Data Architect-Bi-Data Schientist

Business Intelligence Developer

être capable de développer des solutions BI, des tableaux de bord et des rapports personnalisés pour aider les entreprises à suivre leurs performances et à prendre des décisions basées sur les données

Contenu de la Formation

 

PARTIE 1 : Python pour la Data Science et l’Analyse de Données

Module 1 : Introduction à Python et aux Bibliothèques de Base

• Objectifs : Se familiariser avec les bases du langage Python, ses environnements de développement, et les bibliothèques essentielles pour la Data Science.
• Installation de Python et Environnements de Développement : Installation de Python, Jupyter Notebook, Anaconda, VS Code.
• Bases du langage Python : Variables, types de données, opérateurs, structures conditionnelles et boucles (if, else, for, while).
• Fonctions Python : Définition de fonctions, arguments, retour de valeurs.
• Gestion des erreurs : Exceptions, gestion des erreurs avec try, except.
• Bibliothèques essentielles : Introduction à NumPy, Pandas, Matplotlib, Seaborn.

 

Module 2 : Manipulation des Données avec Pandas

• Objectifs : Apprendre à manipuler, nettoyer et transformer des données avec la bibliothèque Pandas.
• Les structures de données : Séries et DataFrames.
• Chargement et sauvegarde de données : Lecture et écriture de fichiers CSV, Excel, JSON.
• Préparation des données : Traitement des valeurs manquantes, suppression des doublons, conversion de types de données.
• Indexation et sélection de données : Sélection de colonnes, filtrage de données, gestion des index.
• Manipulation avancée : Fusion, jointure, concaténation de DataFrames.

 

Module 3 : Analyse Statistique et Exploration des Données avec Python

• Objectifs : Acquérir les compétences nécessaires pour effectuer une analyse statistique et des explorations de données avancées.
• Statistiques de base : Moyenne, médiane, variance, écart-type, corrélation.
• Visualisation des données avec Matplotlib et Seaborn : Création de graphiques (histogrammes, diagrammes de dispersion, boxplots, heatmaps).
• Exploration visuelle : Identifier des tendances, des patterns et des anomalies dans les données.
• Analyse de distribution : Tests de normalité, création de distributions personnalisées.

 

Module 4 : Introduction au Machine Learning avec Scikit-Learn

• Objectifs : Apprendre les bases du machine learning et implémenter des modèles simples pour des prévisions et classifications.
• Introduction au Machine Learning : Supervised vs Unsupervised learning, Types de modèles (régression, classification, clustering).
• Préparation des données pour le Machine Learning : Séparation des données en ensembles d’entraînement et de test, normalisation et standardisation.
• Algorithmes de régression : Régression linéaire simple et multiple.
• Algorithmes de classification : Classification avec régression logistique, k-NN (k-Nearest Neighbors).
• Évaluation des modèles : Métriques d’évaluation (précision, rappel, F1-score, matrice de confusion).

 

Module 5 : Traitement des Données Massives (Big Data) avec Python

• Objectifs : Utiliser Python pour gérer de grandes quantités de données et effectuer des traitements à grande échelle.
• Introduction à Hadoop et Spark : Concepts de Big Data, présentation de PySpark.
• Manipulation de données volumineuses avec Dask : Traitement de données en parallèle.
• Optimisation de la performance : Techniques pour traiter de grands ensembles de données avec Pandas et Dask.

 

Module 6 : Automatisation des Tâches avec Python

• Objectifs : Automatiser des processus répétitifs et améliorer l’efficacité des tâches liées aux données.
• Automatisation des analyses de données : Création de scripts Python pour nettoyer et analyser des données automatiquement.
• Scraping Web avec BeautifulSoup et Requests : Récupération de données à partir du web.
• Automatisation des rapports : Génération automatique de rapports en PDF ou Excel.

 

Module 7 : Projet Pratique Python en Data Science

• Objectifs : Appliquer les compétences acquises à travers un projet de data science complet.
• Choix du projet : Analyse d’un jeu de données réel.
• Analyse et modélisation : Traitement, analyse, visualisation et modélisation de données.
• Présentation des résultats : Création de visualisations et de rapports pour partager les résultats du projet.
• Évaluation du projet : Examen des solutions proposées et discussion des meilleures pratiques.

