TECH vous offre les meilleures connaissances en matière de Big Data pour devenir votre passeport vers une carrière pleine d'opportunités et de défis passionnants” 

La discipline du Big Data s'est imposée comme une solution stratégique, permettant aux organisations de transformer des données complexes en opportunités précieuses. Cette discipline a été caractérisée par le volume, la variété et la vitesse, changeant la façon dont les entreprises fonctionnent, prennent des décisions et sont compétitives sur le marché mondial. Cependant, pour tirer le meilleur parti de cette ressource, il faut des experts qui comprennent comment collecter et analyser de grandes quantités d'informations. 

Conscients de ce besoin, le Mastère avancé en Big Data Management de TECH se présente comme une porte d'entrée dans ce domaine fascinant et dynamique. Conçu pour spécialiser les professionnels qui mèneront la révolution numérique, ce programme associe des connaissances techniques avancées à une formation complète, couvrant à la fois l'étude de plateformes, d'algorithmes et d'outils de pointe et une solide préparation stratégique. Aujourd'hui, pratiquement chaque interaction dans l'environnement numérique génère des données, que ce soit par le biais des achats en ligne, de l'utilisation des réseaux sociaux ou des capteurs des appareils connectés à l'Internet des Objets. Par conséquent, la connaissance et la gestion du Big Data sont devenues des aspects clés pour tous les secteurs d'activité. 

Ce Mastère avancé inclut dans son syllabus l'étude des plateformes, algorithmes et outils les plus avancés du secteur, le tout enseigné à travers la méthode d'apprentissage innovante Relearning, adaptée aux besoins et au rythme d'étude de chaque étudiant. Mieux encore, le programme est entièrement en ligne et accessible depuis n'importe quel appareil, ce qui offre la flexibilité d'ajuster les horaires et de combiner les responsabilités professionnelles, sans laisser de côté une vie de famille active, tout en progressant dans la spécialisation professionnelle. 

Avec TECH, renforcez votre profil professionnel grâce à des connaissances spécialisées qui vous permettront de vous démarquer dans n'importe quel secteur” 

Ce Mastère avancé en Big Data Management contient le programme le plus complet et le plus actualisé du marché. Ses caractéristiques sont les suivantes:

• Le développement d'études de cas présentées par des experts en informatique 
• Le contenu graphique, schématique et éminemment pratique du programme fournit des informations scientifiques et pratiques sur les disciplines essentielles à la pratique professionnelle 
• Les exercices pratiques où effectuer le processus d’auto-évaluation pour améliorer l’apprentissage 
• L'accent est mis sur les méthodologies innovantes en Big Data Management 
• Cours théoriques, questions à l'expert, forums de discussion sur des sujets controversés et travail de réflexion individuel 
• La possibilité d'accéder aux contenus depuis n'importe quel appareil fixe ou portable doté d'une connexion internet 

Maîtrisez l'avenir de l'analyse des données en apprenant 100 % en ligne avec la méthode Relearning, la plus innovante et la plus efficace du marché” 

Son corps enseignant comprend des professionnels de l’informatique, qui apportent l'expérience de leur travail à ce programme, ainsi que des spécialistes reconnus issus de grandes entreprises et d'universités prestigieuses. 

Son contenu multimédia, développé avec les dernières technologies éducatives, permettra au professionnel un apprentissage situé et contextuel, c'est-à-dire un environnement simulé qui fournira un étude immersif programmé pour s'entraîner dans des situations réelles. 

La conception de ce programme est axée sur l'Apprentissage par les Problèmes, grâce auquel l’étudiant doit essayer de résoudre les différentes situations de la pratique professionnelle qui se présentent tout au long du programme académique. Pour ce faire, le professionnel aura l'aide d'un système vidéo interactif innovant créé par des experts reconnus. 

