Parcours Exploration et Modélisation Statistique — BUT 1 & 2
Portfolio de compétences BUT Science des Données
BOUCHEZ--BISIG Eliot
Start
Les 4 BLOCS du BUT SD
La donnée est partout.la traiter, l'analyser, la modéliser et la valorisers. Ce portfolio retrace mon parcours à travers les quatre grandes compétences du diplôme, illustrées par mes ressources, mes SAÉ et mes projets.
VALORISER
ANALYSER
TRAITER
MODÉLISIER
Start
Start
Start
Start
SYNTHESE
TRAITER
Traiter les données, c'est la première étape indispensable de tout projet data. Tout au long du BUT, j'ai appris à collecter des données depuis des sources variées (fichiers CSV, bases SQL, APIs), à les nettoyer, les transformer et les structurer pour les rendre exploitables. Cette compétence couvre la maîtrise des outils de gestion de bases de données, la programmation en Python et R, ainsi que la compréhension des architectures de données.
Ressources
Projets
Ressources
Les ressources qui m'ont permis de maîtriser les fondamentaux :
Analyse de données
Base de données
Modélisation décisionnelle
Développement Web
Projets
Mes projets concrets : collecter, organiser et stocker des données réelles dans un environnement professionnel.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
Intégration des données dans un data warehouse
Description et prévision de données temporelles
ANALYSER
Analyser, c'est donner du sens aux données brutes. Cette compétence m'a permis de maîtriser les méthodes statistiques descriptives et inférentielles, de réaliser des analyses exploratoires, de tester des hypothèses et de comprendre les relations entre variables. J'ai travaillé avec des outils comme R, Python (scipy, statsmodels) et des logiciels de statistiques. L'analyse est le pont entre les données et la décision.
Ressources
Projets
Ressources
Des statistiques descriptives à l'inférence, ces ressources m'ont appris à ne plus regarder les données, mais à les comprendre.
Tests d’hypothèses
Méthodes factorielles
Algèbre linéaire
Projets
Mes projets concrets :
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
Intégration des données dans un data warehouse
Description et prévision de données temporelles
VALORISER
Valoriser les données, c'est les rendre utiles et compréhensibles pour tous. Cette compétence recouvre la création de visualisations percutantes, la conception de tableaux de bord interactifs, et la communication orale et écrite de résultats d'analyses. J'ai appris à m'adapter à différents publics (technique ou non-technique) et à raconter une histoire avec les données, le data storytelling.
Ressources
Projets
Ressources
Parce qu'une analyse sans communication n'existe pas, ces ressources m'ont formé à rendre la donnée visible, claire et impactante.
Anglais professionnel
Communication
Économie
Marketing
Projets
Mes projets concrets :
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
Intégration des données dans un data warehouse
Description et prévision de données temporelles
MODÉLISER
Modéliser, c'est la compétence au cœur du parcours EMS. Elle consiste à construire des modèles mathématiques et statistiques pour expliquer des phénomènes, prédire des comportements ou optimiser des décisions. Du modèle linéaire simple aux algorithmes de machine learning supervisé et non supervisé, j'ai appris à choisir le bon modèle, à l'entraîner, à l'évaluer et à l'interpréter de façon rigoureuse.
Ressources
Projets
Ressources
Dans le parcours EMS, la compétence « Modéliser » est centrale. Elle m'a amené à formaliser des phénomènes réels en choisissant des plans de sondage adaptés et en construisant des estimateurs robustes, c'est-à-dire apprendre à tirer des conclusions fiables sur une population entière à partir d'un simple échantillon. Au fil des ressources, j'ai progressivement acquis les outils mathématiques et statistiques nécessaires : des modèles probabilistes aux méthodes d'échantillonnage, en passant par la régression et l'estimation. Chaque notion apprise a eu une application directe dans mes projets, où il s'agissait d'expliquer ou de prédire une variable quantitative à partir de données collectées sur le terrain. Cette compétence m'a appris à ne jamais dissocier le modèle de la réalité qu'il représente : choisir le bon outil, vérifier ses hypothèses, interpréter ses limites et prendre des décisions rigoureuses même face à l'incertitude.
