Formations généralistes

– Sémantique et concepts clés en data
– Le Big Data et illustration pour la fonction finance
– La répartition des tâches dans la data
– De l’entrepôt de données au Lakehouse : historique et enjeux architecturaux
✔ COMPRENDRE | Illustration : cartographie d’un écosystème data d’une direction financière type (ERP, BI, open data, entrepôt, etc.)
✔ ÉVALUER | Quiz : quels types de données sont présentes dans votre organisation ?

– Présentation du modèle CRISP-DM
– Traduire une question de gestion en problématique data : de « je veux prévoir mon CA » à un cas structuré
– Identifier les données disponibles et les limites du périmètre
✔ APPLIQUER | Cas pratique : appliquer CRISP-DM à un cas d’usage financier et structurer les informations nécessaires à sa réalisation
✔ EXPÉRIMENTER | Atelier individuel ou binôme : chaque participant identifie un cas d’usage issu de son propre quotidien et le structure avec la méthode CRISP-DM
✔ ÉVALUER | Quiz : quelles sont les bonnes pratiques à inclure systématiquement dans tout projet data ?

– Des statistiques à l’IA : régression, classification, clustering
– Les modèles prédictifs : fonctionnement, entraînement, validation, surapprentissage
– La logique bayésienne en gestion : probabilités conditionnelles, mise à jour des croyances
– Les algorithmes clés : arbres de décision, forêts aléatoires, réseaux de neurones, etc.
✔ COMPRENDRE | Illustration : schéma du raisonnement bayésien appliqué à la prévision de retard projet en finance
✔ APPLIQUER | Cas pratique : utiliser l’outil Valeur Cible et le Solver d’Excel pour optimiser un plan de livraison et prévoir des ventes
✔ ÉVALUER | Quiz : quelle est la différence entre un modèle supervisé et non supervisé ?

– Régression simple et logistique, arbre de décision, etc.
– Les cas métier pour la finance : prévision des ventes, OD erronées, ciblage clients
– Interprétation des résultats : fiabilité, seuils, gains attendus
✔ APPLIQUER | Cas pratique : prédire les OD erronées avec un arbre de décision
✔ EXPÉRIMENTER | Atelier IA : utiliser un outil IA pour commenter les résultats et proposer des hypothèses alternatives
✔ ÉVALUER | Quiz : à votre avis, quelle variable influence le plus la prédiction ?

– Structurer un modèle de prévision à 1 an et à 3 ans : hypothèses, scénarios, sensibilités
– Utiliser un outil IA pour générer la structure du modèle, documenter les hypothèses et rédiger les commentaires
– Valider et auditer le modèle : cohérence des hypothèses, bornes, tests de robustesse
– Présenter le prévisionnel à un CODIR : indicateurs clés, graphiques pertinents, messages à délivrer
✔ APPLIQUER | Cas pratique : construire un modèle de régression pour prévoir les ventes à 6 mois à partir d’indicateurs avancés (pipeline commercial, historique saisonnier)
✔ EXPÉRIMENTER | Atelier : utiliser l’IA pour générer un executive summary du prévisionnel, puis le mettre en forme pour une présentation CODIR
✔ ÉVALUER | Quiz final : comment rendre un modèle prévisionnel défendable, auditable et compréhensible pour un non-financier ?