Avec la dernière méthodologie d'enseignement, construisez l'avenir que vous voulez dans un domaine où la demande de talents ne cesse de croître"

Développez votre capacité à innover dans le monde avec le meilleur corps professoral qui vous accompagnera dans ce Mastère avancé en Big Data"

Le Mastère avancé en Big Data Management offre des connaissances complètes allant des fondamentaux du Big Data aux stratégies les plus avancées pour son application dans l'environnement professionnel. Tout au long du programme, les diplômés développeront des compétences clés dans des domaines à forte demande de main-d'œuvre, ce qui leur donnera la capacité d'analyser et de transformer les données en actifs précieux. En outre, le programme est conçu pour permettre aux professionnels de s'adapter aux évolutions technologiques constantes, en les préparant à diriger la gestion des données dans divers secteurs. 

Avec la méthodologie de TECH, apprenez à déchiffrer les secrets qui se cachent derrière les données et à mener la révolution numérique" 

Module 1. L'analyse des données dans l'organisation de l'entreprise

1.1. Analyse commerciale

1.1.1. Analyse commerciale
1.1.2. Structuration des données
1.1.3. Phases et éléments

1.2. L'analyse des données dans l'entreprise

1.2.1. Tableaux de bord et indicateurs clés de performance des départements
1.2.2. Rapports opérationnels, tactiques et stratégiques
1.2.3. L'analyse des données appliquée à chaque département

1.2.3.1. Marketing et communication
1.2.3.2. Commercial
1.2.3.3. Service à la clientèle
1.2.3.4. Achats
1.2.3.5. Administration
1.2.3.6. R. H
1.2.3.7. Production
1.2.3.8. IT

1.3. Marketing et communication

1.3.1. Les indicateurs clés de performance à mesurer, les applications et les avantages
1.3.2. Systèmes de marketing et data warehouse
1.3.3. Mise en œuvre d'un cadre d'analyse des données dans le domaine du marketing
1.3.4. Plan de marketing et de communication
1.3.5. Stratégies, prévisions et gestion des campagnes

1.4. Commercial et ventes

1.4.1. Contributions de l'analyse des données dans le domaine commercial
1.4.2. Besoins du département des ventes
1.4.3. Étude de marché

1.5. Service à la clientèle

1.5.1. Fidélisation
1.5.2. Qualité personnelle et intelligence émotionnelle
1.5.3. Satisfaction des clients

1.6. Achats

1.6.1. Analyse de données pour les études de marché
1.6.2. Analyse de données pour les études de concurrence
1.6.3. Autres applications

1.7. Administration

1.7.1. Besoins du département d’administration
1.7.2. Data Warehouse et analyse des risques financiers
1.7.3. Data Warehouse et analyse de risque crédit

1.8. Ressources humaines

1.8.1. RR. Les RH et les avantages de l'analyse des données
1.8.2. Outils d'analyse des données dans le département des ressources humaines. Humaines
1.8.3. Application d'analyse des données dans le département des ressources humaines. Humaines

1.9. Production

1.9.1. Analyse des données dans un service de production
1.9.2. Applications
1.9.3. Bénéfices

1.10. IT

1.10.1. Departement IT
1.10.2. Analyse des données et transformation numérique
1.10.3. Innovation et productivité

Module 2. Gestion des données, manipulation des données et informations pour la science des données

2.1. Statistiques Variables, indices et ratios

2.1.1. Statistiques
2.1.2. Dimensions statistiques
2.1.3. Variables, indices et ratios

2.2. Typologie des données

2.2.1. Qualitatif
2.2.2. Quantitatif
2.2.3. Caractérisation et catégories

2.3. Connaissance des données issues des mesures

2.3.1. Mesures de centralisation
2.3.2. Mesures de la dispersion
2.3.3. Corrélation

2.4. Connaissance des données issues des graphiques

2.4.1. Visualisation selon le type de données
2.4.2. Interprétation des informations graphiques
2.4.3. Personnalisation des graphiques avec R

2.5. Probabilités

2.5.1. Probabilités
2.5.2. Fonction de probabilité
2.5.3. Distributions

2.6. Collecte des données

2.6.1. Méthodologie de collecte
2.6.2. Outils de collecte
2.6.3. Canaux de collecte

2.7. Nettoyage des données

2.7.1. Phases du nettoyage des données
2.7.2. Qualité des données
2.7.3. Manipulation des données (avec R)

2.8. Analyse des données, interprétations, évaluation des résultats

2.8.1. Mesures statistiques
2.8.2. Indices de ratios
2.8.3. Extraction de données

2.9. Entrepôt de données (Datawarehouse)

2.9.1. Éléments
2.9.2. Conception

2.10. Disponibilité des données

2.10.1. Accès
2.10.2. Utilité
2.10.3. Sécurité

Module 3. Les dispositifs et plateformes IoT comme base de la science des données

