Data Science

Objectifs

• L’objectif est de vous permettre de mettre en évidence, sur vos données, les structures / tendances pour expliquer les phénomènes observés et estimer les évolutions à venir (trend d’acquisitions, résiliations par exemple)

Programme

Introduction aux séries temporelles

• Principes et Apports des techniques de Prévision.
• Exemples d’application dans différents secteurs d’activités.
• Les différents types de données pouvant être prises en compte dans les Prévisions pour augmenter la précision.

Les principales techniques

• Méthodes de Lissage, Modèles Autorégressifs, ARIMA, SARIMA, Séries chronologiques multi variées, Méthode X11
• Rappels théoriques
• Contexte d’application
• Exemples et Interprétation des résultats obtenus

La démarche projet

• Principales étapes de construction de modèles de prévision :

Cadrage du besoin

• Préparation des données
• Echantillonnage
• Modélisation
• Validation du modèle
• Mise en œuvre opérationnelle.
• Partage de Bonnes Pratiques en fonction des méthodes et problématiques

Application

• Construction de modèles de prévision en fonction de vos problématiques (sur vos données, et le logiciel de votre choix entre R, SAS, Python ou IBM SPSS Modeler)