ANALYSE DE DONNEES ET PRISE DE DECISIONS ECLAIREES AVEC MS POWER BI ET PYTHON.

• Comprendre les concepts de BI, de données structurées / non structurées et le rôle de Power BI dans la chaîne décisionnelle.
• Prendre en main l’interface Power BI Desktop, découvrir les différents composants (Power Query, modèle de données, vue Rapport) et créer un premier rapport simple.

• Se connecter à différentes sources (Excel, CSV, bases de données, fichiers en ligne) et gérer les paramètres de mise à jour.
• Utiliser Power Query pour nettoyer et transformer les données : filtrage, fusion, ajout de colonnes, gestion des types de données.

• Concevoir un modèle de données simple (schéma en étoile), gérer les relations entre tables et la direction du filtrage.
• Créer des colonnes calculées et des tables calculées de base pour structurer les données pour l’analyse.

• Introduire DAX (principes, contexte de filtre, mesures vs colonnes) et créer des mesures (somme, moyenne, ratio, pourcentage, cumul).
• Construire des KPI courants (taux de réalisation, évolution, comparaison N/N-1) et les intégrer dans des visuels adaptés.

• Concevoir des tableaux de bord lisibles : choix des visuels, couleurs, hiérarchisation de l’information, filtres et segments.
• Mettre en place la navigation entre pages, utiliser des signets et préparer une mini-présentation orale d’un tableau de bord pour un comité de direction fictif.

• Découvrir l’environnement Python (Jupyter, VS Code ou autre), les bases de la syntaxe, les types de données et les structures (listes, dictionnaires, etc.).
• Importer des données avec Pandas (CSV, Excel), créer et manipuler des DataFrame (sélection, filtrage, tri, agrégation simple).

• Gérer les valeurs manquantes, les doublons, les formats incohérents, les variables catégorielles et numériques.
• Mettre en œuvre des techniques de transformation (normalisation simple, binning, encodage de catégories) pour préparer des données prêtes à l’analyse.

• Calculer des statistiques descriptives (moyenne, médiane, quartiles, dispersion) et analyser les distributions.
• Visualiser les données avec Matplotlib/Seaborn (histogrammes, boxplots, nuages de points) et étudier les corrélations pour identifier des relations clés utiles à la décision.

• Poser une problématique métier simple (prévision, score, probabilité) et choisir un modèle de base (régression linéaire ou logistique selon le cas).
• Entraîner, évaluer et interpréter un modèle simple avec scikit-learn, en insistant sur la compréhension business des résultats (coefficients, qualité de prédiction).

• Montrer les possibilités d’intégration : scripts Python dans Power BI pour transformations ou visuels avancés, utilisation de fichiers produits par Python dans Power BI.
• Projet de synthèse : chaque participant réalise une mini-chaîne de valeur « données → analyse Python → indicateurs / modèle → tableau de bord Power BI », avec présentation orale axée sur la prise de décision.