Formations. Esprit de service, Exigence technologique. Business Intelligence Business Analytics Big Data et Data Science Etudes Cliniques

Transcription

1 Esprit de service, Exigence technologique Formations Business Intelligence Business Analytics Big Data et Data Science Etudes Cliniques

2 Editorial Lincoln a le plaisir de vous présenter son nouveau catalogue de formations Nous vous proposons cette année de nouveaux cours Big Data et Data Science que nous avons bâtis à partir de nos travaux de Recherche et Développement sur ces nouveaux concepts et de notre expérience terrain sur les outils associés : Hadoop, SAS In Memory, Python, R, SPSS. Nos autres formations ont également évolué pour prendre en compte les nouveautés logicielles ainsi que les besoins concrets exprimés par les équipes internes et les participants externes. Ces évolutions sont le fruit conjoint de notre constante activité de veille technologique et de notre expérience de mise en oeuvre d outils performants sur des projets précurseurs. L analyse des évaluations de stages de ces derniers mois indique que, sur 216 stagiaires, 100 ont été satisfaits et 113 ont été très satisfaits des formations reçues Claire Chavaneau Directeur du Département Formation

3 BUSINESS INTELLIGENCE LANGAGE SAS Langage SAS de base... Langage SAS : fonctions avancées... Extraction et mise à jour de données avec la procédure SQL... Macrolangage SAS... Fonctions SCL en langage et Macrolangage SAS... Mise en forme des résultats SAS avec ODS... Optimisation des performances en langage SAS de base... Méthodologie de développement SAS... Mise en œuvre de SAS/Graph... Bases du développement d applications SAS/AF... SAS et Excel... SAS/Access to Oracle... Mise en oeuvre de SAS/Intrnet Sommaire PLATEFORME DECISIONELLE SAS Gestion de la plate-forme décisionnelle avec SAS Management Console... Gestion d ETL avec SAS Data Integration Studio... Gestion des données multi-dimensionnelles... Le portail décisionnel SAS... Les Applications Stockées (Stored Process)... Utilisation de SAS Enterprise Guide... Statistiques appliquées avec SAS Enterprise Guide... Outils SAS de reporting Web : Information Map Studio et Web Report Studio... Add In SAS pour Microsoft Office... MICROSOFT BI ETL avec Microsoft Integration Services... Exploitation OLAP avec Microsoft Analysis Services... Microsoft Reporting Services... Data Mining avec Microsoft Analysis Services... LANGAGE MDX... BUSINESS ANALYTICS SAS Statistiques descriptives sous SAS... Modèles de durée avec SAS... Modèles de Régression linéaire... Analyse de variance avec SAS... Le bootstrap : théorie et pratique... Construction d un score marketing avec SAS... Analyse de données avec SAS/STAT... Régression PLS avec SAS... Techniques de prévision avec SAS/ETS... Construction d une segmentation avec SAS... Statistiques appliquées avec SAS Enterprise Guide... Exploration statistique avec SAS JMP... Data Mining avec SAS Enterprise Miner... Création d un score d octroi avec SAS...NOUVEAU

4 Sommaire R Accéder, manipuler et explorer des données avec R... Programmation statistiques avec R... Construction d un score marketing avec R... Construction d une segmentation avec R...NOUVEAU... SPSS SPSS Statistics Data Management... SPSS Modeler Data Managament... Construction d un score marketing avec SPSS Modeler... Construction de segmentation avec SPSS Modeler...NOUVEAU Métiers Bonnes pratiques Etudes... Construction d un score marketing... Construction d une segmentation marketing... Gestion et mesure de la performance des campagnes MD... Techniques d Uplift Modelling en Scoring...NOUVEAU... Score d octroi : les fondamentaux...nouveau... Risque de Crédit et Réglementation Bâloise... Bâle II-III: Backtesting...NOUVEAU BIG DATA ET DATA SCIENCES Fondamentaux / Préparation de données Big Data, les fondamentaux... Taiter et analyser les données dans Hadoop...NOUVEAU... SAS Visual Analytics: administration et préparation des données... Traitement et analyse de données dans Python...NOUVEAU... Data Viz SAS Visual Analytics: exploration de données et création de rapports... Création d interface de Data Viz avec R et Shiny...NOUVEAU... Qlikview Designer Qlikview Developer... Machine learning Machine learning avec R...NOUVEAU... Data Mining et Machine learning avec SPSS Modeler...NOUVEAU... Machine learning et Recommandations avec SAS In Memory Statistics...NOUVEAU... Machine learning avec Python Scikit Learn...NOUVEAU... Text Mining Savoir faire et pratique du Text Mining avec SAS Enterprise Miner...NOUVEAU... Savoir faire et pratique du Text Mining avec SPSS Modeler...NOUVEAU... Savoir faire et pratique du Text Mining avec R...NOUVEAU

5 Sommaire Etudes Cliniques BIOSTATISTIQUES Les statistiques descriptives simples sous SAS... Régression PLS Programmation statistiques avec R... Randomisation d un essai clinique et calculs de nombres de sujets... Analyse de variance et modèle linéaire... Régression logistique... Analyse des données censurées... Analyse des données censurées : fonctions avancées... Analyse des données catégorielles... Modèles à effets aléatoires... Introduction aux méthodes utilisées en épidémiologie... Statistiques appliqués avc SAS Enterprise Guide GESTION DES DONNEES D ESSAIS CLINIQUES Réglementation des essais cliniques...nouveau... Data Management des Essais Cliniques avec SAS... Structuration des données selon les recommandations du SDS... Implémentation de l ODM dans SAS... Génération de Patient Profile... Création d un CRF électronique à l aide d un outil de paramétrage... Mise en oeuvre d un essai clinique en ligne... Masque de saisie SAS avec Proc Fsedit AUTRES STAGES FICHE D INSCRIPTION INFORMATIONS PRATIQUES CONDITIONS GENERALES... 60

6 Mise en forme des résultats avec ODS, page 9 Développeur SAS Langage SAS de base 3 jours, page 7 Langage SAS fonctions avancées, page 7 Extraction et mise à jour avec la procédure SQL 1 jour, page 8 Business Intelligence Oracle et SAS / Access to Oracle, page 12 Macrolangage SAS, page 8 Mise en œuvre de SAS/Graph, page 11 Fonctions SCL 1 jour, page 9 Optimisation des performances 1 jour, page 10 SAS et Excel 1 jour, page 12 Méthodologie de développement 1 jour, page 10 6

7 Langage SAS de base Business Intelligence Acquérir la maîtrise de l environnement SAS et de la syntaxe du langage SAS de base, afin d être en mesure de développer des programmes d extraction et manipulation de données et de produire des résultats simples. Avoir quelques notions, au moins théoriques, sur les bases de données ou avoir déjà utilisé un outil de requête (SAS Enterprise Guide, BO, MS Access ). La connaissance d un autre langage est un plus mais n est pas indispensable pour suivre ce cours. 3 jours Les outils et l environnement SAS Les fenêtres Les bibliothèques de données Les tables Les variables Les programmes L accès aux données L explorateur L instruction LIBNAME La manipulation des données par l étape data Généralités Affectation des attributs aux variables Fusion de tables : les instructions SET et MERGE Extraction de données : la clause WHERE Les opérateurs et instructions de programmation Les fonctions Lecture et écriture de fichiers externes (option) Quelques procédures de base Syntaxe générale Import et export de fichiers Edition de données : procédure PRINT Tri : procédure SORT Comptages et statistiques simples : procédures FREQ et MEANS Introduction à la procédure FORMAT Edition de rapports avec la procédure REPORT Présentation des résultats : l ODS Référence : SASBASE Dates : voir calendrier Langage SAS : fonctions avancées Approfondir ses connaissances du langage SAS de base, afin d être en mesure de développer des programmes plus évolués et d optimiser l écriture des programmes. Les stagiaires devront avoir suivi le cours «Langage SAS de base» ou avoir un niveau de connaissance équivalent et avoir déjà pratiqué la programmation SAS. Référence : SASBASE2 Dates : voir calendrier Fonctions avancées de l étape DATA Fonctionnement de l étape DATA : le vecteur de travail Gestion des observations (output, retain, first et last ) Calcul de sous-totaux Génération de code par les boucles Gestion des listes de variables (array) Procédures de manipulation des données Ajout de données : procédure APPEND Formatage des données : procédure FORMAT Réorganisation des données : procédure TRANSPOSE Comparaison de tables : procédure COMPARE Rapports La procédure TABULATE Les documents ODS Optimisation Le hash code les index Les outils SAS Les principales options générales Les catalogues (option) Les générations de fichiers (option) Mise à jour des données SAS (option) L instruction MODIFY Contrôle de la saisie des données : les contraintes d intégrité Traçabilité : l audit trail 7

8 Extraction et mise à jour de données avec la procédure SQL Acquérir la maîtrise du langage SQL (Structured Query Language) dans SAS afin de réaliser des requêtes et des mises à jour de données. Les stagiaires devront avoir suivi le cours «Langage SAS de base» ou avoir un niveau de connaissance équivalent et avoir pratiqué la programmation SAS. La connaissance théorique d une base de données relationnelle est un plus. Ce stage s adresse à des personnes ne connaissant pas encore le langage SQL. Introduction générale au SQL Extraction de données Sélection de colonnes Filtres Tri Regroupement de données et calcul Fusion de tables : les jointures Addition de requêtes Mise à jour de données Ajout Suppression Modification Création de contrôles de la saisie des données Le SQL dictionnary Optimisation des performances : création d index Création Affichage Destruction Principes d accès à une base de données externe Business Intelligence 1 jour Référence : SASSQL Dates : voir calendrier Macrolangage SAS Le macrolangage permet de paramétrer et de générer du code SAS afin de réaliser des traitements contrôlés, répétés et conditionnés. Cette formation vous permettra d acquérir la maîtrise de la syntaxe du macrolangage ainsi qu une méthode de programmation associée. Les stagiaires devront avoir suivi, au minimum, le stage «Langage SAS de base» ou avoir un niveau de connaissance équivalent et avoir une bonne expérience de la programmation SAS. Introduction Intérêt du macrolangage SAS Les éléments du macrolangage Les macro-variables Propriétés Contenu Fonctionnement Syntaxe de création des macro-variables Les macro-variables automatiques Les macro-fonctions Introduction Fonctions manipulant des chaînes de caractères Fonctions de calcul Utilisation des fonctions SAS de base Les macros La création et l utilisation d une macro Le paramétrage Les instructions de programmation L environnement de référence Interface avec l étape DATA Le stockage des macros Les outils de débogage Référence : SASMACRO Dates : voir calendrier 8

9 Fonctions Langage SAS SCL : en fonctions langage avancées et Macrolangage Business Intelligence Acquérir la maîtrise du langage SCL (SAS Component Language), afin d étendre les possibilités du langage SAS de base et du macrolangage. Avoir une bonne maîtrise du langage SAS de base et du macrolangage SAS. 1 jour Référence : SASSCL En Intra-entreprise Introduction Origine du SCL Caractéristiques Les codes retour Résultats des fonctions SCL Les fonctions sysrc et sysmsg La macro %sysrc Les fonctions utilisables dans l étape data Manipulation des bibliothèques et membres (tables, catalogues ) Manipulation des tables et variables Manipulation des répertoires et fichiers externes Formats et conversions Application au macrolangage avec %sysfunc et %qsysfunc Utilisation de la documentation Mise en forme des résultats SAS avec ODS Acquérir la maîtrise de l Ouput Delivery System (ODS) afin de pouvoir choisir et personnaliser la mise en forme des résultats SAS. Maîtriser le langage SAS de base. Introduction Le principe de l Output Delivery System L instruction ODS Objets ODS Les principales destinations ODS et leurs particularités ODS HTML pour la création de pages ou frame HTML ODS RTF pour la création de documents RTF ODS PDF pour la création de documents PDF ODS MARKUP pour la création de fichiers XML Mise en forme Styles Options ODS de mise en forme (proclabel, column ) Option style des procédures print, report, tabulate Mises en forme personnalisées avec ODS TAGSETS et proc template Graphiques Les documents ODS L instruction ODS document La procédure document ODS dans l étape data Référence : SASODS Dates : voir calendrier 9