 

 

PARTIE 2 : Contenu de la Formation SQL pour la Data Science et l’Analyse de Données

Module 1 : Introduction à SQL et à la Gestion des Bases de Données

• Objectifs : Comprendre les bases des bases de données relationnelles et du langage SQL pour la gestion des données.
• Introduction aux bases de données relationnelles : Concepts de bases de données, tables, lignes, colonnes, clés primaires, clés étrangères.
• Environnement SQL : Installation de MySQL, PostgreSQL, SQL Server ou SQLite, introduction aux interfaces de gestion des bases de données.
• Principes de conception des bases de données : Modélisation des données, normalisation des bases de données.

 

Module 2 : Requêtes de Base en SQL

• Objectifs : Apprendre à interroger les bases de données en utilisant les requêtes SQL les plus courantes.
• Sélection de données : Utilisation de SELECT pour extraire des données des tables.
• Filtres : Utilisation de WHERE, AND, OR, NOT pour filtrer les données.
• Tri des données : Utilisation de ORDER BY pour trier les résultats.
• Limitation des résultats : Utilisation de LIMIT pour restreindre le nombre de lignes retournées.
• Agrégation des données : Utilisation de COUNT(), SUM(), AVG(), MIN(), MAX() pour effectuer des calculs sur les données.

 

Module 3 : Manipulation Avancée des Données en SQL

• Objectifs : Apprendre à manipuler des données dans les bases de données avec des commandes avancées.
• Jointures : Introduction aux jointures (INNER JOIN, LEFT JOIN, RIGHT JOIN, FULL JOIN) pour combiner plusieurs tables.
• Sous-requêtes : Utilisation de sous-requêtes dans la clause WHERE, FROM, et SELECT pour effectuer des recherches complexes.
• Groupement des données : Utilisation de GROUP BY pour regrouper les données et effectuer des agrégations spécifiques.
• Filtrage sur les agrégations : Utilisation de HAVING pour filtrer les résultats après un regroupement.
• Opérations sur les chaînes de caractères : Manipulation des chaînes avec CONCAT(), UPPER(), LOWER(), LIKE, TRIM().
• Opérations sur les dates : Manipulation des dates avec DATE(), YEAR(), MONTH(), NOW(), DATEDIFF().

 

Module 4 : Modification des Données dans les Bases de Données

• Objectifs : Apprendre à insérer, mettre à jour et supprimer des données dans les bases de données.
• Insertion de données : Utilisation de INSERT INTO pour insérer de nouvelles lignes dans une table.
• Mise à jour des données : Utilisation de UPDATE pour modifier les valeurs existantes dans les tables.
• Suppression des données : Utilisation de DELETE pour supprimer des lignes de la table.
• Gestion des transactions : Introduction à COMMIT et ROLLBACK pour gérer les transactions et garantir l’intégrité des données.
• Gestion des contraintes : Utilisation des contraintes (NOT NULL, UNIQUE, CHECK, DEFAULT) pour assurer la qualité des données.

 

Module 5 : Création et Gestion des Bases de Données

• Objectifs : Apprendre à créer et à gérer les bases de données et les structures associées.
• Création de bases de données et de tables : Utilisation de CREATE DATABASE et CREATE TABLE pour créer une nouvelle base de données et des tables.
• Modification de la structure des tables : Utilisation de ALTER TABLE pour ajouter, modifier ou supprimer des colonnes dans les tables existantes.
• Suppression de tables et de bases de données : Utilisation de DROP TABLE et DROP DATABASE pour supprimer des tables et des bases de données.
• Gestion des index : Création d’index pour améliorer les performances des requêtes avec CREATE INDEX.

 

Module 6 : Gestion des Relations entre Tables et Intégrité des Données

• Objectifs : Maîtriser la gestion des relations entre les tables et l’intégrité des données.
• Clés primaires et étrangères : Définition et utilisation des clés primaires et des clés étrangères pour garantir l’intégrité des données.
• Contrainte d’intégrité référentielle : Utilisation des contraintes pour assurer des relations cohérentes entre les tables.
• Tables de jointure : Création de tables de jointure pour gérer les relations plusieurs-à-plusieurs.

 

Module 7 : Optimisation des Requêtes SQL

• Objectifs : Améliorer les performances des requêtes SQL et gérer les bases de données à grande échelle.
• Optimisation des requêtes : Techniques pour améliorer les performances des requêtes SQL (indexation, requêtes complexes, etc.).
• Analyse de performance : Utilisation de EXPLAIN pour analyser l’exécution des requêtes et détecter les points de ralentissement.
• Indexation et vues : Création d’index sur les colonnes fréquemment utilisées pour améliorer les performances des requêtes, création de vues pour simplifier les requêtes complexes.

