Contenu pour les étudiants du Master Data Management de Paris School of Business
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
Olivier Mamavi d16a82b15c Mise à jour de 'README.md' 8 months ago
SCRUM Ajouter 'SCRUM/livre blanc' 1 year ago
LICENSE Initial commit 1 year ago
README.md Mise à jour de 'README.md' 8 months ago

README.md

GUIDE DU DATA MANAGER (édition 2022)

Ce repo contient des éléments pour les étudiants du master 2 en Data Management de Paris School of Management.

L'objectif finale est de réaliser un livre blanc qui servira de support de cours.

Sommaire

  1. PARTIE 1: Organiser un projet Data
  2. PARTIE 2: Construire une base de données
  3. PARTIE 3: Analyser les données
  4. PARTIE 4: Exploiter les données (Business Intelligence)
  5. PARTIE 5: Utiliser l'intelligence artifcielle (Machine Learning)

Partie 1 : Organiser un projet Data

Chapitre 1: Fondements de management de projet

  • Pourquoi il faut manager un projet ?
  • Qu’est-ce qu’un projet ?
  • Qu’est-ce que manager un projet
  • Quels sont les cycles de gestion de projet ?
  • Qu’est-ce que l’organigramme des tâches d’un projet ?
  • Comment maîtriser les délais ?
  • Qu’est-ce qu’un diagramme de GANTT ?
  • Qu’est-ce qu’un diagramme de PERT ?
  • Comment allouer les ressources d’un projet ?
  • Qu’est-ce qu’un cahier des charges fonctionnelles ?

Chapitre 2: Apports d'une démarche Agile

  • Pourquoi passer à une méthode agile pour gérer un projet ?
  • Quelles sont les avantages de la méthode agile ?
  • Quels sont les différents types de méthode agile ?
  • Quand choisir une méthode agile ?
  • Quelles sont les différences entre méthode classique et méthode agile ?
  • Qu’est-ce que l’agilité ?
  • Comment devenir agile ?
  • Qu’est-ce que la méthode SCRUM ?
  • Quelles sont les valeurs de la méthode SCRUM ?
  • Quelles sont les principes de la méthode SCRUM ?
  • Quel est la démarche pour mettre en place une méthode SCRUM ?

Chapitre 3 : Caractéristiques de la méthode SCRUM

Quel est l'environnement d'un projet avec la méthode SCRUM ?

  • A quoi sert le Scrum Master ?
  • A quoi sert le Product Owner ?
  • A quoi sert l’équipe de développement ?

Quels sont les objets d'un projet avec la méthode SCRUM ?

  • A quoi servent les Stories (cas d’usage) ?
  • Comment organiser les stories ?
  • A quoi servent les Product Backlog (carnet de produit) ?
  • Comment organiser les backllog ?

Quels sont les évènements d'un projet avec la méthode SCRUM ?

  • Qu’est-ce qu’un Scrum meeting ?
  • Qu’est-ce qu’un Sprint ?
  • Comment organiser un sprint ?
  • Qu’est-ce qu’un Sprint Review ?

Quels sont les outils pour déployer une méthode Scrum ?

  • Comment utiliser Discord pour gérer un projet ?
  • Comment utiliser Trello pour gérer un projet ?
  • Existe-il une solution gratuite à Jira Software ?
  • A quoi sert un système de versionning (Git) ?
  • Comment utiliser Gitea pour gérer les livrables ?

PARTIE 2: Construire une base de données

Chapitre 4: Base de données relationnelles

Projet

  • le contexte
  • la mission
  • le livrable

Tachés réalisées

  • l'organisation du projet : l'environnement, les objets, les évènements, les outils
  • la préparation du Sprint 1 : objectifs, acteurs, tâches

Ce qu'il faut retenir

  • Qu'est-ce qu'une donnée ?
  • Qu'est-ce qu'une base de données ?
  • Qu'est-ce qu'un système de gestion de base de données (SGBD) ?

