet d’identifier des tendances, des corrélations (relation linéaire entre deux variables) et des structures cachées.
• L’analyse prédictive s’appuie sur des données historiques (séries chronologiques, modèles de prévision) pour anticiper l’avenir.
• L’analyse prescriptive combine résultats pour recommander des actions concrètes, souvent via des techniques d’optimisation.
• La méthodologie d’analyse inclut la définition de la problématique, la collecte, le nettoyage, l’analyse, l’interprétation et la formulation de recommandations.
• La qualité des données (absence de doublons, erreurs, valeurs manquantes) est cruciale pour la fiabilité des résultats.
• La compréhension des limites (biais, outils limités) permet d’éviter une interprétation erronée.

💡 À retenir

L’analyse des données, en transformant des données brutes en informations et connaissances, permet aux entreprises de prendre des décisions stratégiques éclairées, en anticipant l’avenir et en optimisant leurs actions.

📖 3. Objectifs analyse

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel (ex : "500"). C’est une information isolée sans contexte.
• Information : Donnée contextualisée, organisée et compréhensible (ex : "500 ventes ont été réalisées ce mois-ci"). Elle donne du sens à la donnée.
• Connaissance : Résultat d’une réflexion sur des informations analysées, intégrant expérience et compétences pour prendre des décisions (ex : "Les ventes en hausse de 10% suite à la campagne").
• Analyse des données : Processus méthodologique visant à transformer des données en informations exploitables pour la prise de décision, en utilisant des méthodes statistiques, mathématiques ou informatiques.
• Types d’analyse :
  • Descriptive : Résumer et présenter les caractéristiques essentielles d’un ensemble de données.
  • Exploratoire : Découvrir tendances, relations ou structures cachées.
  • Prédictive : Prévoir des comportements ou événements futurs.
  • Prescriptive : Recommander des actions pour optimiser un résultat.

📝 Points essentiels

• L’analyse des données vise à améliorer la prise de décision en fournissant des informations factuelles, en réduisant les risques et en maximisant les opportunités.
• Elle permet de créer de la valeur client en comprenant leurs besoins et préférences, et d’optimiser les stratégies marketing et commerciales.
• La méthodologie d’analyse comprend la collecte, le nettoyage, la structuration, l’analyse et l’interprétation des données.
• Les principales étapes :
  • Définir la problématique, les objectifs, le périmètre temporel et le public cible.
  • Identifier et collecter les sources de données (internes ou externes).
  • Nettoyer et structurer les données (suppression des doublons, gestion des valeurs manquantes, création de variables).
  • Analyser (statistiques descriptives, corrélations, détection d’anomalies).
  • Interpréter les résultats pour en tirer des recommandations concrètes.
• La limite de toute analyse doit être reconnue : qualité des données, biais possibles, limites des outils utilisés.

💡 À retenir

L’analyse des données est un processus stratégique qui transforme des données brutes en connaissances exploitables, permettant aux entreprises de prendre des décisions éclairées, prédire l’avenir et optimiser leurs actions.

📖 4. Types d’analyses

🔑 Notions clés & Définitions

• Analyse descriptive : Méthode visant à résumer et présenter les caractéristiques principales d’un ensemble de données à l’aide de statistiques et de visualisations.
• Analyse exploratoire : Approche qui cherche à découvrir des tendances, relations ou structures cachées dans les données sans hypothèses préalables.
• Analyse prédictive : Technique utilisant des données historiques pour prévoir des événements ou comportements futurs, souvent via des modèles statistiques ou machine learning.
• Analyse prescriptive : Processus qui recommande des actions concrètes pour optimiser un résultat, en s’appuyant sur les analyses descriptives, exploratoires et prédictives.
• Corrélation : Mesure statistique de la relation linéaire entre deux variables, indiquant si elles évoluent ensemble de façon positive ou négative.
• Séries chronologiques : Analyse des données ordonnées dans le temps pour identifier des tendances, cycles ou saisons et prévoir les valeurs futures.

📝 Points essentiels

• Les analyses se succèdent souvent : descriptive pour comprendre, exploratoire pour découvrir, prédictive pour anticiper, prescriptive pour agir.
• La visualisation (graphiques, tableaux) est essentielle pour interpréter efficacement les résultats.
• La corrélation indique une relation, mais ne prouve pas la causalité.
• La méthodologie d’analyse doit définir la problématique, les objectifs, le périmètre, et les sources de données.
• La qualité des données (absence, cohérence, erreur) est cruciale ; leur nettoyage est une étape clé.
• Chaque type d’analyse est adapté à un objectif précis : par exemple, la segmentation en marketing ou la gestion des flux en finance.
• La combinaison des analyses permet de prendre des décisions éclairées et stratégiques.

