📊 Module 01 — Le Data Analyst & les données

Bootcamp Data Analyst — From Zero to Hero | Niveau Débutant · Acte I

---

🎯 Ce que tu seras capable de faire à la fin de ce module

• Expliquer clairement ce qu'est un Data Analyst — et ce qu'il n'est pas
• Connaître les débouchés concrets sur le marché du travail mondial
• Distinguer les différents types de données et formats
• Comprendre le cycle de vie d'une donnée, de sa collecte à la décision

---

⏱️ Durée estimée : 45 minutes
📌 Prérequis : Aucun. Tu pars de zéro, c'est fait pour ça.

---

---

1. Une scène du quotidien

Imagine cette situation.

C'est lundi matin. Le directeur commercial d'une entreprise télécom entre dans la salle de réunion avec une question simple :

"Nos ventes ont baissé de 18% ce mois-ci dans la région des Lagunes. Pourquoi ? Et qu'est-ce qu'on fait ?"

Tout le monde se regarde. Personne n'a la réponse.

Sauf une personne dans la salle.

Le Data Analyst.

En 24 heures, il va :

1. Extraire les données de ventes des 3 derniers mois
2. Les nettoyer et les organiser
3. Identifier que la baisse est concentrée sur les recharges de 500 FCFA dans 3 communes
4. Croiser avec les données réseau — il y a eu des coupures récurrentes dans ces zones
5. Produire un rapport clair avec une recommandation : "Prioriser la maintenance réseau dans ces 3 communes avant la prochaine campagne de recharge."

C'est ça, le job — peu importe le pays, peu importe le secteur.

💡 Ce scénario se passe en Côte d'Ivoire ici, mais il pourrait tout aussi bien se passer à Paris, Montréal, Dakar, Dubai ou São Paulo. La logique est universelle.

---

---

2. Qu'est-ce qu'un Data Analyst ?

Un Data Analyst est quelqu'un qui :

• Collecte et organise des données
• Les analyse pour trouver des tendances, des anomalies, des opportunités
• Traduit ces analyses en recommandations concrètes pour aider les décideurs

En une phrase :

💡 Le Data Analyst transforme des chiffres bruts en décisions intelligentes.

---

DA, DE, DS, BI — qui fait quoi ?

C'est souvent la première confusion. Voici la différence simple :

⚠️ Dans beaucoup d'entreprises, surtout les PME et startups, une seule personne cumule plusieurs rôles. C'est pour ça que ce bootcamp te forme sur un spectre large.

---

---

3. Missions concrètes d'un DA au quotidien

Voici ce qu'un Data Analyst fait vraiment, semaine après semaine :

Collecter & préparer

• Extraire des données depuis une base SQL, un fichier Excel, une API
• Nettoyer les données sales (doublons, valeurs manquantes, erreurs de saisie)
• Organiser et structurer pour faciliter l'analyse

Analyser & explorer

• Calculer des indicateurs clés (KPIs) : chiffre d'affaires, taux de churn, croissance
• Identifier des tendances dans le temps
• Détecter des anomalies et des outliers
• Segmenter les clients, produits, régions

Visualiser & communiquer

• Créer des graphiques clairs et lisibles
• Construire des dashboards interactifs (Power BI, Tableau)
• Rédiger des rapports pour les managers
• Présenter des recommandations à la direction

En 2025-2026 : + l'IA

• Utiliser ChatGPT / Claude pour générer des requêtes SQL
• Automatiser les résumés d'analyse
• Interpréter des graphiques avec des outils IA

💬 "Un DA qui n'utilise pas l'IA en 2026 va 3x moins vite que son concurrent. Ce bootcamp t'apprend les deux."

---

---

4. Le marché — où travaille un Data Analyst dans le monde ?

Secteurs qui recrutent activement

La data est présente partout. Voici les secteurs avec la plus forte demande, tous pays confondus :

📌 Si une organisation génère des données — et toutes le font — elle a besoin d'un Data Analyst.

---

Fourchettes de salaires (2024-2025)

Les salaires varient selon le pays, le niveau d'expérience et le secteur. Voici des ordres de grandeur :

⚠️ Ces chiffres sont des ordres de grandeur — ils varient selon la ville, l'entreprise, le secteur et la conjoncture économique.

📚 Pour vérifier les salaires dans ton marché spécifique :

• 🔗 Glassdoor — salaires déclarés par les employés, par poste et ville
• 🔗 Levels.fyi — focus grandes entreprises tech, très détaillé
• 🔗 Stack Overflow Developer Survey — enquête annuelle mondiale
• 🔗 Payscale — salaires par métier et pays, 100% public
• 🔗 OECD Data — données officielles mondiales sur les salaires et l'emploi

💡 Les profils avec un portfolio GitHub visible et des certifications reconnues (Google Data Analytics, Microsoft PL-300) sont systématiquement mieux positionnés, quel que soit le marché. Ce bootcamp te construit exactement ça.

---

---

5. Les données — c'est quoi exactement ?

Avant d'analyser des données, il faut savoir ce qu'on manipule.

Définition simple

Une donnée, c'est une information enregistrée sous une forme utilisable par un ordinateur.