3.1. Internet of Things

3.1.1. Internet du futur, Internet of Things
3.1.2. Le consortium industrial internet

3.2. Architecture de référence

3.2.1. L’architecture de référence
3.2.2. Couches
3.2.3. Composants

3.3. Capteurs et dispositifs IoT

3.3.1. Principaux composants
3.3.2. Capteurs et actionneurs

3.4. Communications et protocoles

3.4.1. Protocoles Modèle OSI
3.4.2. Technologie de communication

3.5. Plateformes Cloud pour l'IdO et l'IIoT

3.5.1. Plateformes à usage général
3.5.2. Plateformes industrielles
3.5.3. Plateformes Open Source

3.6. Gestion des données dans les plateformes IoT

3.6.1. Mécanisme de gestion des données Données ouvertes
3.6.2. Échange et visualisation de données

3.7. Sécurité IoT

3.7.1. Exigences de sécurité et domaines de sécurité
3.7.2. Stratégies de sécurité IIoT

3.8. Applications IoT

3.8.1. Villes intelligentes
3.8.2. Santé et conditions physiques
3.8.3. Maison intelligente
3.8.4. Autres applications

3.9. Applications de IIoT

3.9.1. Fabrication
3.9.2. Transport
3.9.3. Énergie
3.9.4. Agriculture et élevage
3.9.5. Autres secteurs

3.10. Industrie 4.0

3.10.1. IoRT (Internet of Robotics Things)
3.10.2. Fabrication additive 3D
3.10.3. Big data analytics

Module 4. Représentation graphique pour l'analyse des données

4.1. Analyse exploratoire

4.1.1. Représentation pour l'analyse des données
4.1.2. La valeur de la représentation graphique
4.1.3. Nouveaux paradigmes de la représentation graphique

4.2. Optimisation pour la science des données

4.2.1. Gamme de couleurs et design
4.2.2. La Gestalt dans la représentation graphique
4.2.3. Erreurs à éviter et conseils

4.3. Sources des données de base

4.3.1. Pour une représentation de qualité
4.3.2. Pour une représentation de quantité
4.3.3. Pour une représentation de temps

4.4. Sources des données de complexes

4.4.1. Fichiers, listes et BB. DD
4.4.2. Données ouvertes
4.4.3. Données de génération continue

4.5. Types de graphiques

4.5.1. Représentations basiques
4.5.2. Représentation par blocs
4.5.3. Représentation pour l'analyse de la dispersion
4.5.4. Représentations circulaires
4.5.5. Représentations de bulles
4.5.6. Représentations géographiques

4.6. Types de visualisation

4.6.1. Comparatives et relacionelles
4.6.2. Distribution
4.6.3. Hiérarchique

4.7. Conception de rapports avec représentation graphique

4.7.1. Application des graphiques dans les rapports de marketing
4.7.2. Application des graphiques dans les tableaux de bord et les indicateurs clés de performance (KPI)
4.7.3. Application des graphiques dans les plans stratégiques
4.7.4. Autres utilisations: Sciences, santé, commerce

4.8. Récit graphique

4.8.1. Le récit graphique
4.8.2. Évolution
4.8.3. Utilité

4.9. Outils orientés vers la visualisation

4.9.1. Outils avancés
4.9.2. Software en ligne
4.9.3. Open Source

4.10. Nouvelles technologies de la visualisation données

4.10.1. Systèmes de virtualisation de la réalité
4.10.2. Systèmes d'augmentation et amélioration de la réalité
4.10.3. Systèmes intelligents