10 Optimisation des performances en langage SAS de base Cette formation aborde la notion de performance des programmes SAS de base. Les techniques et conseils de programmation pouvant optimiser l utilisation des ressources seront détaillés. Les stagiaires devront avoir suivi le stage «Langage SAS : fonctions avancées» ou avoir un niveau de connaissance équivalent. Les mesures de performances Règles de base Contrôle et ordre des instructions Comment minimiser le nombre d étapes? Lire et écrire les données utiles Manipulation des données Se servir des procédures utilitaires Optimiser l utilisation des fonctions Tri et agrégations Optimiser ou éviter les tris Optimiser les agrégations Agrégations dans une étape DATA Business Intelligence Utilisation des Index Utilisation des Formats 1 jour Référence : SASPERF Dates : voir calendrier Optimisation des volumes de stockage Méthodologie de développement SAS Acquérir une méthode de programmation et d organisation d un développement en langage SAS de base et macrolangage SAS afin de fiabiliser et d harmoniser les développements, d améliorer les échanges et les transferts de compétences, de faciliter la maintenance. Les stagiaires devront connaître préalablement le langage SAS de base et le macrolangage SAS. 1 jour Référence : SASMETH Conception Organisation logique et description des données Organisation et description des traitements Mise en place de l environnement de développement Organisation physique des données et des formats Organisation physique des programmes Initialisations Organisation des programmes s principaux Sous-programmes Organisation thématique et fonctionnelle Source des macros et des formats Structuration des programmes Entêtes Initialisations de paramètres Commentaires Etapes du programme Normalisations Noms des programmes Noms des tables et variables permanentes Noms des tables temporaires Contrôles de programmation Codes retours des étapes de traitement Programmation conditionnée Documentation technique Structure de la documentation : plan, annexes Description des données Description des modules de traitements Génération de documentation avec SAS Capitalisation 10

11 Mise en œuvre de SAS/Graph Business Intelligence Acquérir la maîtrise de la syntaxe associée au module SAS/Graph, afin d être en mesure de réaliser facilement avec SAS des représentations graphiques de données. Les stagiaires devront avoir suivi le stage «Langage SAS de base» ou avoir un niveau de connaissance équivalent et avoir pratiqué la programmation SAS de base. Référence : SASGRAPH Dates : voir calendrier Les principales procédures de représentation graphique Courbes, nuages de points : procédure GPLOT Histogrammes, camemberts : procédure GCHART Les instructions graphiques Titres et notes Légendes Définition des axes et des échelles Les motifs et symboles Stockage et combinaison de plusieurs graphiques Gestion d un catalogue de graphiques Réaffichage d un graphique : procédure GREPLAY Affichage simultané de plusieurs graphiques Personnalisation d un graphique Annotation d un graphique : ANNOTATE Edition d un graphique Export Bases du développement d applications SAS/AF Acquérir les connaissances de base du développement d applications AF et du SCL (SAS Component Language), afin d être en mesure de réaliser des applications simples. Avoir une bonne maîtrise du langage SAS de base. Cette formation s adresse à des développeurs. Introduction Rappels sur les catalogues Les composantes d une application L environnement de développement Utiliser l explorateur La fenêtre des composants Construire des écrans frame Ajouter et manipuler les composants Propriétés des composants : attributs et méthodes Liens entre les composants Drag and drop entre les composants Les menus déroulants : procédure PMENU SAS Component Language Structure d un programme SCL Les variables SCL La gestion du menu déroulant La notation pointée Fonctions de manipulation des tables SAS Exécution de code SAS : les blocs submit Les listes SCL : manipulation simple Branchements et passage de paramètres Le debugger 3 jours Référence : SASDEV Dates : voir calendrier 11

12 Informatique décisionnelle SAS et Excel Connaitre les différentes techniques d échanges entre SAS et Excel et savoir les mettre en oeuvre. Connaissances de base en langage SAS, connaissance d Excel. 1 jour Référence : SASXL Dates : voir calendrier Accès direct aux données Excel Syntaxe Limites Import / Export des données Par les menus Par les procédures Par un fichier texte et une étape data Comparaison des méthodes Export de résultats par ODS Le DDE Principe Lecture/écriture de données Gestion des fichiers/classeurs Excel Mise en forme Excel depuis SAS Principe du SAS Add In for Microsoft Excel Business Intelligence SAS / Access to Oracle Pouvoir travailler sur les données Oracle à partir de SAS. Les stagiaires devront avoir suivi la formation Langage SAS de base et avoir pratiqué la programmation SAS. Ils devront avoir des connaissances de base en SQL. Cette formation s adresse à des développeurs SAS ne connaissant pas Oracle. Si les stagiaires connaissent Oracle, la première journée (Notions de base Oracle) n est pas nécessaire. Notions de base ORACLE (option) définitions : base, datafiles, tablespace, tables, index, partitionnement, colonnes et types de colonne... Les différentes fichiers Oracle : fichiers de paramètres, datafiles, fichiers de contrôle, fichiers de log Comment créer, démarrer, arrêter, sauvegarder une base SAS/ACCESS to Oracle Présentation Variables d environnement nécessaires Instructions libname, étape DATA SQL Passthrough, utilisation de SQL natif, cas particulier des dates,... Chargement de données sous Oracle : insertion de lignes, chargement massif Codes retour Options Performances : statistiques, maîtrise du plan d execution Oracle (hints),... 1 ou Référence : SASORACLE 12

13 Business Intelligence Mise en œuvre de SAS/ IntrNet Savoir installer le module SAS/Intrnet et développer des applications dans ce contexte. Les stagiaires réaliseront des exercices pratiques sur les techniques présentées. Deux chapitres optionels peuvent être abordés : le HTM SQL et le MDDB viewer. Les stagiaires devront connaître le langage SAS de base et le macrolangage SAS. 3 jours Référence : SASINT Introduction Génération de pages statiques Les technologies Internet de SAS Initiation au langage HTML Structure d une page Web Principales balises Caractères spéciaux Liens hypertextes Formulaires Introduction au langage JAVASCRIPT Structure du langage Opérateurs et priorités Fonctions HTML et Javascript Génération avec SAS ODS de pages HTML Principe général de l ODS Les objets ODS Création de pages et de frame HTML Mise en forme Mise en oeuvre du serveur Web Présentation et utilisation d Internet Information Service Installation et tests d installation Mise en oeuvre de SAS/Intrnet Application Broker et Application Dispatcher Fonctionnement Procédure d installation Développement d une application dans l environnement SAS/Intrnet 13

14 Business Intelligence Administrateur BI SAS 9 SAS Management Console, page 15 Langage SAS de base 3 jours, page 7 Gestion des données multi-dimensionnelles, page 16 SAS Data Integration Studio 1 jour, page 15 Les Applications Stockées, page 17 Outils SAS de reporting Web, IMS et WRS, page 19 Le portail décisionnel SAS 1 jour, page 17 Utilisateur BI SAS 9 Les Applications Stockées, page 17 Utilisation de SAS Enterprise Guide, page 17 Analyse de données avec SAS Enterprise Guide, page 17 Outils SAS de reporting Web, IMS et WRS 1 jour, page 18 Add-In de SAS pour Microsoft Office 1 jour, page 15 14

15 Gestion de la plate-forme décisionnelle avec SAS Management Console Acquérir la maîtrise de SAS Management Console (SMC) afin d être en mesure d administrer de manière simple la plate-forme SAS, notamment l écriture, la lecture et les modifications des métadonnées. Les stagiaires devront avoir des notions de base du langage SAS. L architecture de la plate-forme décisionnelle SAS L architecture 3-Tiers Le serveur et les référentiels de métadonnées Le serveur Web Les applications clientes SAS Management Console Se connecter et créer un profil de métadonnées Description des plug-in intégrés à la SMC Créer et gérer des utilisateurs ou des groupes d utilisateurs Gérer les droits des utilisateurs, implémenter des modèles de contrôle d accès Référencer les bibliothèques de données et gérer leur accessibilité Visualiser les serveurs et leurs propriétés Dupliquer et promouvoir un référentiel de métadonnées Enregistrer les Information Map, Store Process, cubes OLAP, dans la SMC Impacts de la définition des autorisations et des interdictions d accessibilité Introduction à la gestion des métadonnées par la programmation SAS Business Intelligence Référence : SASSMC Dates : voir calendrier Gestion d ETL avec SAS Data Integration Studio Acquérir la maîtrise de SAS Data Integration Studio afin d extraire vos données, les adapter aux besoins de l organisation et les rendre disponibles dans la plateforme décisionnelle SAS. Savoir créer et planifier des processus simples et avancés. Mettre en œuvre l exécution des processus avec ou sans ordonnancement. Créer un cube OLAP. Une connaissance de SAS SMC est conseillée mais non indispensable. L architecture de la plate-forme décisionnelle SAS Création de processus simples Créer une arborescence personnalisée Enregistrer les tables sources Définir des tables cibles Création de processus avancés Créer un Processus de type Analyse qui fournit les statistiques en sortie Transformer la ou les tables : jointures SQL, mises à jour, extractions, tris Créer et publier par différents modes de communication des rapports HTML Exécution d un flux de Processus Exécution sans ordonnancement Exécution avec ordonnancement Création de cubes OLAP Définir les paramètres d un cube (dimensions, hiérarchie, ) Créer le cube via l Assistant Visualiser le cube en métadonnées dans la SMC Référence : SASDIS 15

16 Business Intelligence Gestion des données multi-dimensionnelles Acquérir la maîtrise de SAS OLAP Cube Studio afin d être en mesure de créer et de gérer des cubes OLAP dans la plate-forme décisionnelle SAS. Se familiariser avec l utilisation de cubes OLAP dans Enterprise Guide et dans l Add-in Excel. Gérer des cubes OLAP par la programmation en langage MDX. Les stagiaires devront avoir des notions de base du langage SAS. Une connaissance des autres produits de la plate-forme décisionnelle est conseillée mais non indispensable. Référence : SASOLAP Dates : voir calendrier L Architecture de la plate-forme décisionnelle SAS Création d un cube intégré à la plate-forme décisionnelle SAS Référencer la table de données, source du cube, dans SAS Management Console (SMC) Créer le cube avec SAS OLAP Cube Studio Visualiser le cube en métadonnées dans la SMC Gérer les droits des utilisateurs sur le cube Exporter et importer un cube Utilisation du cube Se connecter au serveur OLAP avec Enterprise Guide Naviguer dans le cube et ajouter des membres calculés Editer un rapport sous Enterprise Guide à partir des données d un cube Utiliser un cube comme un rapport de tableau croisé dynamique avec l Add-In Microsoft Excel Créer une Map liée à un cube dans Information Map Studio Naviguer dans un cube avec Web Report Studio Insérer un cube dans Information Delivery Portal Gestion avancée des cubes La procédure OLAP Définir de nouvelles agrégations pour un cube avec l ARM Naviguer et créer de nouveaux membres calculés grâce au langage de programmation MDX Utilisation des fonctions MDX Placer des restrictions sur la navigation dans les cubes Add In SAS pour Microsoft Office Exploiter la puissance analytique de SAS dans Excel, Word et Powerpoint grâce à l outil SAS Add In for Microsoft Office : Utiliser des données SAS à l intérieur d Excel Lancer l exécution d analyses statistiques avancées à partir d une source de données SAS Se familiariser avec l exécution de Processus Stockés et la publication de rapports dans la plate-forme décisionnelle SAS Connaissance d Excel et Word. La connaissance de SAS Enterprise Guide, Information Map et des Processus Stockés est un plus mais n est pas indispensable pour suivre le cours. Intégrer les données SAS à Microsoft Excel Visualisation de sources de données SAS Transformation des données (filtres, tris, ) Mise à jour des données sources Effectuer des analyses avancées à partir de données SAS Utilisation de tâches SAS permettant d effectuer de nombreuses analyses sur les données Exécution des analyses dans Microsoft Excel, Word et PowerPoint avec ou sans ordonnancement Création de tableaux croisés dynamiques à partir d un cube OLAP Exploiter les possibilités offertes par la plate-forme décisionnelle SAS Exécution de Processus Stockés avec ou sans saisie de paramètres Ouverture et exploitation d une Information Map Publication de rapports avec enregistrement en métadonnées 1 jour Référence : SASADIN Dates : voir calendrier 16

17 Le portail décisionnel SAS Communiquer l information grâce à l Information Delivery Portal, notamment : Publier l information venant de sources diverses (rapports, processus stockés, modèles statistiques, ) grâce à un point d accès commun aux différents acteurs de l entreprise Donner aux utilisateurs une vision quasi instantanée de l activité de l entreprise Une connaissance préalable de la SMC est nécessaire. La connaissance des autres produits de la plate-forme décisionnelle est conseillée mais non indispensable. Place du portail dans l Architecture de la plate-forme décisionnelle SAS Intégrer de l information au sein du Portail SAS Découvrir l environnement de Information Delivery Portal Création de pages et de portlets en y insérant du contenu Intégration de rapports Web Report Studio Utiliser les Processus Stockés Gérer et customiser le portail Référencer un canal de publication dans la SMC Référencer un souscripteur dans la SMC Exemple de publication dynamique d un Package Modifier les préférences du Portail Business Intelligence 1 jour Référence : SASIDP Les Applications Stockées (Stored Process) Permettre à des utilisateurs de créer des Applications Stockées et de les réutiliser au sein de la plate-forme décisionnelle par l intermédiaire des différentes applications clientes de la BI SAS. Avoir des notions de base du langage SAS et savoir utiliser une macro SAS. Avoir des connaissances sur les outils de la plate-forme décisionnelle est un plus (SAS Enterprise Guide, SMC). Référence : SASPS Dates : voir calendrier L architecture de la plate-forme décisionnelle SAS Création d une Application Stockée Avec Enterprise Guide : utilisation de l Assistant Avec l éditeur de programme : utilisation des macros SAS de création d Applications Stockées Enregistrement d une Application Stockée dans SAS Management Console Gestion avancée d une Application Stockée Insertion de paramètres dans le programme source Enregistrement des paramètres en métadonnées Utilisation ou exécution des Applications Stockées avec les applications de la BI SAS Enterprise Guide Information Delivery Portal Web Report Studio Add-In Microsoft Office Information Map Studio Personnalisation de l Ecran d Invite Enchaînement d Applications Stockées 17

