PSB/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](##Partie_1:_Organiser_un_projet_Data)
    * [Chapitre 1: Fondements de management de projet](###Chapitre_1:_Fondements_de_management_de_projet)
    * [Chapitre 2: Apports d'une démarche Agile](###Chapitre_2:_Apports_d'une_démarche_Agile)
    * [Chapitre 3 : Caractéristiques de la méthode SCRUM](###Chapitre_3:_Caractéristiques_de_la_méthode_SCRUM)
2. [PARTIE 2: Construire une base de données](##PARTIE_2:_Construire_une_base_de_données)
    * [Chapitre 4: Base de données relationnelles](###Chapitre_4:_Base_de_données_relationnelles)
    * [Chapitre 5: Collecter les données](###Chapitre_5:_Collecter_les_données)
    * [Chapitre 6: Préparer les données](###Chapitre_6:_Préparer_les_données)
    * [Chapitre 7: Organiser les données](###Chapitre_7:_Organiser_les_données)
    * [Chapitre 8: Présenter les données - data paper](###Chapitre_8:_Présenter_les_données_(data_paper))
3. [PARTIE 3: Analyser les données](##PARTIE_3:_Analyser_les_données)
    * [Chapitre 9 : Décrire les données](###Chapitre_9:_Décrire_les_données)
    * [Chapitre 10 : Explorer les données](###Chapitre_10:_Explorer_les_données)
    * [Chapitre 11 : Trouver un modèle](###Chapitre_11:_Trouver_un_modèle)
    * [Chapitre 12 : Evaluer un modèle](###Chapitre_12:_Evaluer_un_modèle)
4. [PARTIE 4: Exploiter les données (Business Intelligence)](##PARTIE_4:_Exploiter_les_données_(BI))
    * [Chapitre 13 : Définir les indicateurs de performanace](###Chapitre_14:_Definir_les_indicateurs_de_performanace)
    * [Chapitre 14 : Construire le tableau de bord](###Chapitre_13:_Construire_le_tableau_de_bord )
5. [PARTIE 5: Utiliser l'intelligence artifcielle (Machine Learning)](##PARTIE_5:_Utiliser_l'intelligence_artifcielle)
    * [Chapitre 15 : Apprentissage supervisé](###Chapitre_15:_Apprentissage_supervisé)
    * [Chapitre 16 : Apprentissage non supervisé](###Chapitre_15:_Apprentissage_non_supervisé)


## 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 prédire 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