Objectifs et enjeux de la qualité des données

• Types d’anomalies (erreurs de saisies, fautes d’orthographe, erreurs intentionnelles, défaillance du système, etc.)
• Différents types de risques et d’impacts financiers

Bonnes pratiques et organisation des données

• Comment mieux organiser les fichiers
• Comment organiser les données
• Types de fichiers et de données

Principes de traitements d’anomalies

• Comment explorer les données pour détecter les valeurs aberrantes
• Comment traiter les anomalies des variables
  •  numériques
  • catégoriques
  •  textuelles
    • Identifier des clients doublons
    • Identifier les anomalies des adresses (un petit exemple)
    • Incohérences par rapport aux clauses des contrats
• Calculer un score de vraisemblance

Techniques de data science mises en oeuvre

• Découvrir comment les techniques de data science permettent de contrôler la qualité des données
  • Webscraping
  • Text-mining
  • Machine learning
  • Analyse des séries temporelles
• Comment les méthodes clustering permettent de détecter des valeurs aberrantes
• Comment les méthodes de classifications permettent de calculer un score de qualité

Cas d’application

• Vérification textuelle (noms clients, adresses, clauses contrats, et autres saisies manuelles de textes)
• Incohérence de catégories
• Règles de calculs déterministes
• Règles multi-critères
• Segmentation des indicateurs multiples