18 Business Intelligence Utilisation de SAS Enterprise Guide Maîtriser l utilisation de l outil SAS Enterprise Guide, afin d être en mesure d interroger, et produire des résultats à partir de données hétérogènes. Les stagiaires devront être familiarisés avec l environnement Windows. Pour des personnes connaissant les bases de données ou ayant travaillé avec SAS, le cours peut être réduit à une journée. Présentation du Système SAS Notions de base de SAS Bibliothèques Données : tables, variables Formats Présentation de SAS Enterprise Guide Les composantes L environnement de travail Les étapes de création d un projet Initialiser le projet Insérer et présenter des données (SAS, Excel ) Sélectionner et exécuter des tâches Définir un style Requêtes Sélection des colonnes, colonnes calculées Filtres Jointures entre plusieurs tables Tris Production de résultats Listes Statistiques descriptives Tableaux croisés Histogrammes Distribution des résultats Référence : SASEG Dates : voir calendrier Statistiques appliquées avec SAS Enterprise Guide Exploiter l outil SAS Enterprise Guide pour produire des statistiques simples, construire des modèles de données et réaliser des analyses de données. Les stagiaires devront avoir suivi le stage «Utilisation de SAS Enterprise Guide» et avoir des connaissances statistiques théoriques sur les modèles et l analyse de données. Référence : SASEGAD Dates : voir calendrier Tests d indépendance Test du khi 2 Test de Fisher Analyse de variance T test Analyse de variance à une dimension Analyse de variance non-paramétrique Régression Linéaire Non linéaire Logistique Modèle linéaire généralisé Analyse multidimensionnelle Corrélations Composantes principales Classifications Analyse discriminante 18

19 Outils SAS de reporting Web : Information Map Studio et Web Report Studio Créer et gérer des «Information Maps» afin de faciliter l usage de données métier aux utilisateurs finaux. Permettre à l utilisateur final de créer et de publier des rapports personnalisés. Avoir quelques notions concernant les Cubes OLAP et les Processus Stockés est un plus mais n est pas indispensable pour suivre ce cours. 1 jour Référence : SASIMSWRS Dates : voir calendrier L architecture de la plate-forme décisionnelle SAS Créer et gérer une Information Map Référencer la ou les table(s) de données que l on souhaite manipuler dans SAS Management Console (SMC) Créer l Information Map avec Information Map Studio Améliorer l Information Map en ajoutant des filtres, des relations entre les tables, Créer une Information Map à partir d un cube OLAP Utiliser les Processus Stockés dans une Information Map Exporter et importer une Information Map au format XML Créer et customiser un rapport Web Découvrir l environnement Web Report Studio Ouvrir une Information Map et créer un rapport simple Améliorer le rapport avec une mise en page personnalisée, des ajouts de filtre, Naviguer à l intérieur d un cube OLAP sous Web Report Studio Utiliser les Processus Stockés de façon directe ou indirecte (via Information Map) Etablir des liens entre des rapports Business Intelligence 19

20 Outils BI Microsoft Business Intelligence ETL avec Integration Services, page 21 OLAP Analysis Services 5 jours, page 21 Data Mining, page 22 Reporting Services, page 22 Langage MDX 1 jour, page 23 20

21 ETL avec Microsoft Integration Services Business Intelligence Acquérir les compétences techniques sur Integration Services pour réaliser des processus d alimentation d un entrepôt de données : extraction, transformation et stockage. A l issue de la formation, vous serez en mesure de réaliser un enchaînement complexe de traitements au travers des outils proposés par SQL Server Integration Services. Les stagiaires devront avoir des notions de base de données relationnelles. Référence : MSINTSER Présentation générale Processus ETL : présentation et définitions Integration Services : ses grandes fonctionnalités Visual Studio Business Intelligence Les flux de contrôle Définition Création d un package Tâches et conteneurs Contraintes de précédence Les flux de données Définition Les différentes tâches proposées (Script, Analysis services, FTP, ) Traitement des flux d erreurs Les transformations de données Mise en oeuvre des sources de données Les outils (fuzzy lookup, recherches, fusion, ) Gestion des flux Débogage Scripts Contrôle de l exécution des packages Exploitation OLAP avec Microsoft Analysis Services Implémenter et déployer des solutions OLAP à l aide de l outil Microsoft Analysis Services. Les stagiaires devront maîtriser l environnement Windows et avoir des notions sur les bases de données relationnelles. Introduction Le modèle multidimensionnel : présentation et définitions Analysis services : ses fonctionnalités La conception des cubes Analysis manager Création d une base de données Les schémas en étoile et en flocon Configuration des dimensions Configuration des mesures Conception et création d un cube Parcours des résultats Les options avancées Les cubes virtuels L optimisation du stockage Création de partition Les expressions MDX Le datamining 5 jours Référence : MSOLAP Administration Implémentation de la sécurité Le déploiement La mise en œuvre d actions 21

22 Business Intelligence Microsoft Reporting Services Acquérir les connaissances de base qui vous permettront de créer et de diffuser des rapports d entreprise à travers les outils Microsoft. Les stagiaires devront connaître Visual Studio.NET et avoir des notions de C#, VB.NET et SQL SERVER. Référence : MSREPSER Introduction Présentation de Reporting Services Architecture La création de rapports Visual Studio.NET et le Report Designer La mise en page L interactivité La gestion des données OLAP Gestion de contenu Publication Exécution Distribution Sécurité Administration Gestion des travaux Base de données Serveur Data Mining avec Microsoft Analysis Services Construire des modèles Data Mining à l aide de Microsoft Analysis Services. Les stagiaires devront avoir des notions de base en statistiques. Référence : MSMINING Présentation générale Le Data Mining : présentation et définitions Analysis Services : ses fonctionnalités Les algorithmes de Data Mining Arbres de décision Classification Analyse bayésienne naïve Classification séquentielle Séries temporelles Associations Réseaux de neurones Mise en œuvre de BI Development Studio Créer un Projet Créer une Data Source Créer une Data Source View Créer une structure de modèle Data Mining Créer des modèles à partir d une structure existante Paramétrer les modèles Exécuter les modèles Visualiser et explorer les résultats Evaluer la performance des modèles Créer des requêtes de prédiction 22

23 Langage MDX Business Intelligence Maîtriser les bases du langage MDX (Multi-Dimensional expressions). Les stagiaires devront connaître les structures OLAP. Rapide rappel de la notion de cube OLAP Structure d un cube Dimensions, hiérarchies, niveaux Indicateurs Navigation dans un cube (Slicer, Dice ) Présentation du langage MDX La norme MDX Le langage MDX outil de requêtage, de création d indicateurs La syntaxe MDX Les concepts fondamentaux Membre Set Tuple Présentation des fonctions usuelles (CurrentMember, Lag, Parent ) 1 jour Référence : MDX 23

24 Data Mining Business Analytic SAS Segmentation, page 27 Analyse de données, page 32 Régression PLS 1 jour, page 28 Langage SAS de base 3 jours, page 7 Statistiques descriptives, page 25 Modèles de régression, page 26 Création d un score avec SAS, page 26 Modèles de durée, page 25 Prévision avec ETS 3 jours, page 29 Le bootstrap 1 jour, page 27 R Accès, préparation et analyse des données avec R 3 jours, page 30 Programmation Statistiques avec R 3 jours, page 30 Création d un score marketing avec R, page 31 Construction d une segmentation avec R, page 31 SPSS Modeler Data management avec SPSS Modeler 3 jours, page 38 Construction d une segmentation avec SPSS Modeler, page 38 Construction d un score marketing avec SPSS Modeler, page 39 24

25 Business Analytic Statistiques descriptives sous SAS Mettre en oeuvre les procédures SAS pour réaliser des statistiques descriptives et des tests statistiques simples. Cette formation peut aussi être réaliséee avec les outils SAS Enterprise Guide ou Jump. Connaître le langage SAS de base et avoir des connaissances théoriques en statistiques de base. Référence : SASTDES Définitions de base Termes généraux Variables quantitatives et qualitatives Principaux tableaux statistiques Tri à plat, effectifs Fréquences Effectifs ou fréquences cumulés Description des données par des graphiques Graphiques univariés : diagrammes en barre ou circulaires Graphiques bivariés : nuages de points ou boîtes à moustaches Graphiques de répartition Indicateurs statistiques usuels Les principaux indicateurs statistiques Statistiques descriptives simples Statistiques descriptives avancées Recherche de liaison entre variables Tableaux de contingence et test du khi2 Coefficients de corrélation de Pearson Non linéarité des liaisons et transformation des variables quantitatives en variables qualitatives Tests statistiques Principe d un test statistique Test d adéquation à une loi Test du khi2 Test de Student (comparaison de moyennes) Tests non paramétriques (Wilcoxon et Kruskal-Wallis) Modèles de durée avec SAS Définir les différents modèles de durée et leurs utilisations. Connaitre les sprincipales méthodes paramétriques, non paramétriques, semi-paramétriques et notamment le modèle de Cox. Connaitre et maîtriser les moyens de mise en oeuvre des différentes méthodes. Délimiter la portée et les limites des différents modèles. Ce stage s adresse à des statisticiens. Les stagiaires devront avoir suivi le stage «Langage SAS de base» ou avoir un niveau de connaissance équivalent. Cadre conceptuel des modèles de durée Introduction La spécificité des données de durée Principales distributions : exponentielle, weibull, log normale... Estimations non paramétrique, paramétrique, semi-paramétrique Approche descriptive et approche prédictive Les paramètres du modèle de régression logistique Les solutions SAS Estimation non paramétrique avec Lifetest Estimation paramétrique avec Lifereg Estimation semi-paramétrique avec Phreg et Tphreg Enseignements et recommandations Référence : SASMDUR Dates : voir calendrier 25

26 Business Analytic Régression linéaire avec SAS Construire un modèle de regression linéaire pour expliquer ou prévoir des phénomènes continus, analyser l influence de facteurs qualitatifs, mettre e oeuvre ces modèles sous SAS. Les stagiaires auront de préférence des connaissances théoriques statistiques de base. Ils devront avoir suivi le stage SASBASE ou avoir un niveau de connaissance équivalent et avoir pratiqué la programmation SAS de base. Chargés d études, Statisticiens, Biostatisticiens Introduction aux modèles explicatifs Le régression linéaire simple De la corrélation à la regression : du nuage de points à la droite de régression Estimation par les Moindres Carrés Validation du modèle : qualité d ajustement du modèle, tests sur les paramètres, études des résidus, détection de points influents, tableau d analyse de la variance. Modèle ANOVA et test de linéarité Application sous SAS zvec la procédure REG, interprétation des résultats La régression linéaire multiple Généralisation de la régression linéaire simple Estimation des paramètres par les Moindres Carrés Tests et qualité du modèle optimal : critères de choix, méthode de sélection des variables. Problèmes liés à la multi-colinéarité Introduction de variables qualitatives dans la régression linéaire simple Application sous SAS avec la procédure REG et GLM, interprétation des résultats Référence : SASREG Construction d un score marketing avec SAS Cette formation vous permettra de maîtriser la démarche de création d un score et sa mise en œuvre avec SAS. Connaître le langage SAS de base et avoir des connaissances statistiques. Référence : SASSCORE Dates : voir calendrier Introduction Qu est-ce qu un score? Le score : outil prédictif et explicatif Problématique Evènement à expliquer : variable cible Eligibilité Périodes d observation et de prédiction Datamart score Définition et objectifs Les indicateurs Echantillonnage Apprentissage Validation Consolidation de la base d indicateurs Indicateurs quantitatifs Indicateurs qualitatifs Sélection des indicateurs liés à la cible Difficultés engendrées par la colinéarité Sélection des indicateurs quantitatifs Sélection des indicateurs qualitatifs Test des effets croisés Dichotomisation des indicateurs discrétisés et qualitatifs Construction du modèle de score Définition du modèle logistique La procédure logistique Le bootstrap Validation et comparaison de modèles Application et suivi du modèle Communiquer/présenter le modèle La règle de décision Stabilité et suivi des performances 26

