Data science : assurer la qualité de ses données

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