Projets
Prédire, ajuster, évaluer. Ces projets m'ont confronté à la réalité de la modélisation statistique appliquée.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
Recueil et analyse de données par échantillonnage ou plan d'expérience
SYNTHESE
Ce portfolio retrace deux années de formation intense au cœur du parcours science des données. À travers les quatre blocs de compétences : Traiter, Analyser, Valoriser et Modéliser. J'ai construit une vision complète du métier de data analyst, data scientist et data engineer. Le parcours EMS m'a particulièrement permis de développer une rigueur mathématique et statistique, et de m'initier aux techniques de modélisation prédictive utilisées en entreprise. Ces deux ans m'ont appris autant de compétences techniques que de savoir-faire transversaux : travailler en équipe, communiquer des résultats complexes, m'adapter à des contraintes réelles, et rester curieux face à un domaine en constante évolution.
Merci de m'avoir lue
Analyse de données
• Structurer un programme Python de manière claire et modulaire.
• Développer des traitements de données organisés et maintenables.
• Conception de classes et d’objets pour représenter des données • Définition d’attributs et de méthodes afin d’organiser le code.
Modélisation décisionnelle
• Structurer des données afin de faciliter l’aide à la décision.
• Concevoir une base décisionnelle adaptée aux besoins d’analyse.• Création de tableaux de bord et de visualisations interactives à l’aide de Qlik et Power BI.
• Analyse et interprétation des indicateurs
Base de données
• Interroger et manipuler des bases de données relationnelles complexes.
• Exploiter le langage SQL avancé pour analyser des données. • Modéliser des base de données décisionelle et opérationelle • Intégrer et transformer des données issues de différentes sources.
• Automatiser des flux de données fiables pour l’analyse décisionnelle.
Développement Web
• Concevoir une page web simple et fonctionnelle.
• Présenter des informations de manière claire et structurée.
• Création de pages web à l’aide des langages HTML et CSS.
• Structuration du contenu pour assurer une bonne lisibilité.
• Mise en forme des pages grâce aux feuilles de style CSS
Présentation d'un projet via HTML et CSS
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
La compétence « Traiter » est mise en œuvre dès le début du projet à travers la préparation et le nettoyage des données. Dans cette SAÉ, cela s'est traduit par l'application de transformations mathématiques spécifiques sur les variables, comme le passage au logarithme ou l'utilisation de la racine cubique. Ces traitements préalables étaient une étape incontournable pour corriger les problèmes d'hétéroscédasticité et de normalité, garantissant ainsi une base de données saine et exploitable pour la suite de l'étude.
Intégration des données dans un data warehouse
a compétence « Traiter » constitue le socle technique de cette SAÉ à travers la mise en œuvre complète d'une chaîne ETL. J'ai réalisé l'extraction de données issues de sources hétérogènes, leur nettoyage, leur normalisation ainsi que l'harmonisation des formats. Ce travail s'est concrétisé par l'alimentation technique de différentes couches de stockage (ODS, DSA et Data Warehouse) via l'outil Oracle Data Integrator, garantissant ainsi que les données brutes soient transformées en un ensemble cohérent et prêt pour l'analyse.
Description et prévision de données temporelles
La compétence « Traiter » a été mise en œuvre lors de la phase de préparation technique de la série temporelle. Ce travail a impliqué le formatage rigoureux des dates, la vérification de la fréquence d'échantillonnage et le nettoyage des données brutes. Cette étape de manipulation de données sous R était indispensable pour transformer un jeu de données brut en une série statistique propre, structurée et exploitable pour les traitements mathématiques ultérieurs.
Méthodes factorielles
• Nettoyer et préparer les données multidimensionnelles : Gérer les données manquantes, centrer et réduire les variables pour les rendre comparables avant le traitement. • Réduire la dimensionnalité de l'information : Synthétiser un grand nombre de variables en un petit nombre d'axes factoriels tout en conservant le maximum d'inertie (information). • Interpréter les corrélations entre variables : Analyser le cercle des corrélations pour identifier les liens entre les indicateurs et leur contribution aux axes. • Typologiser et segmenter les individus : Étudier le nuage des individus pour repérer des groupes homogènes, des proximités ou des comportements atypiques (outliers).
Algèbre linéaire
• Résoudre des systèmes d’équations linéaires à l’aide d’outils matriciels.
• Utiliser l’algèbre linéaire pour analyser et structurer des données.