27 Régression logistique Le bootstrap : théorie et pratique avec SAS Business Analytic Présenter les techniques de base des méthodes de rééchantillonnage (bootstrap, jackknife...) et leur mise en oeuvre dans les processus d étude et de modélisation. Ces techniques ont connu un développement important comme alternatives aux méthodes asymptotiques usuelles. Couramment utilisées dans le cadre de la construction de scores (marketing, risque...) elles s appliquent aux modèles classiques de la statistique et de l économétrie (modèles linaires, series chronologiques...) Ce stage s adresse aux statisticiens et chargés d études. La programmation SAS (base, stat) et macro-langage est requise. 1 jour Référence : SASBOOTS Quelques généralités Introduction aux principes de base du bootstrap La Méthode de Monte Carlo Le constexte d utilisation des méthodes de bootstrap Les avantages du boostrap par rapport à la statistique clasique Le bootstrap pour la construction d intervalles de confiance Le boostrap T Le boostrap Percentile Le boostrap Bca Comparaison des différentes approches Le bootstrap pour la construction d intervalles de confiance Le calcul d erreur de classification dans un cas binaire avec le boostrap.632 Elaboration de modèles robustes selon 2 approches : le bagging et le boosting Comparaison des différentes approches Mise en oeuvre sous SAS Le boostrap Le bagging Le boosting Construction d une segmentation avec SAS Connaître les différentes approches conduisant à l élaboration d une segmentation opérationnelle d une base client. Maîtriser la démarche générique de construction d une segmentation avancée. Connaître et utiliser les outils SAS nécessaires à l élaboration d une telle approche. Statisticiens, chargés d études, dataminers évoluant dans un contexte marketing et ayant suivi ou maîtrisant le contenu des formations «Langage SAS de Base» et «Analyse des données avec SAS». Segmentation marketing Définitions, applications et approches Démarche générique de construction d une segmentation avancée La réfléxion initiale L élaboration analytique et statistique - Méthodes «PMG, «RFM» et dérivées - Les arbres de décision, les scores - Les typologies comportementales - Approches combinées Validité, Pertinence - Outils : Coeur de cible, Portraits Robots, Valeur-Test, Données socio démo - Pour maîtriser les facteurs de succès: homogénéité et séparabilité, opérationnalité, stabilité, adhésion interne, identification... La mise en place et le suivi opérationnel - Intégration au marketing relationnel et à la stratégie commerciale. - Modèles de réaffectation à la base clients - Contrôler la stabilité des segments - CSuivi dans le temps Pratique de la segmentation sous SAS Les différentes solutions SAS Ensemble de mise en oeuvre d une segmentation par typologie - Analyse factorielle - Les arbres de décision, les scores - Classification automatique - Validation et Description - Modèles de réaffectation Référence : SASMSEG Dates : voir calendrier 27

28 Business Analytic Analyse de données avec SAS/STAT Etre capable de mettre en œuvre les techniques SAS pour l analyse de données. Les stagiaires auront de préférence des connaissances théoriques statistiques notamment dans le domaine de l analyse de données. Ils devront avoir pratiqué la programmation SAS de base. Référence : SASANDON Dates : voir calendrier Introduction Présentation générale de l analyse de données Les outils statistiques du Système SAS Les analyses factorielles Principe général Analyse en composantes principales Analyse factorielle des correspondances Analyse des correspondances multiples Les classifications Présentation générale Nuées dynamiques Classification ascendante hiérarchique Analyse discriminante Présentation générale Analyse descriptive : méthode géométrique Les méthodes probabilistes Les procédures Régression PLS avec SAS Ce cours aborde la problématique de la corrélation des variables explicatives dans les modèles de régression (multicollinéarité), son impact sur la qualité des modèles obtenus et présente la technique actuellement la plus utilisée pour résoudre ce problème de multicolinéarité : la régression Partial Least Squares (PLS). Connaître le langage SAS (base et Stat) et avoir des connaissances théoriques sur la régression linéaire simple et multiple ainsi qu en analyse de données (ACP, ACM). 1 jour Référence : SASPLS Dates : voir calendrier Problématique Régression linéaire sur données corrélées Comment identifier les problèmes de multicolinéarité? Comment traiter la multicolinéarité? Régression en composantes principales Principe et méthodes Utilisation de l ACP (ou AFC) Régression sur les composantes principales en pratique Régression PLS : généralités Principe et méthodes Utilisation de l ACP (ou AFC) Régression sur les composantes principales en pratique Régression «Partial Least Squares» PLS Contexte d utilisation Régression PLS univariée (PLS1) : une seule variable à expliquer Régression PLS multivariée (PLS2) : plusieurs variables à expliquer Analyse discriminante PLS : variable à expliquer qualitative Exemples d application Mise en œuvre sous SAS Procédure PROC PLS Données initiales Construction des composantes principales Sélection des composantes principales Interprétation des résultats générés par la PROC PLS Application de la PROC PLS avec comparaison avec l utilisation de la régression en composantes principales 28

29 Techniques de prévision avec SAS/ETS Business Analytic Etre capable de mettre en œuvre les procédures du module SAS/ETS pour l étude et la modélisation de séries chronologiques. Les stagiaires auront de préférence des connaissances statistiques théoriques. Ils devront avoir suivi le stage SASBASE ou avoir un niveau de connaissance équivalent. 3 jours Référence : SASETS Les séries temporelles Représentation graphique Utilisation des dates SAS Résolution des problèmes de données manquantes Etude de la stationnarité des séries temporelles Etude de la périodicité des séries temporelles Corrections des variations saisonnières Modélisation ARIMA de Box & Jenkins Modèles autorégressifs (AR) Modèles à moyenne mobile (MA) Modèles ARMA et ARIMA Modélisation de la partie saisonnière (SARIMA) Modélisation avec la procédure ARIMA Modélisation avec la procédure X11 Prévision automatique Présentation générale Modélisation avec la procédure FORECAST Insertion de variables explicatives Régression avec résidus autocorrelés Modèles hétéroscedastiques Estimation avec une fonction de transfert Estimation avec un modèle d intervention Modélisation non linéaire avec la proc MODEL La procédure VARMAX Exploration SAS Visual Analytics statistique avec SAS JMP Utiliser l outil JMP pour exploiter et analyser vos données, partitionner vos données et construire des modèles de régression Avoir des connaissances théoriques en statistiques et modélisation Référence : SASJMP Introduction à JUMP Présentation de l interface JUMP Les fonctionnalités de JUMP Utilisation de programmes SAS Manipuler les données Changement des données Manipulation des lignes et des colonnes d un tableau Création de tableaux de synthèse Explorer les données à l aide de statistiques simples Calcul de statistiques descriptive simples : moyenne, mode, médiane, quantile, variance Recherche de liaison entre variables Test statistique (khi2, t de student, Wilcoxon...) Décrire les données par des graphiques Graphiques univariés (diagrammes en barre ou circulaires) Graphiques bivariés (nuages de points, diagrammes bi-dimensionnels, box plots...) Exploration des données par des arbres de partition Analyse multidimensionnelle : analyse en composantes principales, classification Expliquer les données par la modélisation Construire un modèle de régression linéaire Estimer un modèle de régression logistique ordinal et nominal Réaliser une analyse discriminante 29

30 Business Analytic Analyse de la variance avec SAS Evaluer l influence des facteurs explicatifs sur une variable réponse quantitative, savoir la mettre en oeuvre sous SAS. Chargés d études, Statisticiens, Biostatisticiens. Les stagiaires auront de préférence des connaissances théoriques statistiques de base. Ils devront avoir suivi le stage SASBASE ou voir un niveau de connaissances équivalent. Référence : SASVAR Introduction Rappels sur la comparaison de deux populations Notions d échantillons indépendants et appariés Analyse de la variance à un facteur Exemple introductif Ecriture du modèle, estimation des paramètres Hypothèses gaussiennes, tests d influence du facteur Interprétation des contraintes Tableau de l analyse de la variance Application sous SAS avec les procédures ANOVA et GLM, interprétation des résultats Analyse de la variance à deux facteurs et plus Exemple introductif Ecriture du modèle, estimation des paramètres Analyse graphique de l interaction Hypothèses gaussiennes, tests de l interaction, tests des facteurs Tableau de l analyse de la variance Tests de comparaison multiple Etude de sous-modèles Application sous SAS avec la procédure GLM, interprétation des résultats Analyse de la covariance Création d un score d octroi avec SAS Maitriser la démarche de création d un score d octroi sous SAS. Statisticiens, Chargés d études. Connaître le langage SAS de base et avoir des connaissances statistiques. Introduction Le score, un outil d aide à la décision, ses applications dans le secteur bancaire Particularité du score d octroi : présentation du processus d octroi Définition de la problématique et préparation de la base d étude Choix du périmètre : période d observation, profondeur d historique, règles sur les refusés... Construction de la variable à expliquer, sélection des variables explicatives candidates Faut-il segmenter la population en amont de la modélisation? Echantillonnage : faut-il équilibrer l échantillon? Consolidation de la base d études Qualité des données : traitement des données manquantes, des valeurs extrêmes... Analyse exploratoire : statistiques descriptives simples, indicateurs de liaison... Construction d indicateurs synthétiques Modélisation Utilisation du score Référence : SASOCTROI Suivi du score Application pratique avec SAS 30

31 Business Analytic Data G Mining avec SAS Enterprise Miner Mettre en œuvre simplement des outils statistiques performants facilitant la mise en évidence : de faits nouveaux et de relations cachées au sein de grands ensembles de données de modèles destinés à la réalisation de prédictions, d estimations ou de scores Découvrir un outil d analyse convivial, ergonomique et générateur de gains de productivité offrant un cadre méthodologique structurant. Une connaissance des techniques statistiques permettra aux stagiaires de mieux percevoir les relations entre les différents outils proposés au sein de SAS Enterprise Miner, mais n est pas indispensable pour suivre le cours. Introduction au Data Mining et positionnement du produit Enterprise Miner Méthodologie statistique SEMMA Phase préparatoire de la méthode SEMMA Traitement de données manquantes Manipulation, classification et exploration de données Intégration de programmes SAS La modélisation dans Enterprise Miner Arbres de décision Réseaux de neurones Régression multiple Comparaison et analyse qualitative de modèles Création d un score ou d une estimation à l intérieur d Enterprise Miner sur une base de données n ayant pas servi à l apprentissage «Capture» d un modèle et réutilisation hors d Enterprise Miner pour la construction de scores ou d estimations Référence : SASEM Autres outils d analyse spécifiques : la classification et les associations d objets 31

32 Business Analytic Programmation Construction d une statistique segmentation avec avec R Ce cours se propose de faire découvrir les principales fonctionnalités statistiques offertes par le logiciel R dans le domaine du décisionnel : de l analyse exploratoire à la modélisation. Avoir suivi le cours R_DATA ou avoir un niveau de connaissance équivalent. Avoir des connaissances théoriques en statistiques et modélisation. Chargés d études, statisticiens, biostatisticiens. Principaux packages par fonctionnalités (analyse de données, régressions, analyse prédictive, tests, visualisation graphique...) Exploration des données sous R Tris croisés, agrégations par groupes Statistiques descriptives La recherche de liaisons entre variables : Corrélation, Test du Khi2, test de comparaison de moyenne, comparaison de variance... Test de normalité L analyse graphique : diagrammes en barres, nuages de points, boîte à moustaches... Modélisation des données sous R L analyse de variance et de covariance Les modèles de régression linéaire (simple et multiple) : spécification, détection des points atypiques, colinéarité, sélection de variables La régression logistique : spécification, sélection de variables, qualité prédictive Arbre de décision Construction de l arbre de classification Construction de l arbre de régression Référence : R_STAT Dates : voir calendrier Accès, manipuler et explorer des données avec R Maîtriser l environnement de travail R, savoir accéder à des données hétérogènes, manipuler et analyser les données. Analyste, chargé d études, dataminer, gestionnaire de données souhaitant apprendre à utiliser R. Découvir l étendue de R Positionnement de R, utilisations en Entreprise, versions, logiciels Packages et installation Environnement de travail, Rcommander Langage R Charger, effacer, sauvegarder les objets en mémoire Les différents objets et leurs propriétés Vecteurs, facteurs, matrices, listes, dataframes Tester et convertir les objets Opérateurs et Notations Les valeurs manquantes Les principales fonctions par catégories Créer une fonction personnalisée Accéder et préparer les données Le package foreign Le package sas7bdat Le package RODBC Opération sur les lignes Opération sur les colonnes Explorer et restituer les résultats Tris et agrégations Graphiques Exportation des résultats vers excel Ecrire dans une base de données Référence : R_DATA 32