💡 À retenir

Les différents types d’analyse — descriptive, exploratoire, prédictive et prescriptive — forment un continuum permettant de transformer des données brutes en actions concrètes, en passant par la compréhension et la prévision. La réussite dépend de la méthodologie, de la qualité des données et de l’interprétation pertinente des résultats.

📖 5. Analyse descriptive

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel. Exemple : "500" (nombre de ventes).
• Information : Donnée contextualisée, organisée et compréhensible, apportant du sens. Exemple : "500 ventes ont été réalisées ce mois-ci."
• Connaissance : Résultat d’une réflexion sur des informations analysées, permettant de prendre des décisions. Exemple : "Une hausse de 10% des ventes suite à une nouvelle campagne."
• Analyse descriptive : Technique visant à décrire et résumer les caractéristiques essentielles d’un ensemble de données.
• Indicateurs statistiques : Moyenne, médiane, variance, écart-type, utilisés pour résumer les données.
• Visualisation : Utilisation de graphiques (histogrammes, diagrammes en barres) et tableaux pour représenter les données.
• Analyse de corrélation : Mesure statistique de la relation linéaire entre deux variables.

📝 Points essentiels

• L’analyse descriptive fournit une vue d’ensemble claire des données, permettant d’identifier rapidement leurs principales caractéristiques.
• Elle utilise des indicateurs statistiques pour résumer les données et des graphiques pour visualiser les tendances.
• Elle constitue la première étape dans l’analyse de données, indispensable pour comprendre la structure des données avant d’aller plus loin.
• La visualisation facilite la détection de motifs, de tendances et de relations potentielles.
• La corrélation permet d’évaluer la relation entre deux variables, essentielle pour orienter des analyses plus approfondies.
• La qualité des données est cruciale : nettoyage, suppression des doublons, gestion des valeurs manquantes sont indispensables pour une analyse fiable.
• La limite principale de l’analyse descriptive réside dans son incapacité à prévoir ou à recommander des actions, elle ne se limite qu’à la description.

💡 À retenir

L’analyse descriptive est la première étape essentielle pour comprendre et résumer les données, en fournissant une base solide pour toute analyse ultérieure ou prise de décision.

📖 6. Analyse exploratoire

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel (ex : "500").
• Information : Donnée contextualisée, organisée et compréhensible, apportant du sens (ex : "500 ventes ont été réalisées ce mois-ci").
• Connaissance : Résultat d’une réflexion sur des informations analysées, permettant de prendre des décisions (ex : "Les ventes ont augmenté de 10% grâce à une nouvelle campagne").
• Analyse exploratoire : Méthode visant à découvrir des tendances, relations ou structures cachées dans les données sans hypothèses préalables.
• Corrélation : Mesure statistique de la liaison linéaire entre deux variables, indiquant si elles évoluent ensemble.
• Séries chronologiques : Analyse de données dans le temps pour identifier tendances, cycles et prévoir des valeurs futures.

📝 Points essentiels

• L’analyse exploratoire permet de découvrir des relations et tendances dans les données, souvent à l’aide de graphiques, indicateurs statistiques (moyenne, médiane, variance) et techniques de corrélation.
• La corrélation indique le degré et la direction d’une relation linéaire entre deux variables ; elle ne prouve pas la causalité.
• La méthodologie d’analyse doit inclure la collecte, le nettoyage, la structuration et l’interprétation des données, en tenant compte des limites comme la qualité des données ou les biais possibles.
• La visualisation (histogrammes, diagrammes en barres) facilite la compréhension des tendances et relations.
• L’analyse exploratoire est une étape clé pour orienter les analyses prédictive et prescriptive.
• Exemple : Amazon utilise l’analyse exploratoire pour personnaliser recommandations ou ajuster les prix en temps réel.

💡 À retenir

L’analyse exploratoire est une étape fondamentale qui permet d’identifier des tendances et relations dans les données, servant de base pour des analyses plus avancées et la prise de décision stratégique.

📖 7. Analyse prédictive

🔑 Notions clés & Définitions

• Analyse prédictive : Ensemble de méthodes statistiques, mathématiques ou informatiques visant à utiliser des données historiques pour prévoir des événements ou comportements futurs.
  Exemple : Prédire la demande d’un produit pour optimiser la gestion des stocks.