• Résolution de systèmes linéaires à partir de jeux de données ou de problèmes mathématiques.
• Manipulation de matrices (addition, multiplication, inversion) pour représenter et traiter des informations sous forme matricielle.
Tests d’hypothèses
• Prendre une décision statistique à partir de données observées.
• Tester des hypothèses sur des paramètres d’une population.
• Formulation d’hypothèses statistiques adaptées à une problématique d’analyse de données.
• Estimation de paramètres de population à partir d’un échantillon.
Intégration des données dans un data warehouse
La compétence « Analyser » a été mobilisée dès la phase initiale lors de l'étude de la structure de la base de données existante. En effectuant un travail de reverse-engineering, j'ai dû décortiquer l'organisation des données sources pour comprendre leurs relations et identifier les éléments pertinents pour l'entrepôt de données. Cette analyse structurelle était indispensable pour anticiper les contraintes d'intégration et définir les règles de gestion nécessaires à la construction du système décisionnel.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
La compétence « Analyser » intervient lors de l'exploration statistique approfondie du jeu de données. Dans le cadre de ce projet, cette phase a consisté à examiner le pouvoir explicatif de chaque variable, à détecter les éventuels problèmes de multicolinéarité et à étudier le comportement des résidus. Cette analyse critique et rigoureuse a permis de comprendre les relations statistiques sous-jacentes et de vérifier que toutes les conditions étaient réunies pour passer à la phase de prédiction.
Description et prévision de données temporelles
La compétence « Analyser » s'est manifestée à travers l'étude approfondie des composantes de la série. En appliquant un modèle de décomposition, j'ai isolé les tendances et les saisonnalités, puis scruté les résidus pour valider la qualité de l'ajustement. Cette analyse critique a permis de s'assurer que le modèle choisi représentait fidèlement la réalité des données et que les bruits blancs restants ne contenaient plus d'information structurée.
Anglais professionnel
• Communiquer efficacement en anglais dans un contexte professionnel.
• Utiliser un vocabulaire adapté aux situations professionnelles.
• Réalisation de simulations d’appels professionnels en anglais afin de travailler l’expression orale et la fluidité.
• Conception et amélioration de CV et de cover letters en anglais, adaptés à des offres professionnelles.
Économie
• Comprendre le fonctionnement économique et financier d’une organisation.
• Analyser des données économiques et comptables pour appuyer une décision.
• Analyse des principaux indicateurs économiques afin d’évaluer la situation d’une entreprise ou d’un secteur.
• Lecture et interprétation de documents comptables tels que le bilan et le compte de résultat.
Communication
• Communiquer efficacement des résultats et des analyses.
• Structurer un message clair à l’écrit comme à l’oral.
• Rédaction de documents professionnels tels que des rapports, synthèses et comptes rendus.
• Création de supports de présentation (diaporamas, documents visuels) pour valoriser des travaux.
• Présentations orales devant un public afin d’expliquer des résultats et une démarche de travail.
• Adaptation du discours en fonction du public cible et de l’objectif de la communication.
• Travail sur la clarté, la structuration et la cohérence des messages transmis.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
La compétence « Valoriser » donne tout son sens pratique et professionnel à l'ensemble du travail. Plutôt que de s'arrêter à la théorie, le projet a valorisé ces résultats mathématiques par une application métier concrète : utiliser les modèles créés pour prédire les entrées de cinq autres cinémas. La comparaison de ces prédictions avec la réalité démontre la pertinence de notre démarche et transforme des calculs statistiques en un véritable outil d'aide à la décision.
Intégration des données dans un data warehouse
La compétence « Valoriser » réside dans l'objectif final de ce projet : transformer des données techniques en un actif stratégique pour l'entreprise. En veillant à la qualité et à la cohérence parfaite des données intégrées, j'ai rendu possible l'exploitation de l'information à des fins de pilotage. Le système ainsi créé apporte une valeur ajoutée concrète en permettant aux décideurs de s'appuyer sur une source de vérité unique et fiable pour orienter leurs stratégies. Également, un dashboard à été réalisé à la fin du projet.