33 Création d un score marketing avec R NOUVEAU Cette formation vous permettra de maîtriser la démarche de création d un score marketing et sa mise en oeuvre avec R. Connaître le langage R de base et avoir des connaissances statistiques. Référence : R_SCORE Problématique Evénement à expliquer : variable cible Eligibilité Période d observation et prédiction Datamart score Echantillonnage Apprentissage Validation Consolidation de la base d indicateurs Indicateurs quantitatifs Indicateurs qualitatifs Sélection des indicateurs liés à la cible Difficultés engendrées par la colinéarité Sélection des variables discrimantes Transformation et optimisation : discrétiser, dichotomiser Construction du modèle score Le modèle régression logistique Panorama des Alternatives : bagging, boosting, régression régularisée, arbres de décision, les fôrets aléatoires... Validation et comparaison de modèles Mise en oeuvre de la régression logistique et d une méthode alternative Métriques d évaluation et comparaison : gini, aux, gain chart Qu est-ce qu un bon modèle prédictif? Application et suivi du modèle Communiquer / présenter le modèle La règle de décision Stabilité et suivi des performances Business Analytic Construction d une segmentation avec R NOUVEAU Comprendre comment la segmentation des clients est essentielle au marketing relationnel, Connaître les différentes approches basiques et élaborées conduisant à lélaboration d une segmentaion opérationnelle d une base client, Connaître et maîtriser la démarche générique de construction d une segmentation avancée mariant des axes «marché ou offres» et des axes «comportement», Connaitre et utiliser les outils R nécessaires à l élaboration d une telle approche, Délimiter la portée et les limites des différentes approches. Ce stage s adresse à des statisticiens, chargés d études, dataminers évoluant dans un contexte marketing. Référence : R_SEG Segmentation marketing : définition, applications et approches Démarche générique de construction d une segmentation avancée La réflexion initiale L élaboration analytique et statistique - Méthodes «PMG», 3RFM» et dérivées - Les arbres de décision, les scores - Les typologies comportementales - Approches combinées Validité, Pertinence - De nombreux outils : Coeur de Cible, Portraits Robots, Valeur-Test, Données socio démo - Pour Maîtriser les facteurs de succès : homogénéité et séparabilité, opérationnalité, stabilité, adhésion interne, identification... La mise en place et le suivi opérationnel Pratique de la segmentation sous R Exemple de mise en oeuvre d une segmentation par typologie - Analyse Factorielle - Classification automatique du type classification mixte - Caractérisation statistique, Validation et Description - Modèle de réaffectation pour production récurrente 33

34 Business Analytic Score d octroi : les fondamentaux Maitriser la démarche de création d un score d octroi. Statisticiens, Chargés d études. Avoir des connaissances statistiques. NOUVEAU Introduction Le score, un outil d aide à la décision, ses applications dans le secteur bancaire Particularité du score d octroi : présentation du processus d octroi Définition de la problématique et préparation de la base d étude Choix du périmètre : période d observation, profondeur d historique, règles sur les refusées... Construction de la variable à expliquer, sélection des variables explicatives candidates Faut-il segmenter la population en amont de la modélisation? Echantillonnage : faut-il équilibrer l échantillon? Consolidation de la base d études Qualité des données : traitement des données manquantes, des valeurs extrêmes Analyse exploratoire : statistiques descriptives simples, indicateurs de liaison... Construction d indicateurs synthétiques Modélisation Référence : OCTROI Utilisation du score Construction de la grille du score, choix du seuil optimal (cut-off)... Particularité du score d octroi : la réintégration des refusés Comment utiliser le score dans le processus d octroi : quelle décision finale? Suivi du score Construction d un score marketing Maitriser la démarche de création d un score marketing. Statisticiens, chargés d études. Avoir des connaissances statistiques. Référence : STATSCORE Introduction Qu est-ce qu un score? Le score : outil prédictif et explicatif Problématique Evèneement à expliquer : variable cible Eligibilité Période d observation et de prédiction Datamart score Définiton e t objectif Les indicateurs Echantillonnage Apprentissage Validation Consolidation de la base d indicateurs Indicateurs quantitatifs Indicateurs qualitatifs Sélection des indicateurs liées à la cible Difficultés engendrées par la colinéarité Sélection des indicateurs quantitatifs Sélection des indicateurs qualitatifs Tett des effets croisés Dichotomisation des indicateurs discrétisés et qualitatifs Construction du modèle du score Définition d modèle logistique La procédure logistique Le bootstrap Validation et comparaison de modèles Application et suivi du modèle Communiquer/présenter le modèle La règle de décision Stabilité et suivi des performances 34

35 Construction d une segmentation marketing Comprendre comment la segmentation des clients est essentielle au marketin relationnel. Connaître les différentes approches basiques et élaborées conduisant à l élaboration d une segmentation opérationnelle d une base client. Connaitre et maitriser la démarche générique de construction d une segmentation avancée mariant des axes «marché ou offres» et des axes «comportements». Délimiter la portée et les limites des différentes approches. Ce stage s adresse à des statisticiens, chargés d études, dataminers évoluant dans un contexte marketing. Il est nécessaire d avoir des connaissances en analyse de données. Segmentation marketing : définitions, applications et approches Démarche générique de construction d une segmentation avancée La réflexion initiale L élaboration analytique et statistique Validité, Pertinence La mise en place et le suivi opérationnel Exemple de mise en oeuvre d une segmentation par typologie : interpréation des résultats Analyse factorielle Présentation des noeuds Modeler à utiliser Classification automatique du type classificiation mixte Caractérisation statistique, Validation et Description Modèles de réaffectation pour production récurrente Business Analytic Référence : STATSEG Techniques d Uplift Modelling en Scoring NOUVEAU Comprendre les avantages, inconvénients de la méthode de modélisation de la réponse incrémentale par rapport à une approche de score de réponse classique. Comprendre les prérequis nécessaires à sa mise en oeuvre dans l élaboration des campagnes marketing. Comprendre les principes méthodologiques de la méthode de modélisation visant à identifier les individus sensibles aux sollicitations commerciales. Savoir l appliquer avec SAS ou R. Chargés d études, data miners spécialistes en analyse de campagnes marketing et en scoring. Connaitre le logiciel SAS ou R et savoir réaliser un score d appétence ou d attribution. Principe de la méthode Le contexte d application marketing : ROI du marketing direct Point sur les populations témoins Limites des ciblages traditionnels par score de réponse, 4 populations à identifier. Principes de l approche de réponse incrémentale par rapport au score de réponse standard Modèle logistique incluant les témoins vs 2 modèles logistique Modèle de sous-groupes Illustration de l approche sur une campagne de upsell Mise en pratique sous SAS ou R Eléments de syntaxe SAS ou R pour mettre en oeuvre la modélisation uplift, dans SAS Miner node IRM. Exercice de modélisation d une réponse binaire (type score d appétence) par l approche uplift dans le but de proposer un ciblage optimisé. 1 jour Référence : MKT_UP 35

36 Business Analytic Risque de Crédit et Réglementation Bâloise Comprendre l environnement bancaire, le risque et les grands principes de Bâle II et Bâle III. Saisir en quoi cela impacte le travail d un chargé d étude statistique. Mieux appréhender le niveau d exigence et de rigueur nécessaire aux travaux bâlois. Chargés détudes Problématique générale de la gestion du risque La banque, un environnement risqué Typologie des risques Les accords Bâle Risque et réglementation Bâloise Historique de la règlementation bâloise Grands principes de Bâle II Des accords Bâle II aux Accords Bâle III Données nécessaires à la modélisation Paramétrage Qualité des données Historique des contrats Base des pertes et des défauts Référence : BALE Traitement prudentiel du risque de crédit Modélisation statistique des paramètres Bâlois : PD, LGD, EAD... Panoplie ds techniques de modélisation Validation, Backtesing, Stress Testing des modèles PD, LGD et EAD Bâle II- III : Backtesting NOUVEAU Comprendre le concept de backtesting. Se familiariser avec les applications du backtesting dans le cadre réglementaire Bâle III. Appréhender les méthodes de backtesting. Analyste Risque, Chargé d études Statistiques, Chef de projet MOA, Audit interne. Contexte Rappel des risques bancaires Rappel du cadre réglementaires Backtesting, un outil de pilotage Définition du backtesting Obligations règlementaires Validation permanente des outils de risque Paramètres Bâlois backtestés Probabilité de défaut (PD) Perte en cas de défaut (LGD) Exposition au moment du défaut (EAD) Méthodologie de backtesting Structure du périmètre backtesté Performance du modèle Efficacité de l estimateur Suivi des résultats du backtesting 1 jour Référence : BACKTESTING Conclusion 36

37 Gestion et Mesure de la Performance des Campagnes MD L objectif de la formation est de délivrer les pratiques et les standards utilisés dans les métiers de getionnaires de campagnes et de chargés d étude de retours MD. Plus généralement, nous introduirons le marketing direct par une mise en avant de son utilité dans la stratégie de contact de marketing relationnel, nous préciserons les règles d or de la gestion des campagnes et détaillerons les indicateurs standards de suivi de la performance. Ce stage s adresse à des praticiens souhaitant s initier et découvrir les métiers analytiques du MD. Un bagage statistique est requis. Le Marketing Direct La gestion de la relation client, la stratégie de contact Les composantes du MD : canaux, entrant/sortant Les solutions et outils décisionnels et analytiques La gestion des campagnes Définition d une campagne Règles de création d une campagne Base adressable Historisation des ciblages et des témoins Les retours «terrain» La mesure de la pression commerciale Mesure de la performance Le dispositif de mesure : cible, canaux, témoins, gels Les indicateurs de retours «terrain» : contacts argumentés, leads Les indicateurs standards : taux de retours bruts et nets, tests, incrémental Les indicateurs avancés : valeur et attrition, coûts, ROI Business Analytic 1 jour ou (si exercices) Référence : STATCMD Bonnes Pratiques Etudes L objectif est de mettre en avant des bonnes pratiques du métier de Chargé d études, en passant successivement en revue les différentes étapes : qualification du besoin, collecte des données, réalisation, présentation et accompagnement. Ce stage s adresse à des statisticiens, chargés d études, dataminers évoluant dans un service support à d autres fonctions de l entreprise: marketing, commerce, pilotage, stratégie, DAF, risques, direction générale. 1 jour Référence : STATBPE SAS Enterprise Miner Mener une étude, c est mener un projet Le métier des études : études «data» vs études marketing L informatique et les statistiques comme moyens Les différentes phases d un projet «étude» L initialisation La réfléxion initiale Le mode projet La réalisation Avoir à l esprit la finalité, le besoin Périmètre, Echantillon, Redressement Qualité des données : réflexes Des données aux indicateurs : normaliser, corriger, transformer, nettoyer s Validations Restitutions La présentation et l accompagnement Présenter ses résultats Et après? 37

38 Construction d une segmentation avec SPSS Modeler Connaître les différentes approches basiques et élaborées conduisant à l élaboration d une segmentation opérationnelle d une base client : approches «PMG», «RFM», arbres de décision, typologies, scores. Connaitre et maitriser la démarche générique de construction d une segmentation avancée dite comportementale embarquant des variables descripteurs d axes métiers. Connaitre et utiliser les nodes SPSS Modeler nécessaires à l élaboration d une telle approche. Point spécifique sur l intégration de traitement R dans SPSS Modeler 16 ou plus. Ce stage s adresse à des analystes et chargés d études ayant un bagage informatique et statistique minimal et connaissant déjà l utilisation de base de SPSS Modeler. Référence : SPSSSEG Installation de R et Démonstration de l utilisation des noeufs R transformer et modéliser dans un flux modeler Exemple de modélisation simple Exemple d analyse des correspondances multiples Segmentation marketing : définitions, applications et approches Démarche générique de construction d une segmentation avancée La réflexion initiale L élaboration analytique et statistique : méthodes métiers, RFM, FRAT, arbres de segmentation, typologies... Validité, Pertinence de la segmentation Les modèles de réaffectation et le suivi opérationnel Pratique de la segmentation sous SPSS Modeler Démarche de mise en oeuvre d une segmentation mixte sous Modeler Présentation des noeuds Modeler à utiliser Stratégies de sélection des variables en entrée : pertinence, indépendance descripteurs, descripteurs quantitatifs vs qualitatifs, réduction de matrice par ACM ou ACP Exemple de mise en oeuvre d une segmentation par typologie sur des données banque. Business Analytics Data Management avec SPSS Modeler Savoir utiliser l outil SPSS Modeler et connaître les bases des langages associés pour extraire, transformer, manipuler, analyser les données et produire des restitution. Analystes et chargés d études ayant un bagage informatique et statistique minimal. Référence : SPSSMODDM Démarrer avec SPSS Modeler Créer un flux de traitement Typologie des noeuds Les propriétés des variables Accès aux données Types, mesures, rôles Valeurs manquantes et éloignées Opérations sur les lignes Filtrer les individus Modifier la table Agréger Opérations sur les champs Ordre, sens et filtre Créer des variables Créer des variables optimisées pour la modélisation Data Mining (socre, segmentation) Analyses sur les champs Distribution de variables quantitatives et qualitatives Qualité des données Analyse bivariées de variables quantitatives / qualitatives Les langages de SPSS Modeler Expressions CLEM Fonctions Introduction au langage de script Exportation des résultats : SGBD, fichier, excel... 38