Chapitre 5: Collecter les données

Présentation du Sprint

  • objectifs
  • acteurs
  • évènements
  • support et outils utilisés

Tachés réalisées

  • identifier des sources de données
  • sélectionner des jeux de données
  • collecter les données

Résultats obtenus

Difficultés rencontrées

Ce qu'il faut retenir

  • Qu'est-ce que l'open data ?
  • Qu'est-ce que le webscraping ?
  • Comment collecter des données sur le web ?

Chapitre 6: Préparer les données

Présentation du Sprint

  • objectifs
  • acteurs
  • évènements
  • support et outils utilisés

Tachés réalisées

  • présenter les jeux de données
  • descrire des variables
  • transformer des variables
  • indexer le jeu de données

Résultats obtenus

Difficultés rencontrées

Ce qu'il faut retenir

  • Qu'est-ce qu'une clé primaire ?
  • Comment réaliser une jointure entre 2 tables de données ?

Chapitre 7: Organiser les données

Présentation du Sprint

  • objectifs
  • acteurs
  • évènements
  • support et outils utilisés

Tachés réalisées

  • formater les variables (convertir) : dates, adresses, montant, ...
  • nettoyer la base de données : doublons, valeurs extêmes ou abbérentes, valeurs manquantes, ...
  • organiser les variables dans des tables
  • concevoir une architecture de la base de données

Résultats obtenus

Difficultés rencontrées

Ce qu'il faut retenir

  • Qu'est-ce qu'une architecture de base de données ?

Chapitre 8: Présenter les données (data paper)

Présentation du Sprint

  • objectifs
  • acteurs
  • évènements
  • support et outils utilisés

Tachés réalisées

  • Résumé
  • Contexte et objectifs
  • démarche et organisation de la base de données
  • Description des variables
  • Exploitation et usages

Difficultés rencontrées

Ce qu'il faut retenir

  • Qu'est-ce qu'un data paper ?

PARTIE 3: Analyser les données

Chapitre 9 : Décrire les données

  • les différents types de données
    • les données quantitatives
    • les données qualitatives
    • la transformation de données qualitatives en données quantitatives
    • variables à expliquer et variables explicatives
  • les mesures de tendance centrale
    • le mode
    • la médiane
    • la moyenne
  • les mesures de dispersion et de position
    • l'écart-types
    • la variance
    • l'étendue
    • le minimum
    • le maximum
    • le percentile

Chapitre 10 : Explorer les données

  • Relations entre 2 variables
    • 2 variables numériques
    • 2 variables catégorielles
    • 1 variable numérique et 1 variable catégorielle
  • Analyse des corrélations
    • Coefficient de corrélation de Pearson et de Spearman
    • Tableau des correlations
  • Analyse de la variance (ANOVA)
  • Analyse factorielle et réduction des dimensions

Chapitre 11 : Trouver un modèle

  • La régression linéaire
  • La régression logistique

Chapitre 12 Evaluer un modèle

  • évaluer les modèles de régression linéaire
    • le coefficient de détermination (R2)
    • l'erreur quadratique moyenne (MSE)
  • évaluer les modèles de régression logistique
    • la matrice de confusion

PARTIE 4: Exploiter les données (BI)

Chapitre 13 : Définir les indicateurs de performanace

Chapitre 14 : Construire le tableau de bord

PARTIE 5: Utiliser l'intelligence artifcielle (Machine Learning)

Chapitre 15 : Apprentissage supervisé

  • Qu'est-ce que l'apprentissage supervisé ?
  • Comment faire une prédiction grâce à l'apprentissage supervisé ?
  • Quels sont les modèles d'apprentissage supervisé ?
  • Comment optimiser une prédiction en faisant du "feature engineering" ?
  • Comment évaluer un modèle de prédiction ?

Chapitre 16 : Apprentissage non supervisé