Description et prévision de données temporelles
La compétence « Valoriser » se concrétise par la production de prévisions à court terme, transformant l'analyse statistique en un outil de projection stratégique. En calculant les coefficients saisonniers et en générant des prédictions fiables, j'ai apporté une valeur ajoutée directe à l'utilisateur final. Ces résultats permettent d'anticiper les tendances futures, offrant ainsi une base solide pour la prise de décision et la planification au sein d'une organisation.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
La compétence « Modéliser » constitue le cœur mathématique et technique des démarches. En s'appuyant sur les données proprement traitées et sur les enseignements tirés de l'analyse, j'ai pu construire des modèles statistiques, notamment par le biais de régressions linéaires simples et multiples. L'objectif de cette étape était de formuler une équation mathématique robuste capable d'expliquer la variable cible : le nombre d'entrées au cinéma en 2022.
Recueil et analyse de données par échantillonnage ou plan d'expérience
Dans cette SAÉ, j'ai adopté une démarche de modélisation rigoureuse pour garantir et améliorer la précision de mes résultats. J'ai étudié l'impact du type de données sur les indicateurs produits et j'ai réfléchi à la mise en place de plans d'expérience ou de sondage optimisés, comme la stratification ou le redressement. En automatisant certains calculs, j'ai pu fiabiliser mes estimations et assurer la reproductibilité de mon analyse. Cette étape m'a permis de définir précisément les conditions de validité de mes modèles et de proposer des pistes d'amélioration concrètes, notamment sur la taille de l'échantillon, pour obtenir des prédictions plus robustes.
Marketing
• Comprendre les bases du marketing et du comportement des consommateurs.
• Analyser un marché afin d’orienter des décisions marketing.
• Étude des concepts fondamentaux du marketing (marché, offre, demande, segmentation).
• Analyse du comportement des consommateurs et des attentes clients.
• Réalisation d’analyses marketing à partir de données chiffrées et d’études de cas.
• Utilisation d’outils d’analyse stratégique tels que le SWOT et le PESTEL. • Interprétation des résultats afin de proposer des actions ou orientations marketing adaptées.
Portfolio de compétences BUT Science des Données
Eliot BB59
Created on March 2, 2026
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Essential Map
View
Akihabara Map
View
Discover Your AI Assistant
View
Match the Verbs in Spanish: Present and Past
View
Syllabus Organizer for Higher Education
View
Hand-Drawn Infographic
View
Visual Thinking Infographic
Explore all templates
Transcript
Parcours Exploration et Modélisation Statistique — BUT 1 & 2
Portfolio de compétences BUT Science des Données
BOUCHEZ--BISIG Eliot
Start
Les 4 BLOCS du BUT SD
La donnée est partout.la traiter, l'analyser, la modéliser et la valorisers. Ce portfolio retrace mon parcours à travers les quatre grandes compétences du diplôme, illustrées par mes ressources, mes SAÉ et mes projets.
VALORISER
ANALYSER
TRAITER
MODÉLISIER
Start
Start
Start
Start
SYNTHESE
TRAITER
Traiter les données, c'est la première étape indispensable de tout projet data. Tout au long du BUT, j'ai appris à collecter des données depuis des sources variées (fichiers CSV, bases SQL, APIs), à les nettoyer, les transformer et les structurer pour les rendre exploitables. Cette compétence couvre la maîtrise des outils de gestion de bases de données, la programmation en Python et R, ainsi que la compréhension des architectures de données.
Ressources
Projets
Ressources
Les ressources qui m'ont permis de maîtriser les fondamentaux :
Analyse de données
Base de données
Modélisation décisionnelle
Développement Web
Projets
Mes projets concrets : collecter, organiser et stocker des données réelles dans un environnement professionnel.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
Intégration des données dans un data warehouse
Description et prévision de données temporelles
ANALYSER
Analyser, c'est donner du sens aux données brutes. Cette compétence m'a permis de maîtriser les méthodes statistiques descriptives et inférentielles, de réaliser des analyses exploratoires, de tester des hypothèses et de comprendre les relations entre variables. J'ai travaillé avec des outils comme R, Python (scipy, statsmodels) et des logiciels de statistiques. L'analyse est le pont entre les données et la décision.
Ressources
Projets
Ressources
Des statistiques descriptives à l'inférence, ces ressources m'ont appris à ne plus regarder les données, mais à les comprendre.