Module 5. Outils de science des données

5.1. Science des données

5.1.1. La science des données
5.1.2. Outils avancés pour le scientifique des données

5.2. Données, informations et connaissances

5.2.1. Données, informations et connaissances
5.2.2. Types de données
5.2.3. Sources des données

5.3. Des données aux informations

5.3.1. Analyse des données
5.3.2. Types d’analyse
5.3.3. Extraction d'informations d'un dataset

5.4. Extraction d'informations par la visualisation

5.4.1. La visualisation comme outils d’analyse
5.4.2. Méthodes de visualisation
5.4.3. Visualisation d'un ensemble de données

5.5. Qualité des données

5.5.1. Données de qualités
5.5.2. Nettoyage des données
5.5.3. Prétraitement de base des données

5.6. Dataset

5.6.1. Enrichissement des données dataset
5.6.2. La malédiction de la dimensionnalité
5.6.3. Modification d'un ensemble de données

5.7. Déséquilibre

5.7.1. Déséquilibre des classes
5.7.2. Techniques d'atténuation du déséquilibre
5.7.3. Equilibrage d'un dataset

5.8. Modèles non supervisé

5.8.1. Modèles non supervisé
5.8.2. Méthodes
5.8.3. Classifications avec modèles non supervisé

5.9. Modèles supervisés

5.9.1. Modèles supervisé
5.9.2. Méthodes
5.9.3. Classifications avec modèles supervisés

5.10. Outils et bonnes pratiques

5.10.1. Bonnes pratiques pour un scientifique des données
5.10.2. Le meilleur modèle
5.10.3. Outils utiles

Module 6. Extraction de données. Sélection, prétraitement et transformation

6.1. Inférence statistique

6.1.1. Statistiques descriptives et inférence statistique
6.1.2. Procédures paramétriques
6.1.3. Procédures non paramétriques

6.2. Analyse exploratoire

6.2.1. Analyse descriptive
6.2.2. Visualisation
6.2.3. Préparations des données

6.3. Préparations des données

6.3.1. Intégration et nettoyage des données
6.3.2. Normalisation des données
6.3.3. Transformer les attributs

6.4. Valeurs manquantes

6.4.1. Traitement des valeurs manquantes
6.4.2. Méthodes d'imputation par maximum de vraisemblance
6.4.3. Imputation des valeurs manquantes à l'aide de l'apprentissage automatique

6.5. Bruit dans les données

6.5.1. Classes et attributs de bruit
6.5.2. Filtrage du bruit
6.5.3. L’effet du bruit

6.6. La malédiction de la dimensionnalité

6.6.1. Oversampling
6.6.2. Undersampling
6.6.3. Réduction des données multidimensionnelles

6.7. Des attributs continus aux attributs discrets

6.7.1. Données continues ou discrètes
6.7.2. Processus de discrétisation

6.8. Les données

6.8.1. Sélection des données
6.8.2. Perspectives et critères de sélections
6.8.3. Méthodes de sélection

6.9. Sélection d'instances

6.9.1. Méthodes de sélection des instances
6.9.2. Sélection des prototypes
6.9.3. Méthodes avancées de sélection des instances

