Devenez analyste de données en 7 jours avec l’IA

Il faut commencer par Excel

Nous aborderons également Python. Tout ce que nous apprendrons sur Python, tout ce que nous apprendrons sur le développement web, nous l’apprendrons avec l’aide de l’IA. Il s’agira de codage assisté. Cela signifie que vous ferez le travail de ce cours d’une manière qui rendra les codeurs jaloux. Vous avez bien entendu. Grâce à l’IA, vous accomplirez des choses qui prennent des années et des années aux codeurs.

À l’heure actuelle, la plupart des étudiants ont du mal avec les bases. Et quand je dis les bases, je veux dire les bases absolues. Beaucoup de gens ne savent même pas utiliser Excel. De ce fait, ils ne peuvent pas effectuer de traitement de données de base.

• Ils ne savent pas appliquer de filtres.
• Ils ne savent pas convertir du texte en colonnes.
• Si on leur donne des données non traitées, ils ne peuvent pas les convertir dans leur format préféré.

Dans de tels cas, la productivité de ces personnes est nettement inférieure. Et cela ne concerne pas uniquement la profession d’analyste de données. Leur productivité est faible parce qu’ils ne connaissent pas les bases du classement des données.

Jour 1 – Le brief : une phrase, un chiffre, une décision

1. Ouvrez Google Sheets → créez une feuille vierge.
2. En cellule A1 tapez : “Quelle est la réelle cause des retards de livraison ?” (remplacez par votre problème).
3. Collez vos données brutes (CSV, base exportée, copier-coller Slack) dans la feuille 2. Ne touchez à rien.
4. Allez sur chat.openai.com → prompt :
   “Voici un extrait de mes données [copier 10 lignes]. Je veux comprendre la colonne ‘Delay_reason’. Donne-moi 5 hypothèses testables en 30 mots chacune.”
5. Recopiez les 5 hypothèses dans la feuille 3. Garde la plus simple : c’est votre objectif de la semaine.

Jour 2 – Le nettoyage automatique

1. Téléchargez le plug-in “Numerous.ai” dans Sheets (gratuit jusqu’à 500 requêtes).
2. En B2 tapez =AI("Complète les valeurs manquantes de A2:A500 par interpolation linéaire").
3. En C2 tapez =AI("Standardise les noms de produits de B2:B500 en majuscules sans accents").
4. Cliquez sur “Run”. Vos données sont propres en 3 min.

Jour 3 – La visualisation

1. Ouvrez Power BI Desktop (gratuit).
2. Cliquez “Get Data” → Google Sheets → collez le lien de partage (mode “viewer”).
3. Cliquez “Auto-create” → “Decomposition Tree”.
4. Glissez la variable “Delay_reason” dans “Analyze”. Laissez l’IA choisir la décomposition.
5. Exportez le visuel en PNG → tweetez-le avec #DataStory.

Jour 4 – Le petit code généré

1. Retournez sur ChatGPT → prompt :
   “Écris un script Python qui charge le CSV ci-joint, calcule le délai moyen par jour de la semaine, et sort un graphique seaborn.”
2. Téléchargez Anaconda → ouvrez Jupyter → collez le code → Shift + Enter.
3. Le graphique apparaît ; changez le titre dans le prompt sans toucher au code.

Jour 5 – Le dashboard vivant

1. Sur streamlit.io cliquez “Deploy” → connectez votre repo GitHub (3 clics).
2. Ajoutez le fichier app.py généré par ChatGPT :
   “Transforme le script Python en appli Streamlit avec un date-picker.”
3. Copiez l’URL : vous avez un site web interactif, consultable sur mobile.

Jour 6 – Le récit

1. Ouvrez Gamma.app → choisissez “Presentation from prompt”.
2. Prompt : “5 slides sur les retards de livraison, ton public = logisticiens, ton style = McKinsey.”
3. Téléchargez le PDF en 30 secondes. Envoyez-le à votre chef.

Jour 7 – La preuve sociale

1. Postez votre dashboard Streamlit sur LinkedIn.
2. Ajoutez le texte :
   “J’ai analysé 5 000 livraisons en 7 jours sans coder. Posez-moi vos questions ⬇️”
3. Mettez en avant le projet dans votre CV sous la section “Réalisations”.