39 Business Analytics NOUVEAU Construction d un Score marketing avec SPSS Modeler Maîtriser la démarche de création d un score et sa mise en oeuvre avec SPSS Modeler Analystes et chargés d études ayant un bagage informatique et statistique minimal et connaissant déjà l utilisation de base de SPSS Modeler. Problèmatique Evènement à expliquer : variable cible Eligibilité Périodes d observation et de prédiction Datamart Score Echantillonage Apprentissage, validation Consolidation de la base d indicateurs Quantitatifs Qualitatifs Validation et comparaison de modèles Noeud Analyser Noeud Evaluer Scoring automatisé Noeud ADP préparation automatique Noeud Classificateur automatique Application et suivi du modèle Communiquer/présenter le modèle Règle de décision Stabilité et suivi des performances Sélection des indicateurs liées à la cible Prolèmes de colinéarité Noeud sélection de fonction Noeuds de transformation Référence : SPSSSCORE Construction du modèle de Score Définition du modèle logistique Le noeud Régression Logistique Data Management avec SPSS Statistics Savoir utiliser l outil SPSS Statistics et connaître le langage associé pour extraire, transformer, manipuler les données et produire des tableaux. Analystes et chargés d études ayant un bagage informatique et statistique minimal. Référence : SPSSDM Démarrer avec SPSS Statistics La logique tableur et les menus Les propriétés des variables Fonctionnalités Interactives Importation / Exportation des données Exploration des individus et des variables Transformation des données Tableaux croisés et pivotants Eléments et terminologie Créer des tableaux croisés complexes Syntaxe de l instruction CTABLES Exportation des tableaux, OMS Le langage SPSS Base Créer, sauvegarder, exécuter Instructions Importer Gérer les méta-données Manipulation des tables Création et manipulation des variables Le langage SPSS macro Créer, exécuter, déboguer Paramétrer Conditionner et automatiser 39

40 Big Data et Data Sciences Big Data, les fondamentaux Comprendre les concepts sous jacents aux technologies Big Data (map reduce, scalabilité ) Avoir une vision transverse des principaux logiciels du marché et open source Comprendre les composants de l écosystème Hadoop et leur lien avec l activité analytique et décisionnelle Connaître les positionnements et évolutions des logiciels analytiques sur les sujets en lien avec le Big Data Comprendre les compétences requises en data science Pas de prérequis particuliers. 1 jour Référence : BD_FOND Le Big Data : concepts Définitions, Applications dans différents secteurs Backgroung informatique : cluster, parallélisation Les concepts : HDFS, NoSQL, mapreduce, inmemory, appliance, indatabase Ecosystème Hadoop : introduction aux différents composants et notions de Hive Le Big Data : technologies et logiciels analytiques Panorama et positionnement des différentes solutions open source et éditeurs sur l anaytique Grid computing, Imnmemory, Indatabase et Inhadoop Focus sur R, SAS, SPSS, Dataiku Exemples de mise en oeuvre d un logiciel sur des données Hadoop Les Java Server Pages Impact méthodologique, nouvelles méthodes Analyses de réseaux (SNA) et de graphes, Analyse textuelle, Classifieur de machine learning, Modèle de recommandation Impact technique : nouveaux outils (Hadoop, Dataviz, Python..), nouveaux langages Impact métier : Valorisation des données, Actionnabilité des processus analytiques Traiter et analyser les données dans Hadoop NOUVEAU Comprendre les composants de l écosystèmes Hadoop et leur lien avec l activité datamining et décisionnelle. Comprendre l évolution des logiciels analytiques sur le Big Data. Avoir une première expérience sur le traitement des données «in Hadoop» Découvrir les possibilités offertes par les logiciels analytiques pour exécuter les traitements de manipulation et d analyse statistique et datamaning «In Hadoop» Cette formation s adresse à un public d analystes, data miners, chargés d études statistiques, directeurs d études. Des connaissances statistiques et informatiques sont préférables. Référence : HADPDM Le Big Data : introduction Définitions, applications Backgroung informatique : cluster, parallélisation Les concepts : HDFS, NoSQL, mapreduce, inmemory, appliance, indatabase Impact du Big Data sur le statiticien : nouvelles méthodes, nouveaux logiciels, focus Business Traiter les données dans Hadoop Ecosystème Hadoop : introduction aux différents composants Langage HIVE et Impala Introduction à PIG Exercices sur données HDFS avec Hive et Impala Quid de SPARK L analyse des données en environnements Big Data Analyse et modélisation inhadoop (mahout, mlib) Analyse et modélisation dans logiciel analytique Présentation des offres du marché Dataiku, SPSS, SAS In Memory, ASTERDATA... Des démonstrations seront réalisées sur certains logiciels 40

41 Big Data et Data Sciences SAS Visual Analytics : Administration et préparation des données Maîtriser l utilisation de l outil SAS Visual Analytics, afin d être en mesure de préparer et charger des données In Memory. Avoir des notions de base sur les bases des données et savoir écrire un filtre SQL. Introduction Historique SAS in Memory Présentation de SAS VA L interface SAS VA Administration Lancer/Arrêter les serveurs Gestion des tables Droits Contrôle des ressources 1 jour Référence : SASVADM Préparer les données SAS VA Data Builder Sélection des colonnes, colonnes calculées Filtres Jointures Transposition Importer des Informations Map Charger les données en mémoire Traitement et analyse des données dans Python NOUVEAU Savoir utiliser Python pour accèder, traiter, analyser des données Des statisticiens utilisant un langage de script comme R, qui ont déjà un pied dans l analyse de données. Des informaticiens maitrisant des langages de script et désirant s initier à l analyse de données. Les environnements de développement Python à but scientifique Les différentes distributions Anaconda Spyder et Ipython Notebook Gestion des librairies La programmation Le langage Python Les objets dans Python (dict, list, tupple; json,...) Les opérateurs et les boucles Création de fonctions La manipulation de données avec Scipy, Numpy et Pandas Scipy, Numpy et Pandas. Pourquoi Pandas? Accès aux données Manipulation de données avec panda (via les objets series et data.frame) Statistiques descriptives et graphiques Export des données Référence : PYTHDM 41

42 Big Data et Data Sciences SAS Visual Analytics : Exploration des données et création de rapports Maîtriser l utilisation de l outil SAS Visual Analytics, afin d être en mesure d explorer des données de type big data et de construire des rapports à partir de ces données Data Scientist, Chargé d étude, Créateur de rapports. Avoir suivi le cours Big Data - Fondamentaux ou avoir des connaissances générales sur le Big Data. Introduction Historique SAS In Memory Présentation de SAS VA L interface SAS VA Explorer les données SAS VA Explorer Sélectionner et paramétrer une visualisation Hiérarchies Export Créer des rapports SAS VA Designer Sections Objets Filtres, règles, alertes Interactions, liens Référence : SASVAVIZ Voir calendrier Consulter les rapports Création d interface de Data Viz avec R et Shiny NOUVEAU Savoir créer des applications de Data Visulazisation avec R et Shiny. Avoir suivi le cour «Accèder, manipuler et explorer des données avec R» ou avoir un niveau de connaissances équivalent. Introduction Présentation de Shiny Créer une application Shiny Lancer une application Créer une interface utilisateur Disposition des panneaux Entêtes Mise en forme du texte Insertion d images Insérer des objets de contrôles Sélections : boutons radio, cases à cocher, listes... Zones de saisies Calendriers Boutons Insérer avec les objets R Insérer des objets R dans l interface Liens avec les objets de contrôles Référence : R_SHINY Insertion de scripts R et chargement de données Optimisation Déploiement 42

43 Big Data et Data Sciences Qlikview Designer QlikView Designer est un cours d introduction à la représentation des données dans Qlikview. La structure du cours est un composé de démonstrations et d exercices pratiques sur de nombreux composants Qlikview. Les sujets ouverts dans ce cours incluents les fondamentaux des interfaces utilisateurs et les meilleures pratiques en matière de design. Qlikview Designer vous permet également, de découvrir comment créer une application QlikView et comment créer des objets tel que des feuilles, des listes déroulantes et des graphiques. Designer, Chef de projet, Développeur, Utilisateurs Finaux. Pas de prérequis. Référence : QLIKDS Dates : Brève Introduction de QlikTech et QlikView Interface et bonnes pratiques de design : que faut-il faire quand on développe une application? Comment utiliser l interface de QlikView? Qu est ce qu une feuille, une liste déroulante, un objet table? Comment peut-on créer ces objets, comment les utiliser en incluant des exemples tels que tri, import et export de données? Les objets graphiques : comment les créer et manipuler les onglets? Introduction aux objets multidimensionnels tel que les tableaux pivot, les tableaux simples avec des expressions multiples. Les jauges, boutons, récipients: à quoi correspondent-ils et comment les développer? Introduction d autres objets utiles tels que les objets glissière / calendriers. Les rapports QlikView : comment les créer et les gérer? La recherche associative Calculs avancés, utilisation du «set analysis» et des variables. Analyse comparative Alternate state Dimension limits Cette formation a lieu à Neuilly sur Seine. Qlikview Developer Le cours QlikView Developer présente la manière de développer des applications Qlikview. La structure du cours est composé de démonstrations et d exercices pratiques sur de nombreux composants QlikView. Apprendre le script, les bonnes pratiques, le chargement des données et comment déployer des applications QlikView. Ce cours couvre aussi la modélisation de données et des questions telles que l accès aux base de données. Développeurs, Designers et Utilisateurs avancés. Connaissance du langage SQL. 3 jours Référence : QLIKDV Dates : L environnement Qlikview. Introduction au chargement des données et au scripting : base de données relationnelles et autres structures de données, connexion à des sources de données via ODBC et aussi OLEBD. Introduction au langage de scripting de données et bonnes pratiques pour l utiliser, incluant l utilisation des fonctions temps et la création des variables. Vue d ensemble de la préparation de données nécessaires avant de démarrer le développement d une application QlikView, d un modèle de données et de compréhension de la visionneuse de données. Comment résoudre des anomalies dans la structure de données Les fichiers QVD QlikView : comment les créer et les utiliser Gérer le debbugger et les erreurs. Comment ajouter des données texte, et comment générer des données dans le script Mettre en relation des tables et rendre un modèle propre Comment charger des données provenant d un tableau croisé Le langage de script et comment agréger les données Optimisation des modèles de données et tuning des performances Comment créer des chargements incrémentaux? Vue d ensemble de la sécurité dans une application. Comment créer des commentaires et des tags, utilisation avancées de l éditeur de script Les bonnes pratiques de modélisation Cas pratique d un mini projet Qlikview Cette formation a lieu à Neuilly sur Seine. 43

44 Big Data et Data Sciences Machine learning avec R NOUVEAU La formation répond à plusieurs objectifs : Avoir une vision transverse des principaux algorithmes et méthodes d analyse prédictive supervisée. Savoir mettre en oeuvre les algorithmes dans R sur un problème de classification (apprentissage supervisé d une cible binaire) avec beaucoup de variables explicatives candidates. Cette formation s adresse à un public d analystes, data miners, chargés d études statistiques, directeurs d études. Des connaissances statistiques et informatiques sont préférables. Revue argumentée des Algorithmes de machine learning pour apprentissage supervisé et non supervisé Présentation critique des différentes solutions logiciels : Azure Machine Learning, Python, SAS Miner, SPSS Modeler, Dataiku,... Les méthodes Lien, comptabilité avec le Big Data Mise en pratique d algorithmes supervisés et non supervisés sur R Revue des packages nécessaires Exercice de mise en oeuvre d un modèle de «classification» d une cible binaire à partir d un grand nombre de variables Mise en oeuvre d au moins 3 techniques parmi KNN, régression pénalisée, random forest, boosting, réseaux bayésiens, réseaux de neurones Métriques d Evaluation et comparaison de modèles La mise en pratique peut aussi être réalisée avec Azure ML, SAS Enterprise Miner, SAS In Memory Statistics (IMS), Python Scikit-Learnn, SPSS Modeler, Dataiku 1 jour Référence : R_ML NOUVEAU Data Mining et Machine learning avec SPSS Modeler La formation répond à plusieurs objectifs : Avoir une vision transverse des principaux algorithmes et méthodes d analyse prédictive supervisée. Savoir mettre en oeuvre les algorithmes SPSS Modeler sur un problème de classification (apprentissage supervisé d une cible binaire) avec beaucoup de variables explicatives candidates. Cette formation s adresse à un public d analystes, data miners, chargés d études statistiques, directeurs d études. Des connaissances statistiques et informatiques sont préférables. Revue argumentée des Algorithmes de machine learning pour apprentissage supervisé et non supervisé Présentation critique des différentes solutions logiciels : Azure Machine Learning, Python, SAS Miner, SPSS Modeler, Dataiku,... Les méthodes Knn, SVM, Réseaux de neurones, réseau bayésien naif, régression robuste, boosting, random forest Mise en pratique d algorithmes supervisés avec SPSS Modeler Exercice de mise en oeuvre d un modèle de «classification» d une cible binaire à partir d un grand nombre de variables Mise en oeuvre d au moins 3 techniques parmi KNN, ensemble, boosting, réseaux bayésiens, réseaux de neurones Métriques d Evaluation et comparaison de modèles Référence : SPSSML 44