Tests d’hypothèses
Méthodes factorielles
Algèbre linéaire
Projets
Mes projets concrets :
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
Intégration des données dans un data warehouse
Description et prévision de données temporelles
VALORISER
Valoriser les données, c'est les rendre utiles et compréhensibles pour tous. Cette compétence recouvre la création de visualisations percutantes, la conception de tableaux de bord interactifs, et la communication orale et écrite de résultats d'analyses. J'ai appris à m'adapter à différents publics (technique ou non-technique) et à raconter une histoire avec les données, le data storytelling.
Ressources
Projets
Ressources
Parce qu'une analyse sans communication n'existe pas, ces ressources m'ont formé à rendre la donnée visible, claire et impactante.
Anglais professionnel
Communication
Économie
Marketing
Projets
Mes projets concrets :
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
Intégration des données dans un data warehouse
Description et prévision de données temporelles
MODÉLISER
Modéliser, c'est la compétence au cœur du parcours EMS. Elle consiste à construire des modèles mathématiques et statistiques pour expliquer des phénomènes, prédire des comportements ou optimiser des décisions. Du modèle linéaire simple aux algorithmes de machine learning supervisé et non supervisé, j'ai appris à choisir le bon modèle, à l'entraîner, à l'évaluer et à l'interpréter de façon rigoureuse.
Ressources
Projets
Ressources
Dans le parcours EMS, la compétence « Modéliser » est centrale. Elle m'a amené à formaliser des phénomènes réels en choisissant des plans de sondage adaptés et en construisant des estimateurs robustes, c'est-à-dire apprendre à tirer des conclusions fiables sur une population entière à partir d'un simple échantillon. Au fil des ressources, j'ai progressivement acquis les outils mathématiques et statistiques nécessaires : des modèles probabilistes aux méthodes d'échantillonnage, en passant par la régression et l'estimation. Chaque notion apprise a eu une application directe dans mes projets, où il s'agissait d'expliquer ou de prédire une variable quantitative à partir de données collectées sur le terrain. Cette compétence m'a appris à ne jamais dissocier le modèle de la réalité qu'il représente : choisir le bon outil, vérifier ses hypothèses, interpréter ses limites et prendre des décisions rigoureuses même face à l'incertitude.
Projets
Prédire, ajuster, évaluer. Ces projets m'ont confronté à la réalité de la modélisation statistique appliquée.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
Recueil et analyse de données par échantillonnage ou plan d'expérience
SYNTHESE
Ce portfolio retrace deux années de formation intense au cœur du parcours science des données. À travers les quatre blocs de compétences : Traiter, Analyser, Valoriser et Modéliser. J'ai construit une vision complète du métier de data analyst, data scientist et data engineer. Le parcours EMS m'a particulièrement permis de développer une rigueur mathématique et statistique, et de m'initier aux techniques de modélisation prédictive utilisées en entreprise. Ces deux ans m'ont appris autant de compétences techniques que de savoir-faire transversaux : travailler en équipe, communiquer des résultats complexes, m'adapter à des contraintes réelles, et rester curieux face à un domaine en constante évolution.
Merci de m'avoir lue
Analyse de données
• Structurer un programme Python de manière claire et modulaire. • Développer des traitements de données organisés et maintenables. • Conception de classes et d’objets pour représenter des données • Définition d’attributs et de méthodes afin d’organiser le code.
Modélisation décisionnelle
• Structurer des données afin de faciliter l’aide à la décision. • Concevoir une base décisionnelle adaptée aux besoins d’analyse.• Création de tableaux de bord et de visualisations interactives à l’aide de Qlik et Power BI. • Analyse et interprétation des indicateurs
Base de données
• Interroger et manipuler des bases de données relationnelles complexes. • Exploiter le langage SQL avancé pour analyser des données. • Modéliser des base de données décisionelle et opérationelle • Intégrer et transformer des données issues de différentes sources. • Automatiser des flux de données fiables pour l’analyse décisionnelle.
