DONNÉES PROPRES, DÉCISIONS FIABLES

À propos de ce livre

Données propres, décisions fiables est un guide opérationnel consacré au nettoyage, à la préparation et à la fiabilisation des données. Dans les projets d’analyse, de Business Intelligence, de Data Science et d’intelligence artificielle, la qualité des résultats dépend directement de la qualité des données utilisées. Valeurs manquantes, doublons, formats incohérents, erreurs de saisie, dates mal structurées, catégories instables ou jointures incorrectes peuvent fausser les analyses, dégrader les modèles et conduire à de mauvaises décisions. Cet ouvrage propose une méthode structurée en 18 étapes pour transformer des données brutes, désordonnées et peu fiables en données propres, cohérentes et exploitables. Le lecteur découvrira notamment comment : • diagnostiquer rapidement la qualité d’un jeu de données ; • identifier les valeurs manquantes et choisir une stratégie de traitement adaptée ; • détecter et supprimer les doublons ; • harmoniser les formats de dates, de nombres et de textes ; • standardiser les catégories et les variables ; • repérer les valeurs aberrantes et les incohérences métier ; • sécuriser les jointures entre plusieurs sources ; • automatiser les contrôles avec SQL et Python ; • documenter les règles de nettoyage ; • mettre en place une checklist de validation avant l’analyse ou la mise en production. Le livre comprend également des cas d’entreprise, des exemples pratiques, des règles de contrôle, des modèles de checklist et des illustrations liées à SQL, Python, la Business Intelligence et la qualité des données. Données propres, décisions fiables s’adresse aux analystes, Data Scientists, Data Engineers, étudiants, consultants, responsables BI et professionnels souhaitant produire des analyses plus robustes, des tableaux de bord plus fiables et des modèles d’intelligence artificielle mieux maîtrisés. Auteur : Anderson DENART Data Scientist & ML Engineer Fondateur d’Accurametrics Data Solutions

Sommaire