Les 3 raccourcis clavier qui changent tout

• Ctrl + Maj + V dans Power BI : colle uniquement le format d’un visuel.
• Shift + Space dans Sheets : sélectionne toute la ligne en un clic.
• Alt + 3 dans Jupyter : démarre un nouveau notebook instantanément.

Ce que vous pouvez accomplir aujourd’hui avec l’IA

C’est absolument ahurissant. En résumé, la principale raison pour laquelle vous devriez vous lancer dans l’analyse de données est que les emplois de débutants dans ce domaine sont très intéressants. Ce sera le meilleur moyen pour vous d’entrer sur le marché. L’un des plus grands problèmes auxquels les étudiants sont confrontés aujourd’hui est qu’ils ne parviennent tout simplement pas à percer sur le marché. Ils ne trouvent pas d’emploi. Et c’est un problème auquel beaucoup d’étudiants sont confrontés.

Ce qu’il faut faire, c’est apprendre l’analyse de données, mais aussi apprendre à tirer parti de l’IA pour améliorer vos compétences. De nos jours, tout le monde sait comment utiliser ChatGPT, mais les gens saisissent des commandes dans ChatGPT.
Après la commande, vous obtenez un résultat. Ils utilisent ensuite ce résultat. Mais ChatGPT peut faire tellement d’autres choses pour vous. Les gens ne savent tout simplement pas comment l’utiliser efficacement.

L’objectif n’est pas juste d’apprendre Excel, Power BI, SQL ou Python. Il faut apprendre à utiliser l’IA.

Exemple de progression dans l’apprentissage

1. Nous commencerons par une introduction à l’analyse de données. Ensuite, nous apprendrons à utiliser Excel. Nous apprendrons les bases d’Excel. J’ai constaté que beaucoup de gens ne connaissent même pas les bases d’Excel. Les gens pensent connaître les bases d’Excel, mais ce n’est pas le cas.
2. Après cela, nous allons apprendre les bases de Python. Et laissez-moi vous dire que je ne vais pas vous enseigner beaucoup de programmation conceptuelle ici. Nous allons écrire du code grâce à l’IA.
3. Après cela, nous nous intéresserons au SQL et verrons comment vous pouvez analyser des données avec l’IA quadratique.
4. La section suivante portera sur les notions avancées de Python, où nous apprendrons le Python avancé. Après avoir couvert les bases, nous demanderons à l’IA de générer du code. Et nous verrons comment, grâce à cette IA, vous pouvez réaliser des projets gigantesques, traiter de grands ensembles de données et accomplir des choses que vous n’auriez jamais imaginées.
5. Ensuite, nous examinerons certains des outils qui utilisent l’analyse de données. Vous rendrez littéralement les codeurs jaloux.
6. Nous passerons ensuite à Excel avancé, car il y a certaines choses dans Excel que vous n’auriez jamais pensé pouvoir faire sans programmation. Surtout si vous êtes codeur.
7. Nous verrons ensuite comment utiliser efficacement Git et GH en tant qu’analyste de données. Si vous ne connaissez pas ces outils, laissez-moi vous dire que vous devriez.

Exemples de prompts utiles

Python avancé : pipeline ML sans coder

• preprocessing (OneHot + StandardScaler)
• RandomForest
• matrice de confusion
• accuracy > 85 %.
  Donne le script complet + les 2 lignes pour l’enregistrer en .pkl et le réutiliser plus tard. »

SQL : requêtes auto-jointes + optimisation

Git & GitHub : premier repo en 5 commandes

• créer un repo “mon-projet-data” sur GitHub
• pousser tous mes fichiers
• ajouter un README.md automatiquement généré (contenu : titre, description, badges Python version, licence MIT). »

Dashboard “no-code” final

• un titre,
• un uploader de CSV,
• un multiselect “Région”,
• un graphique CA régions + KPI cards (CA total, nb ventes, panier moyen).
  Donne le code complet + la ligne pour le lancer localement (streamlit run app.py). »

Nous passerons ensuite au développement web pour les analystes de données, nous n’apprendrons que le strict nécessaire en matière de développement web pour que vous puissiez créer de superbes tableaux de bord et interfaces utilisateur.

Après cela, nous passerons aux statistiques pour l’analyse de données, où nous aborderons les bases des statistiques et les concepts statistiques que vous devez connaître en tant qu’analyste de données.

Nous verrons ensuite comment visualiser les données à l’aide de Power BI. Puis nous apprendrons à utiliser Tableau. Après cela il faut créer de nombreux projets.