Développement Web
• Concevoir une page web simple et fonctionnelle. • Présenter des informations de manière claire et structurée. • Création de pages web à l’aide des langages HTML et CSS. • Structuration du contenu pour assurer une bonne lisibilité. • Mise en forme des pages grâce aux feuilles de style CSS
Présentation d'un projet via HTML et CSS
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
La compétence « Traiter » est mise en œuvre dès le début du projet à travers la préparation et le nettoyage des données. Dans cette SAÉ, cela s'est traduit par l'application de transformations mathématiques spécifiques sur les variables, comme le passage au logarithme ou l'utilisation de la racine cubique. Ces traitements préalables étaient une étape incontournable pour corriger les problèmes d'hétéroscédasticité et de normalité, garantissant ainsi une base de données saine et exploitable pour la suite de l'étude.
Intégration des données dans un data warehouse
a compétence « Traiter » constitue le socle technique de cette SAÉ à travers la mise en œuvre complète d'une chaîne ETL. J'ai réalisé l'extraction de données issues de sources hétérogènes, leur nettoyage, leur normalisation ainsi que l'harmonisation des formats. Ce travail s'est concrétisé par l'alimentation technique de différentes couches de stockage (ODS, DSA et Data Warehouse) via l'outil Oracle Data Integrator, garantissant ainsi que les données brutes soient transformées en un ensemble cohérent et prêt pour l'analyse.
Description et prévision de données temporelles
La compétence « Traiter » a été mise en œuvre lors de la phase de préparation technique de la série temporelle. Ce travail a impliqué le formatage rigoureux des dates, la vérification de la fréquence d'échantillonnage et le nettoyage des données brutes. Cette étape de manipulation de données sous R était indispensable pour transformer un jeu de données brut en une série statistique propre, structurée et exploitable pour les traitements mathématiques ultérieurs.
Méthodes factorielles
• Nettoyer et préparer les données multidimensionnelles : Gérer les données manquantes, centrer et réduire les variables pour les rendre comparables avant le traitement. • Réduire la dimensionnalité de l'information : Synthétiser un grand nombre de variables en un petit nombre d'axes factoriels tout en conservant le maximum d'inertie (information). • Interpréter les corrélations entre variables : Analyser le cercle des corrélations pour identifier les liens entre les indicateurs et leur contribution aux axes. • Typologiser et segmenter les individus : Étudier le nuage des individus pour repérer des groupes homogènes, des proximités ou des comportements atypiques (outliers).
Algèbre linéaire
• Résoudre des systèmes d’équations linéaires à l’aide d’outils matriciels. • Utiliser l’algèbre linéaire pour analyser et structurer des données. • Résolution de systèmes linéaires à partir de jeux de données ou de problèmes mathématiques. • Manipulation de matrices (addition, multiplication, inversion) pour représenter et traiter des informations sous forme matricielle.
Tests d’hypothèses
• Prendre une décision statistique à partir de données observées. • Tester des hypothèses sur des paramètres d’une population. • Formulation d’hypothèses statistiques adaptées à une problématique d’analyse de données. • Estimation de paramètres de population à partir d’un échantillon.
Intégration des données dans un data warehouse
La compétence « Analyser » a été mobilisée dès la phase initiale lors de l'étude de la structure de la base de données existante. En effectuant un travail de reverse-engineering, j'ai dû décortiquer l'organisation des données sources pour comprendre leurs relations et identifier les éléments pertinents pour l'entrepôt de données. Cette analyse structurelle était indispensable pour anticiper les contraintes d'intégration et définir les règles de gestion nécessaires à la construction du système décisionnel.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
La compétence « Analyser » intervient lors de l'exploration statistique approfondie du jeu de données. Dans le cadre de ce projet, cette phase a consisté à examiner le pouvoir explicatif de chaque variable, à détecter les éventuels problèmes de multicolinéarité et à étudier le comportement des résidus. Cette analyse critique et rigoureuse a permis de comprendre les relations statistiques sous-jacentes et de vérifier que toutes les conditions étaient réunies pour passer à la phase de prédiction.
Description et prévision de données temporelles
La compétence « Analyser » s'est manifestée à travers l'étude approfondie des composantes de la série. En appliquant un modèle de décomposition, j'ai isolé les tendances et les saisonnalités, puis scruté les résidus pour valider la qualité de l'ajustement. Cette analyse critique a permis de s'assurer que le modèle choisi représentait fidèlement la réalité des données et que les bruits blancs restants ne contenaient plus d'information structurée.
