A l’issue de cette formation, vous serez capable de :

• Mettre en place et maîtriser les méthodes statistiques de base pour mieux analyser vos données : corrélation, test de student, test de chi-2, intervalle de confiance, des tests statistiques pour vous aider à prendre des bonnes décisions
• Décrire les méthodes statistiques avancées : régression, segmentation, machine learning, apprentissage supervisé, apprentissage non-supervisé
• Savoir préparer et nettoyer ses données pour les rendre utilisable pour les analyses marketing
• Mettre en place des workflows d'analyse dans la plateforme de marketing analytics Knime.

Jour 1

Rappel des fondamentaux : techniques statistiques et méthodologies de traitement de données

• Méthodologie : les différentes étapes pour préparer son fichier pour l'analyse
• Identification et validation des clés identifications
• Comment gérer les valeurs nulles
• Comment identifier et gérer les valeurs aberrantes
• Les tests et analyses statistiques à connaître pour mieux exploiter les données

Exemples de travaux pratiques (à titre indicatif)

• Création d'un workflow pour préparer l'analyse sur Knime
• Découverte de l'interface Knime
• Importation d'un fichier CSV
• Implémentation des prétraitements : changement de nom de variable, changement de format, calcul de nouveau indicateurs, identification et suppression des doublons
• Mise en place d'une jointure entre 2 fichiers
• Créations des premières analyses : analyses descriptives et graphiques, interprétations des résultats

Jour 2

Mise en oeuvre d'une analyse marketing avancée avec la Data Science en "No Code"

• Concepts : comprendre les différents types d'analyses avancées, les fondamentaux de Data Science
• Régression, classification de quoi parle-t-on ?
• Quels usages au niveau du marketing ?
• Modèle supervisé ou non supervisé ?
• Variable quantitative, variable qualitative, quels types de modélisation possible ?

Exemples de travaux pratiques (à titre indicatif)

• Création de workflows pour mettre des modèles statistiques sur votre base de données (régression et segmentation client) avec Knime
• Connexion à la base BigQuery
• Vérification et préparation des données sur Knime
• Mise en place de modélisation des données
• Analyses des résultats de la modélisation, comparaison de différents modèle et sélection d'un modèle