• Séries chronologiques : Techniques d’analyse des données ordonnées dans le temps pour identifier tendances, cycles ou saisons, et prévoir les valeurs futures.
  Exemple : Prévision des ventes mensuelles sur une année.

• Modèles prédictifs : Algorithmes ou techniques (régression, arbres de décision, réseaux neuronaux) construits à partir de données historiques pour faire des prédictions.
  Exemple : Modèle de churn pour anticiper la perte de clients.

• Variables explicatives (ou features) : Variables utilisées dans un modèle pour expliquer ou prédire une variable cible.
  Exemple : Utilisation de l’âge, du revenu pour prédire la probabilité d’achat.

• Validation du modèle : Processus d’évaluation de la performance d’un modèle prédictif à l’aide de données de test ou de validation croisée pour éviter le surapprentissage.
  Exemple : Taux d’erreur ou précision du modèle.

• Point à retenir : L’analyse prédictive permet d’anticiper des comportements futurs en s’appuyant sur des données passées, facilitant une prise de décision proactive.

📝 Points essentiels

• L’analyse prédictive utilise des techniques statistiques et informatiques pour transformer des données historiques en prévisions fiables.
• Elle s’appuie sur la modélisation, notamment via des algorithmes de machine learning, pour identifier des patterns et faire des projections.
• La qualité des données (completude, cohérence) est cruciale pour la fiabilité des prédictions.
• La validation et la calibration des modèles sont essentielles pour éviter les erreurs de prévision.
• Elle est utilisée dans divers domaines : marketing (segmentation, churn), finance (risque, détection de fraude), logistique (prévision de la demande).
• La compréhension des séries chronologiques et la gestion des variables explicatives sont fondamentales pour une analyse efficace.
• La prédiction n’est pas une certitude, mais une estimation probabiliste, avec une marge d’erreur inhérente.

💡 À retenir

L’analyse prédictive exploite des données passées pour anticiper l’avenir, permettant aux entreprises de prendre des décisions stratégiques et opérationnelles plus éclairées.

📖 8. Analyse prescriptive

🔑 Notions clés & Définitions

• Analyse prescriptive : Méthode analytique visant à recommander des actions concrètes pour atteindre un objectif précis, en s’appuyant sur des données, des modèles et des simulations.
  Exemple : Optimiser la gestion des stocks pour réduire les coûts.

• Décision multicritère : Processus de choix impliquant plusieurs critères ou objectifs simultanés, souvent résolus par des méthodes comme l’analyse par réseau d’atteintes ou l’analyse multicritère.
  Exemple : Choisir un fournisseur en équilibrant coût, qualité et délai.

• Modèles d’optimisation : Algorithmes mathématiques permettant de déterminer la meilleure solution possible selon des contraintes et des objectifs donnés.
  Exemple : Programmation linéaire pour maximiser le profit.

• Simulation : Technique permettant de tester différentes stratégies ou scénarios pour prévoir leurs impacts avant de les appliquer.
  Exemple : Simulation de la demande pour ajuster la production.

• Recommandations : Actions ou décisions proposées par l’analyse prescriptive pour optimiser un résultat ou résoudre un problème.
  Exemple : Modifier les prix pour maximiser la marge.

📝 Points essentiels

• L’analyse prescriptive va au-delà de la simple description ou prédiction en proposant des solutions concrètes.
• Elle combine des techniques statistiques, mathématiques et informatiques pour modéliser des situations complexes.
• Elle s’appuie sur des données historiques, des modèles d’optimisation et des simulations pour recommander des actions optimales.
• La prise de décision multicritère permet de gérer des compromis entre plusieurs objectifs concurrents.
• La méthodologie inclut la définition claire de la problématique, la collecte et la structuration des données, l’application de modèles d’optimisation, puis l’interprétation des résultats pour formuler des recommandations.

💡 À retenir

L’analyse prescriptive est la phase ultime de l’analytique, qui guide concrètement les décisions stratégiques en proposant des actions optimales basées sur une modélisation rigoureuse des données et des contraintes.

📖 9. Exemples entreprises

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel. Exemple : "500" (nombre de ventes).
• Information : Donnée contextualisée, organisée et compréhensible. Exemple : "500 ventes ont été réalisées ce mois-ci."
• Connaissance : Résultat de l’analyse des informations, intégrant expérience et réflexion pour prendre des décisions. Exemple : "Une hausse de 10% des ventes suite à une nouvelle campagne marketing."
• Analyse des données : Ensemble de méthodes statistiques, mathématiques ou informatiques permettant de transformer des données en informations exploitables pour la prise de décision.
• Types d’analyse :
  • Descriptive : Résumer et présenter les caractéristiques des données.
  • Exploratoire : Découvrir tendances et relations cachées.
  • Prédictive : Prévoir des comportements futurs.
  • Prescriptive : Recommander des actions pour optimiser les résultats.