6.10. Prétraitement des données dans les environnements big data

6.10.1. Big data
6.10.2. Prétraitement "classique" versus massif
6.10.3. Smart data

Module 7. Prévisibilité et analyse des phénomènes stochastiques

7.1. Séries chronologiques

7.1.1. Séries chronologiques
7.1.2. Utilité et applicabilité
7.1.3. Études de cas connexes

7.2. Les séries chronologiques

7.2.1. Tendance saisonnière de ST
7.2.2. Variations typiques
7.2.3. Analyse des résidus

7.3. Typologies

7.3.1. Stationnaire
7.3.2. Non stationnaire
7.3.3. Transformations et ajustements

7.4. Schémas pour les séries temporelles

7.4.1. Schéma additif (modèle)
7.4.2. Schéma multiplicatif (modèle)
7.4.3. Procédures pour déterminer le type de modèle

7.5. Méthodes basiques de forecast

7.5.1. Moyenne
7.5.2. Naïve
7.5.3. Naïve saisonnière
7.5.4. Comparaison des méthodes

7.6. Analyse des résidus

7.6.1. Autocorrélation
7.6.2. ACF des résidus
7.6.3. Test de corrélation

7.7. Régression dans le contexte des séries temporelles

7.7.1. ANOVA
7.7.2. Principes fondamentaux
7.7.3. Application pratique

7.8. Modèles prédictifs de séries chronologiques

7.8.1. ARIMA
7.8.2. Lissage exponentiel

7.9. Manipulation et analyse de séries chronologiques avec R

7.9.1. Préparations des données
7.9.2. Identification des motifs
7.9.3. Analyse du modèle
7.9.4. Prédiction

7.10. Analyse graphique combinée avec R

7.10.1. Situations typiques
7.10.2. Application pratique pour la résolution de problèmes simples
7.10.3. Application pratique pour la résolution de problèmes avancés

Module 8. Conception et développement de systèmes intelligents

8.1. Prétraitement des données

8.1.1. Prétraitement des données
8.1.2. Transformation des données
8.1.3. Extraction de données

8.2. Apprentissage automatique

8.2.1. Apprentissage supervisé et non supervisé
8.2.2. Apprentissage par renforcement
8.2.3. Autres paradigmes d'apprentissage

8.3. Algorithmes de classification

8.3.1. Apprentissage automatique inductif
8.3.2. SVM y KNN
8.3.3. Métriques et scores pour le classement

8.4. Algorithmes de régression

8.4.1. Régression linéaire, régression logistique et modèles non linéaires
8.4.2. Séries chronologiques
8.4.3. Métriques et scores pour le régression

8.5. Algorithmes de mise en grappes

8.5.1. Techniques de regroupement hiérarchique
8.5.2. Techniques de regroupement partitionnel
8.5.3. Métriques et scores pour le Clustering

8.6. Techniques de règles d'association

8.6.1. Méthodes d'extraction de règles
8.6.2. Métriques et scores pour les algorithmes de règles d'association

8.7. Techniques de classification avancées. Multiclassificateurs

8.7.1. Algorithme de Bagging
8.7.2. Classificateur random forests
8.7.3. Boosting pour les arbres de décision

8.8. Modèles graphiques probabilistes

8.8.1. Modèles probabilistes
8.8.2. Les réseaux bayésiens. Propriétés, représentation et paramétrage
8.8.3. Autres modèles graphiques probabilistes

8.9. Réseaux neuronaux

8.9.1. Apprentissage automatique avec les réseaux de neurones artificiels
8.9.2. Réseaux feedforward

8.10. Apprentissage profond

8.10.1. Réseaux feedforward profond
8.10.2. Réseaux neuronaux convolutifs et modèles de séquences
8.10.3. Outils pour la mise en œuvre de réseaux neuronaux profonds

Module 9. Systèmes et architectures à forte intensité de données

9.1. Exigences non fonctionnelles. Piliers des applications big data

9.1.1. Fiabilité
9.1.2. Adaptabilité
9.1.3. Maintenance

9.2. Modèles de données

9.2.1. Modèle relationnel
9.2.2. Modèle documentaire
9.2.3. Modèle de données du réseau

9.3. Bases de données. Gestion du stockage et de la récupération des données

9.3.1. Index hash
9.3.2. Stockage structuré en log
9.3.3. Arbres B

9.4. Formats de codage des données

9.4.1. Formats spécifiques à une langue
9.4.2. Formats standardisés
9.4.3. Formats d'encodage binaire
9.4.4. Flux de données interprocessus

9.5. Réplication

9.5.1. Objectifs de la réplication
9.5.2. Modèles de réplication
9.5.3. Problèmes de réplication

9.6. Transactions distribuées

9.6.1. Transaction
9.6.2. Protocoles pour les transactions distribuées
9.6.3. Transactions sérialisables

9.7. Cloisonnement

9.7.1. Les formes de cloisonnement
9.7.2. Interaction de l'index secondaire et du partitionnement
9.7.3. Rééquilibrage des partitions

9.8. Traitement des données offline

9.8.1. Traitement par lots
9.8.2. Systèmes de fichiers distribués
9.8.3. MapReduce

9.9. Traitement des données en temps réel

9.9.1. Types de broker de messages
9.9.2. Représentation des bases de données en tant que flux de données
9.9.3. Traitement des flux de données

