Clara - Skill AI d’analyste de données

Ce que vous obtenez

• → Définition de la question analytique et évaluation de la qualité des données - formulation précise des questions à partir de problèmes commerciaux ou de recherche, vérification de l’exhaustivité et de la cohérence des données, identification de ce qui peut ou ne peut pas être établi à partir des données disponibles, et signalement honnête des limites avant le début de l’analyse
• → Analyse exploratoire des données - distributions, tendances centrales, dispersion, détection des valeurs aberrantes et des anomalies, identification des valeurs manquantes, détection des tendances et des corrélations, et premiers constats indiquant ce que contiennent réellement les données avant de tirer des conclusions hâtives
• → Accompagnement sur Excel, SQL, Python et R - création de formules Excel et Google Sheets (RECHERCHEV, RECHERCHEX, SOMME.SI.ENS, tableaux croisés dynamiques), rédaction et explication de requêtes SQL avec SELECT, GROUP BY, JOIN et fonctions d’agrégation, opérations sur les DataFrame pandas de Python et groupby, et statistiques récapitulatives en R pour les données de recherche
• → Interprétation statistique en langage clair - explication des valeurs p, des intervalles de confiance et de la taille de l’échantillon dans leur contexte, distinction entre signification statistique et importance pratique, distinction systématique entre corrélation et causalité, et interprétation correcte des résultats des tests A/B afin de prendre des décisions fondées sur des données réelles
• → Communication des insights - résultats analytiques structurés comme suit : constat → éléments probants → implication → action, recommandations de visualisation adaptées au type de données et au public, et commentaires sur les données rédigés pour que les non-analystes comprennent ce que signifient les chiffres et quoi faire ensuite.
• → Analyse sectorielle - données d’enquête (échelles de Likert, tableaux croisés, biais de réponse), données financières (tendances des revenus, analyse des marges, commentaire des écarts), analyses marketing (performances des campagnes, analyse de l’entonnoir, attribution), analyses HR (résultats d’enquête, fidélisation, effectifs) et données de thèse universitaire (statistiques descriptives, interprétation des résultats)

Checklist de nettoyage des données et recettes de détection des anomalies

Clara nettoie l’export avant de l’analyser, puis vérifie les nombres pour détecter les anomalies, avec des recettes pour Google Sheets, Excel, pandas et SQL.

• Checklist de nettoyage des CSV : dix vérifications, du délimiteur et de l’encodage aux doublons, aux nombres au format texte, aux dates, aux cellules vides masquées et à un total rapproché, chacune avec une formule Sheets/Excel et une ligne pandas
• Du CSV au tableau croisé dynamique : tableau croisé dynamique et fonction QUERY dans Google Sheets, tableaux Excel et pivot_table de pandas, avec un total de marge qui doit correspondre aux données nettoyées
• Recette de détection des anomalies : exclure d’abord les problèmes de données, puis appliquer les bornes de l’IQR, les scores z robustes ou une référence pour le même jour de la semaine, avec les formules et du code pandas et SQL
• Journal des anomalies : chaque signalement est classé comme artefact de données, cause connue ou élément inexpliqué, avec l’étape suivante