 

Module 8 : Projet Pratique en SQL

• Objectifs : Appliquer les compétences acquises dans un projet complet de gestion et d’analyse de données.
• Choix du projet : Analyser un jeu de données réel en utilisant SQL.
• Création de la base de données : Création des tables et relations, insertion des données.
• Requêtes complexes : Utilisation des jointures, sous-requêtes, et agrégations pour résoudre des problèmes d’analyse de données.
• Optimisation et présentation des résultats : Optimiser les requêtes et créer des rapports clairs pour partager les résultats.

 

Compétences Acquises :

• Manipulation des bases de données relationnelles et création de structures de données adaptées.
• Création de requêtes SQL complexes pour interroger et manipuler des données.
• Optimisation des requêtes SQL pour améliorer les performances des systèmes de gestion de bases de données.
• Gestion des transactions et intégrité des données dans des bases de données multi-utilisateurs.
• Analyse de données complexes à l’aide de jointures, agrégations et sous-requêtes.

Partie 3 : la Formation R pour la Data Science et l’Analyse de Données

 

Module 1 : Introduction à R et à l’environnement de développement

• Objectifs : Apprendre les bases de R, ainsi que l’installation et l’utilisation d’un environnement de développement pour les analyses de données.
• Présentation de R et de RStudio : Installation et configuration de R et RStudio (IDE pour R), exploration de l’interface de RStudio.
• Syntaxe de base de R : Variables, types de données (numérique, caractère, logique), vecteurs, matrices, data frames.
• Opérations de base : Opérations mathématiques, manipulation de chaînes de caractères, opérations logiques.

 

Module 2 : Manipulation de Données avec R

• Objectifs : Maîtriser les outils de manipulation de données dans R pour préparer les données à l’analyse.
• Importation de données : Chargement de fichiers CSV, Excel, bases de données SQL et autres formats de données dans R.
• Manipulation des données avec dplyr : Utilisation de fonctions telles que select(), filter(), mutate(), arrange(), summarise() pour transformer et manipuler des data frames.
• Gestion des valeurs manquantes : Identifier et traiter les valeurs manquantes avec NA, imputation, suppression.
• Fusionner et joindre des jeux de données : Utilisation des fonctions merge() et dplyr::join() pour combiner plusieurs sources de données.

 

Module 3 : Visualisation des Données avec R

• Objectifs : Apprendre à créer des visualisations de données pour mieux comprendre et interpréter les résultats.
• Introduction à ggplot2 : Présentation de la bibliothèque ggplot2 pour créer des graphiques et visualisations avancées.
• Types de graphiques : Créer des histogrammes, boxplots, diagrammes de dispersion, graphiques en barres, courbes de tendance, etc.
• Personnalisation des graphiques : Ajouter des titres, légendes, couleurs, étiquettes et personnaliser l’apparence des graphiques.
• Visualisation interactive : Utilisation de bibliothèques comme plotly pour rendre les graphiques interactifs.

 

Module 4 : Analyse Statistique de Base avec R

• Objectifs : Acquérir les compétences nécessaires pour réaliser des analyses statistiques simples et avancées sur des jeux de données.
• Statistiques descriptives : Moyenne, médiane, variance, écart-type, quartiles, etc.
• Tests statistiques : Test de Student (t-test), test de chi-carré, ANOVA, corrélation et régression linéaire.
• Interprétation des résultats statistiques : Calcul des p-values, intervalles de confiance, et compréhension des résultats statistiques.

 

Module 5 : Modélisation et Prédiction avec R

• Objectifs : Apprendre à construire et évaluer des modèles de machine learning pour la prédiction et l’analyse des données.
• Régression linéaire et logistique : Construction de modèles de régression pour prédire des variables continues et catégorielles.
• Arbres de décision et random forest : Introduction aux arbres de décision et à l’algorithme random forest pour les prédictions.
• K-means clustering : Apprentissage non supervisé avec l’algorithme de clustering K-means pour segmenter les données.
• Évaluation des modèles : Validation croisée, courbes ROC, matrices de confusion, performance des modèles.