📝 Points essentiels

• Objectif de l’analyse dans l’entreprise : Améliorer la prise de décision, créer de la valeur client, optimiser les performances commerciales et financières.
• Processus d’analyse : Collecte, nettoyage, structuration, exploration, interprétation et recommandations.
• Exemples d’utilisation :
  • Amazon : collecte des données démographiques, historiques d’achats, comportements sur le site pour personnaliser recommandations et ajuster les prix en temps réel.
  • Netflix/Spotify : récupération de données de consommation pour offrir une expérience personnalisée.
• Sources de données : internes (CRM, ERP, fichiers) et externes (rapports sectoriels, enquêtes).
• Méthodologie : délimitation de la problématique, collecte structurée, nettoyage, analyse statistique, interprétation, recommandations.
• Limites : qualité des données, biais d’interprétation, outils limités.

💡 À retenir

L’analyse des données en entreprise, illustrée par des exemples comme Amazon ou Netflix, permet de transformer des informations brutes en connaissances stratégiques, facilitant la prise de décisions éclairées et adaptées aux enjeux commerciaux et marketing.

📖 10. Sources de données

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel. Exemple : "500" (nombre de ventes).
• Information : Donnée contextualisée, organisée et compréhensible. Exemple : "500 ventes ont été réalisées ce mois-ci."
• Connaissance : Résultat d’une réflexion sur des informations analysées, apportant une valeur ajoutée. Exemple : "Les ventes ont augmenté de 10% grâce à la nouvelle campagne."
• Sources internes : Données provenant des systèmes internes de l'entreprise (CRM, ERP, fichiers Excel).
• Sources externes : Données issues de sources extérieures à l'entreprise (INSEE, rapports sectoriels, enquêtes).
• Méthodologie d’analyse : Ensemble des étapes pour collecter, traiter, analyser et interpréter les données afin d’éclairer la prise de décision.

📝 Points essentiels

• La qualité des données est cruciale : il faut nettoyer, structurer et vérifier leur cohérence (suppression des doublons, correction d’erreurs, gestion des valeurs manquantes).
• La sélection des sources dépend de l’objectif de l’analyse : internes pour des données opérationnelles, externes pour une vision macro ou comparative.
• La méthodologie d’analyse comprend plusieurs étapes : délimitation de la problématique, collecte des données, nettoyage, analyse descriptive/exploratoire/prédictive/prescriptive, puis interprétation.
• Les types d’analyse :
  • Descriptive : résumé et visualisation des données (moyenne, graphique).
  • Exploratoire : découverte de tendances et relations (corrélations).
  • Prédictive : anticipation de comportements futurs (séries chronologiques).
  • Prescriptive : recommandations d’actions optimales.
• Exemple d’utilisation : Amazon collecte des données démographiques, comportementales, historiques pour personnaliser recommandations et ajuster ses prix en temps réel.

💡 À retenir

Les sources de données, internes ou externes, doivent être soigneusement sélectionnées et traitées pour garantir la fiabilité de l’analyse, qui doit suivre une méthodologie structurée pour transformer des données brutes en connaissances exploitables.

📖 11. Nettoyage des données

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel (ex : "500").
• Information : Donnée contextualisée, organisée et compréhensible (ex : "500 ventes ce mois-ci").
• Connaissance : Résultat d’une réflexion sur des informations analysées, apportant une valeur ajoutée (ex : "augmentation de 10% suite à une campagne").
• Nettoyage des données : Processus de correction, de suppression ou de transformation des données pour améliorer leur qualité et leur fiabilité.
• Valeurs manquantes : Données absentes ou non renseignées dans un jeu de données, nécessitant une gestion spécifique.
• Détection d’anomalies : Identification d’erreurs ou de valeurs aberrantes qui peuvent fausser l’analyse.

📝 Points essentiels

• Objectif du nettoyage : Garantir la fiabilité, la cohérence et la précision des données avant toute analyse.
• Étapes clés :
  • Suppression des doublons.
  • Correction des erreurs (formats, dates, unités).
  • Gestion des valeurs manquantes (imputation ou suppression).
  • Harmonisation des formats et des unités.
  • Création de variables dérivées pertinentes (ex : marge = CA – coût).
• Méthodes courantes : statistiques descriptives pour détecter anomalies, utilisation de filtres et de règles pour standardiser les données.
• Risques liés à un mauvais nettoyage : résultats biaisés, décisions erronées, perte de crédibilité.