Anglais professionnel
• Communiquer efficacement en anglais dans un contexte professionnel. • Utiliser un vocabulaire adapté aux situations professionnelles. • Réalisation de simulations d’appels professionnels en anglais afin de travailler l’expression orale et la fluidité. • Conception et amélioration de CV et de cover letters en anglais, adaptés à des offres professionnelles.
Économie
• Comprendre le fonctionnement économique et financier d’une organisation. • Analyser des données économiques et comptables pour appuyer une décision. • Analyse des principaux indicateurs économiques afin d’évaluer la situation d’une entreprise ou d’un secteur. • Lecture et interprétation de documents comptables tels que le bilan et le compte de résultat.
Communication
• Communiquer efficacement des résultats et des analyses. • Structurer un message clair à l’écrit comme à l’oral. • Rédaction de documents professionnels tels que des rapports, synthèses et comptes rendus. • Création de supports de présentation (diaporamas, documents visuels) pour valoriser des travaux. • Présentations orales devant un public afin d’expliquer des résultats et une démarche de travail. • Adaptation du discours en fonction du public cible et de l’objectif de la communication. • Travail sur la clarté, la structuration et la cohérence des messages transmis.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
La compétence « Valoriser » donne tout son sens pratique et professionnel à l'ensemble du travail. Plutôt que de s'arrêter à la théorie, le projet a valorisé ces résultats mathématiques par une application métier concrète : utiliser les modèles créés pour prédire les entrées de cinq autres cinémas. La comparaison de ces prédictions avec la réalité démontre la pertinence de notre démarche et transforme des calculs statistiques en un véritable outil d'aide à la décision.
Intégration des données dans un data warehouse
La compétence « Valoriser » réside dans l'objectif final de ce projet : transformer des données techniques en un actif stratégique pour l'entreprise. En veillant à la qualité et à la cohérence parfaite des données intégrées, j'ai rendu possible l'exploitation de l'information à des fins de pilotage. Le système ainsi créé apporte une valeur ajoutée concrète en permettant aux décideurs de s'appuyer sur une source de vérité unique et fiable pour orienter leurs stratégies. Également, un dashboard à été réalisé à la fin du projet.
Description et prévision de données temporelles
La compétence « Valoriser » se concrétise par la production de prévisions à court terme, transformant l'analyse statistique en un outil de projection stratégique. En calculant les coefficients saisonniers et en générant des prédictions fiables, j'ai apporté une valeur ajoutée directe à l'utilisateur final. Ces résultats permettent d'anticiper les tendances futures, offrant ainsi une base solide pour la prise de décision et la planification au sein d'une organisation.
Expliquer ou prédire une variable quantitative à partir de plusieurs facteurs
La compétence « Modéliser » constitue le cœur mathématique et technique des démarches. En s'appuyant sur les données proprement traitées et sur les enseignements tirés de l'analyse, j'ai pu construire des modèles statistiques, notamment par le biais de régressions linéaires simples et multiples. L'objectif de cette étape était de formuler une équation mathématique robuste capable d'expliquer la variable cible : le nombre d'entrées au cinéma en 2022.
Recueil et analyse de données par échantillonnage ou plan d'expérience
Dans cette SAÉ, j'ai adopté une démarche de modélisation rigoureuse pour garantir et améliorer la précision de mes résultats. J'ai étudié l'impact du type de données sur les indicateurs produits et j'ai réfléchi à la mise en place de plans d'expérience ou de sondage optimisés, comme la stratification ou le redressement. En automatisant certains calculs, j'ai pu fiabiliser mes estimations et assurer la reproductibilité de mon analyse. Cette étape m'a permis de définir précisément les conditions de validité de mes modèles et de proposer des pistes d'amélioration concrètes, notamment sur la taille de l'échantillon, pour obtenir des prédictions plus robustes.
Marketing
• Comprendre les bases du marketing et du comportement des consommateurs. • Analyser un marché afin d’orienter des décisions marketing. • Étude des concepts fondamentaux du marketing (marché, offre, demande, segmentation). • Analyse du comportement des consommateurs et des attentes clients. • Réalisation d’analyses marketing à partir de données chiffrées et d’études de cas. • Utilisation d’outils d’analyse stratégique tels que le SWOT et le PESTEL. • Interprétation des résultats afin de proposer des actions ou orientations marketing adaptées.