Explora la comunidad

I. Présentation du cours

A) 👨‍🏫 Enseignant

• Nom : Laurent Rouvière
• Email : laurent.rouviere@univ-rennes2.fr

B) 📚 Recherche

• Domaines :
  • Statistique non paramétrique
  • Apprentissage statistique

C) 🎓 Enseignement

• Disciplines :
  • Statistique
  • Probabilités
• Niveaux :
  • Université
  • École d’ingénieur
  • Formation continue

D) 📋 Responsabilités

• Co-responsable du Master MAS
• Responsable du parcours SDD-IA

E) 💼 Consulting

• Secteurs :
  • Énergie (ERDF)
  • Finance
  • Marketing

F) 🔑 Prérequis

Tableau de bord VS Reporting

1. Tableau de bord vs Reporting

Critère	Tableau de bord	Reporting
Fonction	Outil de pilotage	Outil d'analyse et de communication
Caractéristiques	Synthétique, visuel, épuré	Détailé, exhaustif

Introduction à l'analyse de données

1. Qu'est-ce que l'analyse de données ?

• Analyse de données : ensemble des méthodes et outils pour collecter, organiser et interpréter des données afin d’en tirer des informations utiles à la décision ou à la validation d’un modèle.
• Trois étapes clés :
  1. Collecter : obtenir la bonne mesure dans les bonnes conditions.
  2. Organiser : structurer les données pour traitement.
  3. Interpréter : donner du sens aux résultats, notamment en tenant compte des incertitudes.

Introduction to Data Analysis

Data analysis is the process of inspecting, cleansing, transforming, and modeling data to discover useful information, support decision-making, and draw conclusions. It is essential in various fields such as business, science, and social sciences.

• Purpose: Extract insights, identify patterns, test hypotheses, and support decisions.
• Types of data: Quantitative (numerical), qualitative (categorical), structured, unstructured.

Types of Data Analysis

Tri et Filtres

1. Tri et Filtres

L'organisation et l'extraction ciblée des données facilitent le traitement rapide de grands volumes d'informations (clients, stocks, facturations).

a) Tri

• Tri simple : classement des données selon un seul critère (ex. ordre alphabétique, numérique).
• Tri multi-critères : classement selon plusieurs critères hiérarchisés (ex. d'abord par date, puis par montant).
• Tri avancé : utilisation de critères personnalisés ou de fonctions complexes pour ordonner les données.

b) Filtres

Les données : nature et diversité

1. Nature et diversité des données

Les données se présentent sous des formes variées, chacune avec ses caractéristiques et usages spécifiques. Elles peuvent être classées selon leur nature et leur finalité.

Type de données	Description	Exemples

L'organisation d'une collecte fiable des variables

1. Cartographier les éléments variables à recueillir

• Variables de paie (EVP) : éléments dont la valeur change chaque mois (ex. : heures supplémentaires, absences, primes, tickets restaurant, prime de transport).
• Éléments fixes : salaire de base, ancienneté, avantages permanents, stables sauf avenant.
• Distinction essentielle : ne pas confondre EVP et éléments fixes pour éviter erreurs juridiques ou omissions.

La donnée comme ressource économique et le big data

1. La donnée comme ressource économique

• Donnée : élément brut décrivant un fait, une mesure ou une caractéristique. Ex : « 127 ».
• Information : donnée mise en contexte. Ex : « VolcaCycle a vendu 127 sacoches cette semaine ».
• Connaissance : interprétation de plusieurs informations pour comprendre ou agir.

La donnée est une information brute pouvant être enregistrée, traitée et transmise.

• La valeur économique des données dépend de leur qualité : exactitude, actualité, complétude.

Du test causal à la prédiction : changement de perspective

1. Du test causal à la prédiction : changement de perspective

a) De l’explication causale à la prédiction utile

• Régression et modèles d’équations structurelles (SEM) permettent de tester des théories et d’estimer des effets causaux.
• Le Machine Learning introduit une nouvelle perspective centrée sur la prédiction plutôt que sur l’explication causale.

b) Théories et DAGs : ce qu’ils disent et ce qu’ils ne disent pas