 

Module 6 : Traitement des Données Textuelles avec R

• Objectifs : Maîtriser les techniques de traitement de texte et d’analyse de texte avec R pour les données non structurées.
• Analyse de texte avec tm et quanteda : Prétraitement de texte, suppression des mots vides, tokenisation.
• Extraction d’informations et analyse de sentiments : Analyse des sentiments avec des techniques de traitement de texte pour extraire des insights significatifs.
• Nuages de mots (Word Clouds) : Créer des nuages de mots pour visualiser les fréquences des termes dans un corpus de texte.

 

Module 7 : R pour les Grandes Données (Big Data)

• Objectifs : Apprendre à travailler avec de grands volumes de données en utilisant R pour le traitement et l’analyse.
• Traitement de données volumineuses avec data.table : Manipuler efficacement de grandes quantités de données avec la bibliothèque data.table.
• Utilisation de Spark avec R : Introduction à l’utilisation de Spark pour le traitement des Big Data via sparklyr.
• Optimisation des performances : Techniques pour améliorer les performances des analyses de grandes quantités de données.

 

Module 8 : Projet Pratique en R

• Objectifs : Appliquer les compétences acquises dans un projet complet d’analyse de données en utilisant R.
• Choix du projet : Sélection d’un jeu de données réel pour appliquer les techniques de manipulation, analyse, et modélisation des données.
• Analyse exploratoire des données : Nettoyage des données, visualisation, et extraction des insights.
• Création de modèles prédictifs : Construction et évaluation des modèles prédictifs sur les données sélectionnées.
• Création d’un rapport : Rédaction d’un rapport d’analyse avec les résultats et les visualisations des données.

 

Compétences Acquises :

• Manipulation de données complexes et nettoyage des jeux de données dans R.
• Création de visualisations de données interactives pour la prise de décisions basée sur les données.
• Réalisation d’analyses statistiques avancées et interprétation des résultats.
• Développement de modèles de machine learning pour la prédiction et l’analyse des données massives.
• Traitement de données textuelles et analyse de sentiments pour extraire des informations significatives à partir de textes non structurés.

 

PARTIE 4 : Formation Tableau pour la Visualisation de Données et la Business Intelligence

Module 1 : Introduction à Tableau

• Objectifs : Découvrir Tableau, ses fonctionnalités et son interface pour préparer les participants à l’utilisation du logiciel.
• Présentation de Tableau : Introduction à Tableau Desktop, Tableau Server et Tableau Public.
• Installation et configuration de Tableau : Installer Tableau Desktop et se familiariser avec l’interface utilisateur.
• Comprendre les sources de données : Connexion à différentes sources de données (Excel, SQL, Google Analytics, etc.).
• Navigation dans Tableau : Barre d’outils, menus, et options de visualisation de base.

 

Module 2 : Connexion et Préparation des Données

• Objectifs : Apprendre à importer, nettoyer et préparer les données pour la visualisation.
• Connexion aux données : Importation de données à partir de fichiers Excel, bases de données SQL, fichiers CSV, etc.
• Nettoyage des données : Gestion des valeurs manquantes, fusion et jointure des sources de données.
• Structuration des données dans Tableau : Organiser les données en dimensions et mesures.
• Filtrage et transformation des données : Création de filtres, utilisation de calculs personnalisés pour nettoyer les données.

 

Module 3 : Visualisation des Données avec Tableau

• Objectifs : Maîtriser la création de visualisations de données simples et avancées dans Tableau.
• Création de graphiques de base : Histogrammes, graphiques à barres, graphiques linéaires, pie charts, etc.
• Création de graphiques avancés : Cartes géographiques, graphiques à bulles, courbes de tendance, graphiques en boîte.
• Travail avec les dimensions et les mesures : Utilisation des filtres, couleurs, tailles et labels pour personnaliser les graphiques.
• Utilisation de calculs et agrégations dans les visualisations : Calculs de somme, moyenne, maximum, etc.

 

Module 4 : Analyse Avancée et Interactivité

• Objectifs : Créer des visualisations interactives et effectuer des analyses approfondies des données.
• Tableaux croisés dynamiques et tableaux de bord : Création de tableaux dynamiques pour résumer les données et visualiser les résultats sous forme de tableau.
• Utilisation des filtres interactifs : Créer des filtres et des actions permettant à l’utilisateur de sélectionner et d’explorer les données.
• Paramètres et actions dans Tableau : Ajouter des actions (paramètres de filtre, actions de survol, etc.) pour rendre les visualisations interactives.
• Utilisation des groupes et hiérarchies : Créer des hiérarchies pour organiser les dimensions et permettre une exploration dynamique.