45 Big Data et Data Sciences NOUVEAU Machine learning et Recommandations avec SAS In Memory Statistics La formation répond à plusieurs objectifs : Avoir une vision transverse des principaux algorithmes et méthodes d analyse prédictive supervisée. Savoir mettre en oeuvre les algorithmes dans SAS In Memory Statistics sur un problème de classification (apprentissage supervise d une cible binaire) avec beaucoup de variables explicatives candidates. Cette formation s adresse à un public d analystes, data miners, chargés d études statistiques, directeurs d études. Des connaissances statistiques et informatiques sont préférables. Revue argumentée des Algorithmes de machine learning pour apprentissage supervisé et non supervisé Présentation critique des différentes solutions logiciels : Azure Machine Learning, Python, SAS Miner, SPSS Modeler, Dataiku,... Les méthodes Lien, comptabilité avec le Big Data Présentation du logiciel SAS In Memory Statistics Le serveur SAS LASR Eléments de syntaxe sur la manipulation des données en mémoire Proc IMSTAT Proc Recommend Mise en pratique d algorithmes supervisés et non supervisés sur SAS In Memory Exercice de mise en oeuvre d un modèle de «classification» d une cible binaire à partir d un grand nombre de variables Exercice de mise en oeuvre d un modèle de «recommandation» à partir d un grand nombre de produit Référence : SASIMSML Machine learning avec Python Scikit Learn NOUVEAU La formation répond à plusieurs objectifs : Avoir une vision transverse des principaux algorithmes et méthodes d analyse prédictive supervisée. Savoir mettre en oeuvre les algorithmes dans Scikit-Learn sur un problème de classification (apprentissage supervise d une cible binaire) avec beaucoup de variables explicatives candidates. Cette formation s adresse à un public d analystes, data miners, chargés d études statistiques, directeurs d études. Des conaissances statistiques et informatiques sont préférables. Une connaissance de l environnement Python est préférable. Revue argumentée des Algorithmes de machine learning pour apprentissage supervisé et non supervisé Présentation critique des différentes solutions logiciels : Azure Machine Learning, Python, SAS Miner, SPSS Modeler, Dataiku,... Les méthodes Lien, comptabilité avec le Big Data Mise en pratique d algorithmes supervisés et non supervisés sur Python Revue de packages nécessaires Exercice de mise en oeuvre d un modèle de «classification» d une cible binaire à partir d un grand nombre de variables Mise en oeuvre d au moins 3 techniques parmi KNN, régression pénalisée, random forest, boosting, réseaux bayésiens, réseaux de neurones.. Métriques d évaluation et comparaison de modèles 1 jour Référence : PYTHML 45

46 Big Data et Data Sciences Savoir faire et pratique du Test Mining avec SAS Enterprise Miner NOUVEAU Avoir la méthodologie d étude à mettre en oeuvre pour étudier les données textuelles. Savoir utiliser le logiciel SAS Text MINER. Comprendre les fondements théoriques des méthodes utilisés par SAS. Savoir appliquer le logiciel SAS sur des données réelles à travers deux études de cas : l une portant sur des tweets en français, l autre portant sur des données en anglais mélangeant des variables exolicatives et une variable cible. Chargé d études statistiques. Une connaissance de SAS Enterprise Miner est préférable. Référence : SASTM Comment et pourquoi tuliser le text mining? Définitions, Applications Benchmark Logiciels, Retours d expérience, Méthodologie Introduction au traitement automatique du langage : Analyse lexicale, Analyse syntaxique, Analyse Sémantique Présentation de l outil SAS Text Miner Le parsing Utilisation des nodes Dictionnaires (synonymes, stops, groupes, orthographe...) Pondérations (tf-idf,...) Edition interactive et exploration» Catégorisation du texte (découverte de thématiques) Fondamentaux : analyse sémantique latente, classification floue Recherche de clusters Recherche de topics Classement/Scoring de nouveaux documents Node MBR «Scoring par règles» Exercice 1 : le TM appliqué à des tweets pour comprendre le ressenti client Exercice 2 : Intégrer les données textuelles dans un score Savoir faire et Pratique du Text Mining avec SPSS Modeler NOUVEAU Acquérir la méthodologie d étude à mettre en oeuvre pour étudier les données textuelles. Comprendre les fondamentaux théoriques des méthodes utilisées par SPSS. Savoir utiliser SPSS Modeler sur des données réelles à travers une étude de cas portant sur des tweets. Cette formation s adresse à un public d analystes chargés d études statistiques, une connaissance minimale de SPSS Modeler est préférable. Comment et pourquoi utiliser le text mining? Définitions, Applications Benchmark Logiciels, Retours d expérience, Méthodologie Introduction au traitement automatique du langage : Analyse lexicale, Analyse syntaxique, Analyse Sémantique Présentation de l outil SPSS Modeler Text Analytics Le processus d extraction et les ressources linguistiques L édition interactive Gestion des ressources linguistiques : dictionnaires, entités, termes à inclure, termes à exclure, synonymes, regroupement sémantique (ontologie), syntagmes Editions de cartes de coocurrence, Navigation dans les verbatims Les règles TLA : définition de règles reliant les concepts pour capturer des idées Catégorisation du texte Catégorisation automatique vs catégorisation manuelle Visualisation de cartes de sentiment Référence : SPSSTM Exercice : le TM appliqué à des tweets pour comprendre le ressenti client Exercice : Intégrer les données textuelles dans un score 46

47 Big Data et Data Sciences Savoir faire et pratique du Text Mining avec R NOUVEAU Avoir la méthodologie d étude à mettre en oeuvre pour étudier les données textuelles. avec R. Savoir utiliser les packages R de traitement d analyse de données textuelles. Comprendre les possibilités de R en termes d analyse statistique et linguistique. Comprendre les méthodes de traitement statistique de matrice creuse et de découverte de thématiques Savoir appliquer le logiciel R sur des données réelles à travers deux études de cas. Etude sur des données en anglais mélangeant des variables explicatives et une variable cible. Cette formation s adresse à un public d analystes chargés d études statistiques connaissant la programmation R. Référence : R_TM Comment et pourquoi utiliser le text mining? Définitions, Applications, Benchmark Logiciels, Retours d expérience, Méthodologie Introduction au traitement automatique du langage : Analyse lexcale, Analyse syntaxique, Analyse Sémantique Présentation des packages R Environnement R, les packages de scrapping, les packages de traitement du texte, les packages d analyse latente, les packages de représentation Eléments de traitement automatique du langage naturel Analyse lexicale : tokenization, stop, synonymes, tagging Lemmatisation, tagging, Syntagmes Pondérations tf-idf, approche «sac» Analyse latente (réduction de matrices, découvertes de thèmes) Exercices de découverte de thématique sur des tweets Exercices de création d un score avec des données textuelles 47

48 Etudes Cliniques Etudes Cliniques- Essais cliniques Gestion des données Langage SAS de base 3 jours, page 7 Data Management des Essais Cliniques avec SAS, page 50 Génération de Patient Profile 1 jour, page 51 Structuration des données selon le SDS 1 jour, page 49 Création d un CRF électronique 4 jours, page 50 Implémentation de l ODM dans SAS, page 51 Biostatisticien Langage SAS de base 3 jours, page 7 Randomisation 1 jour, page 56 Analyse de variance, page 53 Analyse de données avec SAS STAT, page 27 Analyse des données censurées, page 54 Modèles à effets aléatoires, page 54 Régression logistique, page 53 Analyse des données catégorielles, page 55 Données censurées : fonctions avancées, page 55 Régression PLS 1 jour, page 28 48

49 Etudes Cliniques Règlementation des essais cliniques NOUVEAU Acquérir la maîtrise des textes réglementaires et des lignes directives régissant et orientant les Etudes Cliniques. Le cours s adresse à toute personne travaillant dans le domaine de la Rechercher Clinique en particulier en data management et en biostatistique. Pas de prérequis particulier. Panorama historique Les différents types d études Les acteurs de la recherche clinique Les différentes étapes d une étude clinique Préparation de l étude Suivi de l étude Fin de l étude Lesbonnes pratiques Cliniques ICH E6 Les bonnes pratiques cliniques françaises La CNIL Loi informatique et Libertés Méthodologie de référencement Les Bonnes Pratiques en Data Management 1 jour Référence : TXTRGL Les Bonnes Pratiques en Epidémiologie Les lignes directives pour la biostatistique La validation des systèmes informatisés Structuration des données selon les recommandations du SDS Connaître les standards SDS préconisés par le CDISC pour structurer, organiser et formater les données cliniques, afin de pouvoir les traiter de façon uniforme, indépendamment des domaines thérapeutiques. Ce stage s adresse à des Data Manager et Biostatisticiens ayant une expérience du traitement des études cliniques. Présentation générale Caractéristiques du SDS : classes, domaines, format, typologie des variables Règles d utilisation Application pratique (travaux dirigés) Exemple de structuration à partir d un cas réel d étude Analyse sémantique Translation de l étude au format SDS Exemple d intégration dans un fichier XML-ODM (Operational Data Model) 1 jour Référence : CLSDS Dates : voir calendrier 49

50 Etudes Cliniques Création d un CRF électronique à l aide d un outil de paramétrage Cette formation a pour but de réaliser un cahier d observation électronique (e-crf). Lincoln fournit au stagiaire un outil de création d e-crf qui lui permettra de réaliser de manière autonome un e-crf dans tous ses aspects. Des exercices concrets permettront de mettre en lumière les difficultés et les précautions nécessaires à prendre lors de la création d un e-crf. Cette formation s adresse à des Chefs de projet clinique, Data Manager, ARC. Le public visé correspond à tout professionnel de la recherche clinique qui souhaite mettre en oeuvre concrètement un e-crf. 4 jours Référence : CLECRF Voir calendrier Accès à l outil Lancement de l application e-builder Groupe d étude Profils Paramètrage de l e-crf: structuration des données Création des métadonnées d une étude Mise à jour par importation Paramètrage de l e-crf: composition des formulaires Définition des aspects visuels Construction des formulaires Paramétrage des contrôles des données Mise en oeuvre d un plan de qualification du paramétrage Vérification de l intégrité des données conformément aux reommandations du 21 CFR Part 11 Qualification des contrôles des données Création de «preuves» archivées à des fins d audit Déploiement : Mise à disposition de la solution auprès des utilisateurs Data Management des Essais Cliniques Le Data Management d une étude clinique est l élément pivot entre le terrain et les résultats. Cette étape primordiale conditionne la qualité de l étude et se doit d être menée avec rigueur et méthode. Cette formation s adresse aux personnes directement chargées de la gestion des données de l étude et qui souhaitent connaître la méthodologie du Data Management ou améliorer la qualité de leur démarche. Les stagiaires auront de préférence quelques notions de SAS. Ce cours s adresse à des Data Managers débutants. La place du Data Management dans le traitement d une étude Les contrôles de cohérence Création et formalisation du cahier des charges Choix des traitements à réaliser Spécification des contrôles Rédaction Les demandes de corrections Formulation Traitement et suivi Application pratique : mise en œuvre du Data Management avec le Système SAS Structure des bases de données Statistiques descriptives et croisement de variables Dispersion des données, détection des valeurs aberrantes Référence : CLDM 50

51 Etudes Cliniques Implémentation de l ODM dans SAS Parmi les standards proposés par le CDISC, l ODM (Operationnal Data Model) contient la description des données des études cliniques (métadonnées), mais également les données cliniques de chaque patient. La formation a pour but de montrer comment les données de l ODM peuvent être intégrées sous SAS, et comment l ODM peut être utilisé concrètement pour la création d un cahier d observation électronique. Connaître le langage SAS de base, le macrolangage SAS. Ce stage s adresse à des Data Managers et Biostatisticiens ayant une expérience du traitement des études cliniques. Description de l ODM Introduction au langage XML Réalisation d un ODM à partir d une base SAS Intégration de l ODM sous SAS (proc CDISC) Utilisation de l ODM pour réaliser un cahier d observation électronique Réalisation d un cahier d observation électronique à l aide d un jeu de données (les stagiaires peuvent venir avec leur propre jeu de données s ils le souhaitent) Référence : CLODMSAS Dates : voir calendrier Génération de Patient Profile Les «Patient Profile» présentent sous une forme résumée et attrayante les données pertinentes des patients participant à une étude clinique. Ils sont ensuite évalués par des départements médicaux ou des comités de revue. Cette formation propose d apprendre à générer à partir de tables SAS des «Patient Profile» au format HTML puis à les convertir en documents Word. Les participants devront avoir suivi le cours «Langage SAS de base» ou avoir un niveau de connaissance équivalent et connaître le logiciel Word. Il n est pas nécessaire de connaître le langage HTML. La formation s adresse à des Biostatisticiens et des Data Managers. Présentation du langage HTML Généralités Utilisation d un générateur HTML Ecriture des balises HTML à partir de tables SAS Principe de mise en oeuvre Mise en forme : couleur, tableau, police de caractère, images Génération de documents Word Exemple concret : génération d un patient profile, une deuxième journée de formation peut permettre d appliquer cette technique à une étude spécifique du laboratoire. 1 jour Référence : CLPATPRF 51