Exemples du quotidien :

• Le prix d'un produit → 500 (nombre)
• Le nom d'un client → "Adjoua Kouamé" (texte)
• La date d'une transaction → 2025-03-15 (date)
• La localisation GPS d'une antenne → (5.354, -4.002) (coordonnées)
• La photo de profil d'un utilisateur → image (binaire)

---

Les 3 grandes familles de données

1. Données structurées 📋

• Organisées en lignes et colonnes, comme un tableau Excel
• Faciles à analyser directement
• Exemple : un fichier de ventes avec colonnes Date / Client / Produit / Montant

2. Données non structurées 📝

• Pas de structure fixe, format libre
• Plus difficiles à analyser — nécessitent souvent l'IA
• Exemples : emails, commentaires clients, images, vidéos, messages

3. Données semi-structurées 🔀

• Ni totalement rigides, ni totalement libres
• Ont une organisation interne, mais flexible
• Exemples : fichiers JSON, XML, logs de serveur

💡 En tant que DA débutant, tu travailleras à 90% avec des données structurées. Les deux autres familles arrivent avec l'expérience.

---

---

6. Les formats de données — CSV, JSON, XML, API

Sur le terrain, les données arrivent sous différentes formes. Voici les plus courantes.

---

CSV — Comma Separated Values

Le format le plus simple et le plus courant. Chaque ligne = un enregistrement. Les colonnes sont séparées par des virgules (ou points-virgules).

date,region,produit,montant
2025-03-01,Abidjan,Recharge 500,500
2025-03-01,Bouaké,Forfait internet,2000
2025-03-02,Abidjan,Recharge 1000,1000

✅ Simple · ✅ Universel · ⚠️ Pas idéal pour données imbriquées

---

JSON — JavaScript Object Notation

Format très utilisé pour les APIs et applications web. Organisé en paires clé-valeur.

json{
  "client_id": "CI-00421",
  "nom": "Adjoua Kouamé",
  "region": "Abidjan",
  "transactions": [
    {"date": "2025-03-01", "montant": 500},
    {"date": "2025-03-08", "montant": 1000}
  ]
}

✅ Flexible · ✅ Données imbriquées · ⚠️ Plus complexe à lire pour un humain

---

API — Application Programming Interface

Une API, c'est une porte d'entrée pour récupérer des données en temps réel depuis un service.

Exemples concrets :

• L'API d'une banque centrale → taux de change en temps réel
• L'API d'un opérateur télécom → statut réseau par antenne
• L'API météo → données climatiques par ville
• L'API d'un e-commerce → volume de commandes par heure

Tu envoies une requête → le serveur te répond avec des données JSON

✅ Données fraîches · ✅ Automatisable · ⚠️ Nécessite un accès autorisé

💡 Tu apprendras à lire ces formats avec Python (Acte IV) et à les interroger avec SQL (Acte III). Pour l'instant, l'essentiel est de reconnaître leur structure.

---

---

7. Le cycle de vie d'une donnée

Toute donnée passe par les mêmes étapes — du terrain à la décision. C'est ce qu'on appelle le cycle de vie de la donnée.

  📲 COLLECTE          🗄️ STOCKAGE         🧹 TRAITEMENT
  ──────────          ─────────────       ─────────────
  Formulaires     →   Base de données  →  Nettoyage
  Capteurs réseau     Fichiers CSV         Transformation
  APIs                Data Warehouse       Agrégation
  Saisie manuelle     Cloud Storage        Enrichissement

         ↓

  🔍 ANALYSE           📊 VISUALISATION    💡 DÉCISION
  ──────────           ────────────────    ──────────
  Statistiques     →   Graphiques       →  Stratégie
  SQL                  Dashboards           Actions terrain
  Python / R           Rapports             Investissements
  Modèles IA           Présentations        Politiques

Où intervient le DA dans ce cycle ?

🔗 Tu veux construire les pipelines de collecte et stockage ? C'est le rôle du Data Engineer — consulte le Bootcamp Data Engineering qui complète parfaitement ce parcours.

---

---

8. ✅ Résumé du module

---

🧠 Quiz — Vérifie ta compréhension

Réponds mentalement, puis clique sur "Voir la réponse" pour te corriger.

---

Q1. Une entreprise veut automatiser la collecte de données depuis plusieurs sources et les stocker dans un entrepôt cloud. C'est le rôle de :

• a) Data Analyst
• b) Data Engineer
• c) Data Scientist

👉 Voir la réponse

✅ b) Data Engineer — La collecte et le stockage automatisés, c'est son domaine. Le DA intervient en aval, quand les données sont déjà disponibles.

---

Q2. Tu reçois un fichier avec des colonnes : date | region | nb_abonnes | revenu_moyen. C'est quel type de données ?

• a) Non structurées
• b) Semi-structurées
• c) Structurées

👉 Voir la réponse

✅ c) Structurées — Des colonnes bien définies, des lignes cohérentes : c'est la définition des données structurées. Format typique : CSV ou tableau SQL.

---

Q3. Une entreprise veut récupérer automatiquement le taux de change EUR/USD chaque matin sans intervention humaine. Elle doit utiliser :

• a) Un fichier CSV mis à jour manuellement
• b) Une API
• c) Un fichier XML

👉 Voir la réponse

✅ b) Une API — Les APIs permettent de récupérer des données en temps réel de façon automatisée. Un CSV est statique — il faudrait le mettre à jour manuellement chaque jour.

---

➡️ Module suivant

Tu sais maintenant ce qu'est un DA et ce qu'il manipule.

Avant de plonger dans les outils (Excel, SQL, Python), il te faut une arme secrète : savoir lire les données avec les statistiques descriptives. C'est le Module 02.

→ Module 02 — Statistiques descriptives essentielles