DATA

Data science : assurer la qualité de ses données

Bénéfices de la data science dans le contrôle de la qualité des données

Nouveau !

ADI19

1 jour

7 heures

995 €ht

Objectifs de la formation

  • Traduire les exigences de Solvabilité 2 sur la qualité des données

  • Faire le lien entre la maîtrise de la qualité des données et la datascience

  • Mettre en place des algorithmes d’évaluation de qualité des données, et construire des indicateurs de qualité avec des cas pratiques

  • Automatiser la détection et la correction des anomalies dans les données

Programme Résumé

Data science : assurer la qualité de ses données

Bénéfices de la data science dans le contrôle de la qualité des données

1 jour 7 heures

télécharger le programme

Offre spéciale Semaine du Big data et de la data science : - 10% pour l'achat de formation(s) dans la liste ci-dessous et de la conférence IA et Big Data

-10% pour l'achat de la conférence + formation(s) suivante(s) avec le code : DATA19

voir le programme long

  • Évaluer les risques et les enjeux financiers et réglementaires lies a la qualité des données

    • Traduire les exigences de Solvabilité II en matière de gouvernance de la qualité des données
    • Appréhender les risques et les coûts d’une mauvaise qualité des données
    • Définir une donnée de bonne qualité
  • Appliquer les principes de la détection des anomalies pour identifier les incohérences

    • Comprendre la différence entre l’approche exploratoire et l’approche décisionnelle
    • Définir les types d’anomalies
    • Explorer des exemples concrets d’anomalies
    • S’approprier les bonnes pratiques d’organisation et de pré-traitement des données
  • Comment intégrer la data science dans les projets analyse et de contrôle de la qualité des données

  • Comprendre les fonctions et cas d’usage de la datascience dans la gestion de la qualité de la donnée

    • Connaître les techniques au service de l’exploration des données
    • Sélectionner et adapter la technique de datascience de traitement en fonction de la problématique à modéliser
    • Détecter des valeurs aberrantes avec les méthodes de clustering
    • Calculer un score de qualité avec les méthodes de classification
  • Mettre en œuvre l’automatisation de la détection et la correction d’anomalies

    • Savoir industrialiser les méthodes sélectionnées en tenant compte des contraintes temps réel
    • Mettre en place des indicateurs clés et des tableaux de bord pour évaluer la qualité
    • Cas pratique d’automatisation de l’exécution des contrôles & visualisation des résultats
  • Évaluer les risques et les enjeux financiers et réglementaires liés à la qualité des données

  • Traduire les exigences de solvabilité 2 en matière de gouvernance de la qualité des données

  • Appréhender les risques et les coûts d’une mauvaise qualité des données

  • Définir une donnée de bonne qualité : pertinence, intégrité, disponibilité, auditabilité, traçabilité, conformité et sécurité

  • Appliquer les principes de la détection des anomalies pour identifier les incohérences

  • Comprendre la différence entre l’approche exploratoire descriptive et l’approche décisionnelle globale et prédictive

  • Définir les types d’anomalies : erreurs de saisie, fautes d’orthographe, erreurs intentionnelles, défaillance du système

  • Explorer des exemples concrets d’anomalies : adresse mal saisie menant à des contrats en déshérence ou impact de la qualité des données sur la production des rapports QRT et répercussions (solvabilité & sanctions)

  • S’approprier les bonnes pratiques d’organisation et de pré-traitement des données : organisation de fichiers, de données, classification

  • Comment intégrer la data-science dans les projets d’analyse et de contrôle de la qualité des données

  • Comprendre les fonctions et cas d’usage de la datascience dans la gestion de la qualité de la donnée

    • Les techniques au service de l’exploration des données : webscraping, text-mining, machine learning, analyse des séries temporelles
    • Sélectionner et adapter la technique de datascience de traitement en fonction de la problématique à modéliser
    • Détecter des valeurs aberrantes avec les méthodes de clustering
    • Calculer un score de qualité avec les méthodes de classification
  • Mettre en œuvre l’automatisation de la détection et la correction d’anomalies

    • Savoir industrialiser les méthodes sélectionnées en tenant compte des contraintes temps réel
    • Mettre en place des indicateurs clés et des tableaux de bords pour évaluer la qualité
    • Cas pratique d’automatisation de l’exécution des contrôles & visualisation des résultats

Animée par

  • Kezhan SHI

    Kezhan SHI Allianz

Publics concernés

  • Directions des risques ; Actuaires ; Responsables conformités ; Risk-managers ; Responsables du contrôle interne ; Auditeurs internes ; Contrôleurs internes ; Directions des Systèmes d’Information (DSI) ; Auditeurs IT ; Data-Scientists ; Responsables de la qualité des données ; Chief data officers (CDO) et plus largement toute personne partie prenante et / ou garante d’un projet de qualité de données et / ou gérant des bases de données

  • Société d’assurance et de réassurance, mutuelle et institution de prévoyance

Critères d'admission

  • Cette formation entre dans le champ d'application des dispositions relatives à la formation professionnelle continue car considérée comme une action d'adaptation et de développement des compétences des salariés.

Prérequis de la formation

  • Aucun prérequis n'est nécessaire

Certifications et Agréments

ISQ-OPQF

Qualification professionnelle délivrée aux organismes de formations en reconnaissance de leur professionnalisme. Il est fondé sur les critères suivants de respect de la règlementation, l'adéquation des compétences et des moyens techniques et humains aux actions de formation, la satisfaction des clients, la pérennité financière, le respect du code de déontologie, du code de conduite professionnelle et du règlement intérieur.

Prise en charge OPCA

Notre organisme est référencé par les OPCA et nos formations peuvent être prise en charge

Prochaine(s) session(s)

  • Paris

    13/12/2019

    11/03/2020

    16/06/2020

    24/09/2020

    11/12/2020

Tarif(s) d'inscription

Le tarif comprend : l'accès à l’événement et/ou formation, les pauses, la restauration (selon le format et les horaires de l’événement), les supports papier ou électronique pour les événements de format conférence et les formations
Tarif général 995,00 €HT / 1 194,00 € TTC
INSCRIVEZ-VOUS À PLUSIEURS ET BÉNÉFICIEZ DE TARIFS RÉDUITS*

-5% sur chaque inscription dès le 2e inscrit

-10% sur chaque inscription dès le 3e inscrit

-15% sur chaque inscription dès le 4e inscrit

*sur le tarif général

Modalités pédagogiques et d’évaluation

  • Tous nos stages de formations sont limités, dans la mesure du possible, à une douzaine de participants.
  • Les formations se déroulent en présentiel ou en classe virtuelle avec un équilibre théorie / pratique. Chaque fois que cela est pertinent des études de cas et des mises en pratique ou en situation sont proposées aux stagiaires.
  • Un questionnaire préalable dit ‘questionnaire pédagogique’ est envoyé aux participants pour recueillir leurs besoins et attentes spécifiques. Il est transmis aux intervenant(e)s avant la formation, leur permettant de s’adapter aux publics.
  • Toute formation se clôture par une évaluation à chaud de la satisfaction du stagiaire sur le déroulement, l’organisation et les activités pédagogiques de la formation. Les intervenant(e)s évaluent également la session.
  • Une auto-évaluation des acquis pré et post formation est effectuée en ligne afin de permettre à chaque participant de mesurer sa progression à l’issue de la formation.
  • Une évaluation à froid systématique sera effectuée à 6 mois et 12 mois pour s’assurer de l’ancrage des acquis et du transfert de compétences en situation professionnelle, soit par téléphone soit par questionnaire en ligne.

Sur le même thème

S’inscrire Ajouter à ma sélection