9.10. Applications pratiques dans l’entreprise

9.10.1. Cohérence dans les lectures
9.10.2. Approche holistique des données
9.10.3. Mise à l'échelle d'un service distribué

Module 10. Application pratique de la science des données dans les secteurs d'activité

10.1. Secteur sanitaire

10.1.1. Implications de l'IA et de l'analyse des données dans le secteur de la santé
10.1.2. Opportunités et défis

10.2. Risques et tendances dans le secteur sanitaire

10.2.1. Utilisation dans le secteur sanitaire
10.2.2. Risques potentiels liés à l'utilisation de l'IA

10.3. Services financiers

10.3.1. Implications de l'IA et de l'analyse des données dans le secteur des services financiers
10.3.2. Utilisation dans les secteurs financiers
10.3.3. Risques potentiels liés à l'utilisation de l'IA

10.4. Retail

10.4.1. Implications de l’IA et de l'analyse des données dans le secteur du retail
10.4.2. Utilisation dans le Retail
10.4.3. Risques potentiels liés à l'utilisation de l'IA

10.5. Industrie 4.0

10.5.1. Implications de l'IA et de l'analyse des données dans Industrie 4.0
10.5.2. Utilisation dans l’industrie 4.0

10.6. Risques et tendances dans le Industrie 4.0

10.6.1. Risques potentiels liés à l'utilisation de l'IA

10.7. Administration publique

10.7.1. Implications de l'IA et de l'analyse des données dans l'administration publique
10.7.2. Utilisation dans l’administration publique
10.7.3. Risques potentiels liés à l'utilisation de l'IA

10.8. Éducation

10.8.1. Implications de l'IA et de l'analyse des données dans l'éducation
10.8.2. Risques potentiels liés à l'utilisation de l'IA

10.9. Sylviculture et agriculture

10.9.1. Implications de l'IA et de l'analyse des données dans la sylviculture et agriculture
10.9.2. Utilisation dans la sylviculture et agriculture
10.9.3. Risques potentiels liés à l'utilisation de l'IA

10.10. Ressources humaines

10.10.1. Implications de l'IA et de l'analyse des données dans la gestion des ressources humaines
10.10.2. Applications pratiques dans le monde des affaires
10.10.3. Risques potentiels liés à l'utilisation de l'IA

Module 11. Visual analytics dans le contexte social et technologique

11.1. Vagues technologiques dans différentes sociétés. Vers une ‘data society’
11.2. La mondialisation. Le contexte géopolitique et social mondial
11.3. Environnement VUCA. Toujours vivre dans le passé
11.4. Se familiariser avec les nouvelles technologies: 5G et IoT
11.5. Se familiariser avec les nouvelles technologies: Cloud et edge computing
11.6. Critical thinking en visual analytics
11.7. Les know-mads. Nomades parmi les données
11.8. Apprendre à entreprendre en visual analytics
11.9. Théories de l'anticipation appliquées au visual analytics
11.10. Le nouvel environnement commercial. La transformation numérique

Module 12. Analyse et interprétation des données

12.1. Introduction aux statistiques
12.2. Mesures applicables au traitement de l'information
12.3. Corrélation statistique
12.4. Théorie des probabilités conditionnelles
12.5. Variables aléatoires et distributions de probabilités
12.6. Inférence Bayésienne
12.7. Théorie de l'échantillon
12.8. Intervalles de confiance
12.9. Test d'hypothèse
12.10. Analyse de la régression

Module 13. Techniques d'analyse des données et IA

13.1. Analyse prédictive
13.2. Techniques d'évaluation et sélection de modèles
13.3. Techniques d'optimisation linéaire
13.4. Simulations de Monte Carlo
13.5. Analyse de scénarios
13.6. Techniques de machine learning
13.7. Analyse web
13.8. Techniques de text mining
13.9. Méthodes de Traitement du Langage Naturel (NLP)
13.10. Analyse des réseaux sociaux