52 Etudes Cliniques Mise en oeuvre d un essai clinique en ligne Le but de cette formation sera d une part d expliquer les préalables obligatoires à la mise en place d un essai sur Internet et d autre part de manipuler un cahier d observation électronique. Cette formation s adresse à des Informaticiens, Chefs de projet Clinique, Attachés de Recherche Clinique, Data Managers. Aucun prérequis n est nécessaire pour cette formation. Référence : CLECINT Les préalables obligatoires Les directives ICH et FDA Quelles procédures suivre? Démarches associées (CNIL) Quelle solution technique adopter? Le cahier des charges de l application Mise en place d un essai : les précautions à prendre Hébergement et sécurisation Les indicateurs de performance Retour d expérience : exemples concrets de gestion de projets Manipulation d un cahier d observations électronique Principe de la solution : menus, formulaires Entrées des données : inclusion et mise à jour des patients Contrôle des données On Line Randomisation Tableaux de suivi Gestion des évènements graves Intégration du monitoring dans le cahier d observation électronique Intégration du data management dans le cahier d observation électronique Gestion de l essai, indicateurs de perfomance Masques de saisie SAS avec proc fsedit Acquérir la maîtrise de la procédure FSEDIT et du langage SCL, afin d être en mesure de créer des masques de saisie contrôlés. Data Managers. Avoir une bonne maîtrise du langage SAS de base Introduction Rappel sur les catalogues Le masque de saisie : screen Syntaxe de la procédure fsedit Paramétrage du screen Mise en forme Attributs des champs de saisie Le programme Programmation SCL: contrôles et aide à la saisie Structure du programme: étiquettes Contrôles, codes retour, messages Les instructions d action sur les champs Les fonctions d action ou de test sur les champs Les fonctions de manipulation de tables SAS Les listes SCL et leur utilisation Référence : CLFSEDIT Option : menus déroulants Les commandes spécifiques Prodédure pmenu 52

53 Etudes Cliniques Analyse de variance et modèle linéaire L analyse de variance est l une des méthodes de base de l analyse statistique utilisée pour évaluer l influence des facteurs explicatifs sur une variable réponse quantitative. Ce stage vous permettra de connaître cette méthode et sa mise en oeuvre avec SAS. Avoir suivi le cours «Langage SAS de base» ou avoir des connaissances équivalentes et avoir des notions de base en statistique. Introduction à l analyse de variance Analyse de variance à un facteur Analyse de variance à deux facteurs Mise en oeuvre de la procédure GLM de SAS Syntaxe Somme de carrés Analyse de variance multivariée Modèle Hypothèse de validité du modèle Tests des paramètres Instruction MANOVA Analyse de covariance Modèles et définition des LSMEANS L instruction LSMEANS de SAS Référence : CLANAV Dates : voir calendrier Régression logistique avec SAS Si la régression linéaire est la méthode privilégiée pour explorer les relations entre une série de variables explicatives et une variable quantitative, la régression logistique est utilisée pour expliquer les relations avec une variable binaire ou multinomiale. Cette formation vous permettra de maîtriser la régression logistique et sa mise en oeuvre avec SAS. Avoir pratiqué le langage SAS et avoir des connaissances théoriques de base sur la régression linaire. Pourquoi et comment utiliser le modèle logistique? Les paramètres du modèle de régression logistique Estimation des paramètres Interprétation des paramètres Tests sur les paramètres Tests d adéquation du modèle La déviance Le critère d hosmer et Lemeshow Les tests de concordance La matrice de confusion Les courbes de Roc et de lift Codage des variables explicatives Interprétation des variables dichotomisées dans un modèle logistique Autres méthodes de recodage des variables qualitatives nominales Prise en compte des interactions Référence : CLLOGIS Variable multinomiale Comparaison avec la régression linénaire Mise en pratique avec SAS 53

54 Etudes Cliniques Biostatistiques Modèles à effets aléatoires Les modèles a effets aléatoires généralisent les techniques classiques d analyse de variance. Ils s appliquent notamment à l analyse d effets centre et dans le cadre des mesures répétées. Cette formation vous permettra de vous familiariser avec ces modèles et de les mettre en oeuvre avec la procédure MIXED de SAS. Connaître le langage SAS et avoir suivi la formation «Analyse de variance et modèle linéaire» ou maîtriser les techniques d analyse de variance Introduction Définitions Quand utiliser un modèle mixte? Théorie des modèles mixtes Rappels sur le modèle linéaire général Le modèle linéaire mixte Le modèle linéaire mixte sous SAS Modèles mixtes et Analyse de variance Les modèles à effets aléatoires dans le cade des mesures répétées Modélisation de la réponse moyenne Modélisation des corrélations Choix du meilleur modèle Données manquantes Référence : CLMODAL Voir calendrier Analyse de données censurées Les méthodes d analyse des données censurées s appliquent dans tous les cas où l on s intéresse au délai de survenue d un évènement avec potentiellement des individus pour qui cet évènement n est pas observé. Cette formation vous permettra de connaître ces méthodes d analyse et de les mettre en oeuvre avec SAS. Connaître le langage SAS de base et avoir des connaissances théoriques en statistiques. Aucune connaissance en analyse des données censurées n est nécessaire pour ce cours de base. Introduction à l analyse des données censurées Définitions La fonction de survie Les méthodes non paramétriques Méthodes Tests La Procédure LIFETEST de SAS Les méthodes paramétriques Le modèle exponentiel Le modèle de Weibull Les autres modèles Comment choisir le modèle? Les méthodes d ajustement la procédure LIFEREG de SAS Référence : CLSUR 54

55 Etudes Cliniques Analyse de données censurées : fonctions avancées Cette formation vous permettra d approfondir vos connaissances sur les méthodes d analyse des données censurées et leur mise enoeuvre sous SAS. Connaître le langage SAS et avoir suivi la formation «Analyse des données censurées» ou avoir des connaissances équivalentes. Le modèle de Cox et ses hypothèses La procédure PHREG sous SAS Adéquation des modèles de survie Que sont les risques compétitifs? Référence : CLSURAV Analyse de données catégorielles Cette formation vous permettra d exploiter et de maîtriser le contenu de la procédure CATMOD de SAS avec l objectif de modéliser la relation entre une variable à expliquer catégorielle, à 2 modalités ou plus, nominale ou ordinale, et un ensemble de variables explicatives qualitatives. Avoir pratiqué le langage SAS de base et avoir des connaissances théoriques de base sur la régression linéaire. Avoir suivi la formation «Régression logistique» ou avoir des connaissances équivalentes. Choix du modèle en fonction de l objectif de l analyse et de la nature de la variable à expliquer. Gestion des interactions Construction des intervalles de confiance Syntaxe générale de la procédure CATMOD Interprétation des sorties SAS Référence : CLANACAT 55

56 Etudes Cliniques Biostatistiques Randomisation d un essai clinique et calculs de nombres de sujets Maîtriser les méthodes de randomisation et savoir les mettre en œuvre avec le système SAS. Connaître les principales méthodes de calcul de nombres de sujets pour des essais de supériorité ou d équivalence (critères quantitatifs et qualitatifs, données censurées ) et savoir les mettre en œuvre avec le système SAS. Cette formation s adresse aux biostatisticiens ou chefs de projet statistique chargés de réaliser la randomisation ou d établir le nombre de sujets nécessaires d un essai clinique. Les stagiaires devront avoir suivi le cours «Langage SAS de base» ou avoir un niveau de connaissance équivalent. La randomisation (0,5 jour) Introduction Quand randomiser? Les différentes techniques Levée de l aveugle Les calculs de nombres de sujets (0,5 jour) Essai de différence ou de supériorité Essai d équivalence ou de non infériorité Essais non comparatifs Conclusion Ces 2 cours peuvent être suivis indépendamment sur une demi-journée. 0,5 à 1 jour Référence : CLRAN Introduction aux méthodes utilisées en épidémiologie Cette formation est une introduction aux études épidémiologiques ; elle vous permettra de mieux connaître les différents schémas d étude à mettre en place suivant la (les) question(s) posée(s) ainsi que les principales méthodes d analyse à utiliser. Avoir des connaissances théoriques statistiques. Pour quelques exercices proposés il est préférable de connaître SAS (Langage de base et principales procédures de base). Cette formation s adresse à des biostatisticiens ou chefs de projet statistique. Présentation des principaux schémas d étude et de leurs biais potentiels Présentation des méthodes d analyse selon chaque type d étude Etude de cohorte Etude cas-témoin Etude transversale Mise en place d une étude épidémiologique (rédaction de protocole) Référence : CLEPID 56

57 Autres stages AUTRES Autres stages Système SAS Cartographie avec SAS/Graph : 1 jour Développement d applications SAS/AF fonctions avancées : Statistiques et Data Mining Les modèles explicatifs : 3 jours Les modèles explicatifs, fonctions avancées : 3 jours Développement HTLM et Javascript : 3 jours Programmation JAVA : 4 jours JSP SERVELTS : Inscription 57

58 Fiche d inscription Fiche à retourner à : Inscription LINCOLN Département Formation 4, rue Danjou Boulogne-Billancourt Cedex Fax : [email protected] Vous pouvez également vous inscrire sur notre site Internet : Nom du responsable :... Nom du participant :... Téléphone :... Fax : Société :... Adresse : Adresse de facturation (si différente) : Intitulé du cours Code du cours Date Prix Signature et cachet Total HT Total TTC (TVA 20 %) Le client déclare avoir pris connaissance des conditions générales des formations LINCOLN. 58

59 Informations pratiques Modalités Les stages les plus courants vous sont proposés sous forme de sessions inter-entreprises à dates régulières, auxquelles vous pouvez vous inscrire individuellement. Ces stages ainsi que tous les autres stages du catalogue peuvent être organisés en formations intra-entreprise à la période de votre choix, dans nos locaux ou sur votre site, ce qui permet notamment de prendre en compte votre environnement spécifique. Nous vous proposons également de bâtir des cours sur mesure selon les besoins et le niveau des stagiaires, et en fonction des thèmes qui vous intéressent. Des exercices pratiques portant sur vos données et répondant à vos demandes particulières peuvent être facilement préparés. Le calendrier des stages inter-entreprises est régulièrement mis à jour sur notre site Lieu des stages Les sessions inter-entreprises ont lieu dans les locaux de LINCOLN dont l accès se situe au : 4 rue Barthélémy Danjou (entrée par le 12) Bâtiment B Boulogne-Billancourt Métro Ligne 9, Marcel Sembat, sortie rue Danjou Les sessions intra-entreprise peuvent avoir lieu sur le site de LINCOLN ou dans vos locaux. Lorsque les formations ont lieu sur le site de LINCOLN, le déjeuner est compris dans le prix du stage. Horaires Les horaires habituels de formation sont 9h00-12h30 / 13h30-17h00. Ils peuvent être adaptés en intra-entreprise en fonction des contraintes des stagiaires et en inter-entreprises en accord entre le formateur et les stagiaires. Contact Claire Chavaneau Département Formation LINCOLN 4, rue Danjou Boulogne-Billancourt Cedex Tél. : Fax : [email protected] 59

60 Inscription Les inscriptions sont acceptées dans la limite des places disponibles. L inscription doit faire l objet d un bon de commande émis et validé par la société cliente précisant le nom du (ou des) participant(s), le titre et la date du cours, le prix, le numéro de commande, le nom et l adresse de l organisme à facturer. Convention et facture La facture est envoyée en fin de mois avec la convention de stage, la feuille de présence et la fiche d évaluation. Les attestations de présence sont fournies sur demande. La convention peut être établie préalablement à la formation. Dans ce cas le bon de commande n est pas nécessaire. Règlement Conditions générales Le règlement des factures peut s effectuer par chèque à l ordre de Lincoln ou par virement bancaire : Lincoln Banque CIC Boulogne-Billancourt Etablissement Code Guichet Compte Clé 27 La facture est payable à réception, net et sans escompte. Annulation L annulation d une inscription est acceptée sans frais si elle survient au moins 15 jours avant la date de la formation. En cas d annulation survenant entre 8 et 15 jours avant le début du stage, une indemnité compensatrice égale à 30% de la valeur facturée sera due. En cas d annulation moins de 8 jours avant le début du stage, une indemnité compensatrice égale à 50% de la valeur facturée sera due. En cas d annulation le jour même de début de stage, la totalité du montant sera due. Tarifs Le prix hors taxe du stage inter-entreprises par participant est indiqué sur le calendrier joint au catalogue. Il comprend l animation pédagogique, la mise à disposition des locaux et du matériel, le support de cours et le déjeuner du stagiaire. Les conditions financières des stages intra-entreprise sont établies en fonction des spécificités de la demande. Lincoln fournit une proposition commerciale détaillée pour toute demande particulière. Attribution des compétences Tout différend qui ne pourrait être réglé à l amiable sera de la compétence du Tribunal de Commerce de Nanterre, appliquant la loi française. N d Agrément Formation :

61 Esprit de service, Exigence technologique 4, rue Danjou Boulogne-Billancourt Cedex Tél : Fax : [email protected] 61