 

Module 5 : Création de Tableaux de Bord et Rapports

• Objectifs : Concevoir des tableaux de bord complets et des rapports visuels dynamiques pour la prise de décision.
• Création de tableaux de bord : Agencement des visualisations, intégration de plusieurs graphiques et filtres dans un tableau de bord.
• Optimisation de la mise en page : Ajustement de la taille, de la mise en forme et de l’apparence des éléments du tableau de bord pour une présentation claire et professionnelle.
• Personnalisation des rapports : Ajout de titres, sous-titres, légendes, annotations et autres éléments visuels.
• Utilisation des feuilles et des widgets Tableau : Créer des vues interactives avec des graphiques liés.

 

Module 6 : Partage et Publication des Visualisations

• Objectifs : Apprendre à partager et publier les visualisations créées à l’aide de Tableau.
• Partage de visualisations : Exportation de graphiques et de tableaux de bord vers différents formats (PDF, image, etc.).
• Utilisation de Tableau Server et Tableau Online : Publier les visualisations sur Tableau Server ou Tableau Online pour une collaboration en temps réel.
• Création de rapports automatisés : Planification de l’exportation automatique de rapports et tableaux de bord pour les parties prenantes.
• Protection des données : Ajouter des contrôles d’accès et des filtres pour sécuriser les rapports partagés.

 

Module 7 : Analyse Prédictive avec Tableau

• Objectifs : Explorer les fonctionnalités de Tableau pour les analyses prédictives et les tendances.
• Utilisation de la fonction de prévision dans Tableau : Appliquer des techniques de prévision pour prédire les tendances futures sur la base des données historiques.
• Création de modèles prédictifs simples : Utilisation des modèles de régression dans Tableau pour analyser les données et identifier des patterns.
• Visualisation des prévisions : Affichage des prévisions dans les graphiques pour visualiser les tendances et les évolutions attendues.

 

Module 8 : Projet Pratique avec Tableau

• Objectifs : Appliquer les compétences acquises dans un projet de visualisation de données complet.
• Sélection du projet : Choix d’un jeu de données réel pour la création d’un tableau de bord complet.
• Création d’un tableau de bord interactif : Réalisation d’un projet final comprenant plusieurs visualisations et rapports interactifs.
• Présentation des résultats : Rédaction d’un rapport avec une analyse des résultats et présentation des visualisations dans un format professionnel.

 

Compétences Acquises :

• Maîtriser les principes de visualisation des données dans Tableau.
• Créer des graphiques interactifs et dynamiques pour analyser les données.
• Concevoir des tableaux de bord professionnels et des rapports pour la prise de décision.
• Partager et publier les visualisations de manière sécurisée pour les parties prenantes.
• Appliquer les techniques de prévision et d’analyse prédictive avec Tableau.

 

 

PARTIE 5 : Formation Power BI pour la Visualisation et l’Analyse des Données

Module 1 : Introduction à Power BI

• Objectifs : Comprendre l’environnement Power BI, son interface et ses fonctionnalités de base.
• Présentation de Power BI : Introduction à Power BI Desktop, Power BI Service, et Power BI Mobile.
• Installation et configuration : Installation de Power BI Desktop et configuration des paramètres.
• Exploration de l’interface Power BI : Barre de navigation, volets de données, rapports, visualisations, et autres outils de l’interface.
• Composants Power BI : Introduction aux différents composants de Power BI (Power Query, Power Pivot, Power View, etc.).

 

Module 2 : Connexion et Préparation des Données

• Objectifs : Apprendre à connecter Power BI à différentes sources de données et à les préparer pour l’analyse.
• Connexion aux sources de données : Connexion à des fichiers Excel, bases de données SQL, services en ligne, API, et autres sources de données.
• Exploration des données : Visualisation et sélection des données importées, filtrage, et nettoyage.
• Nettoyage des données avec Power Query : Utilisation de Power Query pour transformer, nettoyer et manipuler les données avant leur analyse.
• Création de tables et relations : Comprendre les relations entre les tables, création de relations entre les différentes sources de données.