💡 À retenir

Le nettoyage des données est une étape cruciale qui assure la qualité des analyses et la fiabilité des décisions stratégiques. Un jeu de données bien préparé permet d’obtenir des résultats précis et exploitables.

📖 12. Interprétation résultats

🔑 Notions clés & Définitions

• Donnée : Élément brut, non interprété, souvent chiffré ou factuel (ex : "500").
• Information : Donnée contextualisée, organisée et compréhensible, apportant du sens (ex : "500 ventes ce mois-ci").
• Connaissance : Résultat d’une réflexion sur des informations analysées, permettant de prendre des décisions (ex : "Les ventes ont augmenté suite à la campagne").
• Analyse des données : Ensemble de méthodes statistiques, mathématiques ou informatiques visant à transformer des données en informations exploitables pour la prise de décision.
• Interprétation des résultats : Processus consistant à donner du sens aux résultats d’une analyse pour orienter les décisions stratégiques.
• Signaux d’alerte : Indicateurs ou tendances qui nécessitent une attention particulière ou une action corrective.

📝 Points essentiels

• La distinction entre donnée, information et connaissance est fondamentale pour comprendre le processus d’analyse.
• L’interprétation consiste à analyser les résultats pour identifier des tendances, des relations ou des anomalies, en tenant compte des limites méthodologiques (qualité des données, biais).
• La visualisation (tableaux, graphiques) facilite la compréhension des résultats et leur interprétation.
• La corrélation entre variables indique une relation, mais ne prouve pas forcément une causalité.
• La démarche d’interprétation doit répondre à la problématique initiale, en proposant des recommandations concrètes.
• La communication des résultats doit être claire, synthétique et adaptée à l’audience.
• La prise en compte des limites et des biais est essentielle pour éviter des conclusions erronées.

💡 À retenir

L’interprétation des résultats consiste à donner du sens aux données analysées en identifiant tendances, relations et anomalies, tout en restant conscient des limites méthodologiques, afin de soutenir une prise de décision éclairée et stratégique.

📊 Tableaux de Synthèse

Type d’analyse	Objectif principal	Méthodes principales	Exemple d’utilisation
Descriptive	Résumer et présenter les caractéristiques des données	Moyennes, médianes, graphiques, tableaux	Rapport de ventes mensuelles
Exploratoire	Découvrir tendances, relations ou structures cachées	Analyse de corrélations, clustering	Identification de segments clients
Prédictive	Anticiper comportements ou événements futurs	Modèles de régression, machine learning	Prévision des ventes pour le trimestre
Prescriptive	Recommander des actions pour optimiser un résultat	Optimisation, simulations	Planification de la production

Source de données	Internes	Externes
Données CRM, ERP	Données publiques, réseaux sociaux, études de marché

⚠️ Pièges & Confusions Fréquentes

1. Confondre donnée et information : une donnée brute n’a pas de sens sans contexte.
2. Ignorer la qualité des données : erreurs, doublons ou valeurs manquantes faussent l’analyse.
3. Confondre corrélation et causalité : une relation entre deux variables ne prouve pas qu’une en cause une autre.
4. Se limiter à l’analyse descriptive : ne pas explorer les relations ou prévoir l’avenir.
5. Négliger la validation des modèles prédictifs : utiliser un modèle sans vérifier sa fiabilité.
6. Sous-estimer l’impact des biais dans les données ou l’analyse.
7. Omettre de définir clairement la problématique avant l’analyse.

✅ Checklist Examen

• Vérifier la différence entre donnée, information et connaissance.
• Connaître les objectifs et méthodes de chaque type d’analyse : descriptive, exploratoire, prédictive, prescriptive.
• Savoir identifier les sources de données internes et externes.
• Maîtriser les étapes du processus d’analyse : collecte, nettoyage, structuration, analyse, interprétation.
• Être capable d’expliquer l’intérêt de l’analyse descriptive et ses outils (moyenne, médiane, graphique).
• Comprendre comment l’analyse exploratoire permet de découvrir des relations cachées.
• Connaître les techniques de modélisation prédictive (régression, machine learning).
• Savoir ce qu’est une corrélation et ses limites.
• Reconnaître l’importance de la validation et de la vérification des modèles.
• Identifier les limites et biais possibles dans l’analyse.
• Connaître les différentes sources de données et leur impact sur la résultat.
• S’assurer de la maîtrise du vocabulaire spécifique à l’analyse de données.