Module 14. Outils d'analyse des données

14.1. Environnement R pour la data science
14.2. Environnement Python pour la data science
14.3. Graphiques statiques et statistiques
14.4. Traitement des données dans différents formats et différentes sources
14.5. Nettoyage et préparation des données
14.6. Études exploratoires
14.7. Arbres de décision
14.8. Règles de classification et d'association
14.9. Réseaux neuronaux
14.10. Apprentissage profond

Module 15. Systèmes de gestion de bases de données et parallélisation des données

15.1. Bases de données conventionnelles
15.2. Bases de données non conventionnelles
15.3. Cloud computing: Gestion distribuée des données
15.4. Outils pour l'ingestion de grands volumes de données
15.5. Types de parallélisme
15.6. Traitement des données en Streaming et en temps réel
15.7. Traitement parallèle: Hadoop
15.8. Traitement parallèle: Spark
15.9. Apache Kafka

15.9.1. Introduction à Apache Kafka
15.9.2. Architecture
15.9.3. Structure des données
15.9.4. APIs Kafka
15.9.5. Cas d'utilisation
15.10. Cloudera Impala

Module 16. Data-driven soft skills dans la gestion stratégique en visual analytics

16.1. Drive profile for data-driven
16.2. ompétences avancées en matière de gestion dans les organisations data-driven
16.3. Utiliser les données pour améliorer les performances de la communication stratégique
16.4. L'intelligence émotionnelle appliquée au management dans visual analytics
16.5. Présentations efficaces
16.6. Améliorer les performances grâce à la gestion de la motivation
16.7. Leadership dans les organisations data-driven
16.8. Talents numériques dans les organisations data-driven
16.9. Data-driven Agile Organization I
16.10. Data-driven Agile Organization II

Module 17. Gestion stratégique de projets de visual analytics et big data

17.1. Introduction à la gestion stratégique de projets
17.2. Best practices dans la description des processus de big data (PMI)
17.3. Méthodologie Kimball
17.4. Méthodologie SQuID

17.4.1. Introduction à la Méthodologie SQuID pour aborder des projets de big data
17.4.2. Phase I. Sources
17.4.3. Phase II Data quality
17.4.4. Phase III Impossible questions
17.4.5. Phase IV Discovering
17.4.6. Best practices dans l’application de SQuID aux projets de big data

17.5. Aspects juridiques dans le monde des données
17.6. Privacité dans le big data
17.7. Cybersécurité dans le big data
17.8. Identification et désidentification de grands volumes de données
17.9. Éthique des données I
17.10. Éthique des données II

Module 18. Analyse du client. Appliquer l'intelligence des données au marketing

18.1. Concepts du marketing. Marketing stratégique
18.2. Marketing relationnel
18.3. La CRM en tant que centre d'analyse de la clientèle de l'organisation
18.4. Technologies du web
18.5. Sources des données web
18.6. Acquisition des données web
18.7. Outils d'extraction de données du web
18.8. Web sémantique
18.9. OSINT: Renseignement de source ouverte
18.10. MasterLead ou comment améliorer la conversion en ventes grâce au big data

Module 19. Visualisation interactive des données

19.1. Introduction à l'art de rendre les données visibles
19.2. Raconter une storytelling avec des données
19.3. Représentations des données
19.4. Évolutivité des représentations visuelles
19.5. Visual analytics vs. information visualization. Comprendre qu'il ne s'agit pas de la même chose
19.6. Processus d'analyse visuelle (keim)
19.7. Rapports stratégiques, opérationnels et de gestion
19.8. Types de graphiques et leur fonction
19.9. Interprétation des rapports et des graphiques. Jouer le rôle de récepteur
19.10. Évaluation des systèmes de visual analytics

Module 20. Outils de visualisation

20.1. Introduction aux outils de visualisation des données
20.2. Many Eyes
20.3. Google Charts
20.4. jQuery
20.5. Data-driven documents I
20.6. Data-driven documents II
20.7. Matlab
20.8. Tableau
20.9. SAS visual analytics
20.10. Microsoft Power BI

Un programme d'études complet qui vous permettra de maîtriser le domaine du Big Data et de devenir un architecte de stratégie d'entreprise performant”