 

Module 3 : Modélisation des Données

• Objectifs : Construire un modèle de données efficace en utilisant Power BI pour l’analyse avancée.
• Modélisation des données : Créer des tables, relations, et hiérarchies dans Power BI.
• Utilisation de DAX (Data Analysis Expressions) : Introduction à DAX pour effectuer des calculs personnalisés, agrégations, et mesures.
• Calculs personnalisés : Créer des colonnes calculées, des mesures, et des KPIs (Indicateurs de performance clés).
• Hiérarchies et filtres : Créer des hiérarchies pour une navigation fluide dans les données et appliquer des filtres contextuels.

 

Module 4 : Création de Visualisations

• Objectifs : Apprendre à créer et personnaliser des visualisations interactives et dynamiques.
• Création de graphiques de base : Créer des graphiques à barres, à secteurs, des courbes, des cartes géographiques, des histogrammes, etc.
• Visualisations avancées : Création de graphiques plus complexes comme les graphiques à bulles, les graphiques en cascade, les diagrammes de dispersion, les graphiques de type heatmap, etc.
• Interaction avec les visualisations : Personnalisation des interactions entre les visualisations (sélection de données, mise à jour automatique).
• Création de visuels personnalisés : Utilisation des visuels personnalisés de la galerie Power BI ou création de nouveaux visuels avec des outils comme Power BI Visuals Marketplace.

 

Module 5 : Tableaux de Bord et Rapports

• Objectifs : Concevoir et publier des tableaux de bord interactifs dans Power BI.
• Création de rapports dynamiques : Création de rapports visuels avec plusieurs visualisations et tableaux de données interactifs.
• Tableaux de bord interactifs : Ajouter des filtres, slicers, et boutons de navigation pour améliorer l’interactivité.
• Personnalisation de la mise en page : Structurer et personnaliser les rapports avec des couleurs, styles et thématiques.
• Utilisation de Power BI Services : Publier des rapports dans Power BI Service, partage et collaboration en ligne.

 

Module 6 : Analyse et Exploration des Données

• Objectifs : Apprendre à effectuer des analyses avancées et à explorer les données avec Power BI.
• Exploration des données avec des slicers : Utilisation des slicers pour segmenter et filtrer les données de manière interactive.
• Analyse des tendances et des anomalies : Utilisation des outils de prévision et d’analyse des tendances dans Power BI.
• Création de calculs DAX avancés : Créer des mesures avancées pour l’analyse financière, des ratios, et des indicateurs personnalisés.
• Analyse des relations entre les données : Identifier les corrélations, les causes et effets à partir des données.

 

Module 7 : Partage et Collaboration

• Objectifs : Publier, partager et collaborer efficacement avec Power BI.
• Publier sur Power BI Service : Télécharger et publier vos rapports sur Power BI Service pour un accès à distance.
• Création de rapports interactifs dans le Cloud : Travailler avec Power BI Service pour créer des rapports accessibles via le cloud.
• Gestion des autorisations et sécurité : Définir les niveaux d’accès et les autorisations de visualisation sur les rapports et tableaux de bord.
• Collaborer et partager : Créer des dashboards partagés, recevoir des commentaires et gérer les versions.

 

Module 8 : Power BI Mobile et Automatisation

• Objectifs : Utiliser Power BI sur les appareils mobiles et automatiser les tâches.
• Utilisation de Power BI sur mobile : Visualisation des rapports et tableaux de bord sur les appareils mobiles à l’aide de Power BI Mobile.
• Notifications et alertes : Configurer des alertes pour être informé de certains changements dans les données.
• Automatisation avec Power BI : Utilisation de Power Automate pour automatiser les workflows et processus de reporting.

 

Module 9 : Projet Pratique et Études de Cas

• Objectifs : Appliquer les compétences acquises à travers un projet pratique.
• Sélection d’un cas d’étude : Choisir un jeu de données réel pour créer des rapports et tableaux de bord.
• Création d’un tableau de bord complet : Développer un projet final en utilisant les concepts appris pendant la formation.
• Présentation du projet : Présenter le projet final et obtenir des retours pour améliorer les compétences.

 

Compétences Acquises :

• Maîtriser l’utilisation de Power BI pour la visualisation de données.
• Créer des rapports et tableaux de bord interactifs avec des visualisations dynamiques.
• Effectuer des analyses avancées et des calculs personnalisés avec DAX.
• Partager et collaborer sur des rapports Power BI en ligne.
• Automatiser la génération de rapports et alertes avec Power BI et Power Automate.