COURS D’ANALYSE DE DONNEES AVEC MICROSOFT POWER BI

Ce cours couvre les différentes méthodes et bonnes pratiques qui sont conformes aux
exigences commerciales et techniques pour la modélisation, la visualisation et l’analyse des
données avec Power BI. Le cours montrera comment accéder et traiter des données à partir
d’une gamme de sources de données, y compris des sources relationnelles et non
relationnelles. Enfin, ce cours abordera également la gestion et le déploiement de rapports et
de tableaux de bord pour le partage et la distribution de contenu.

Ce cours s’adresse aux professionnels des données et de l’informatique décisionnelle qui

souhaitent apprendre à effectuer avec précision des analyses de données à l’aide de Power
BI ; mais également aux personnes qui développent des rapports qui visualisent les données
des technologies de plateforme de données qui existent à la fois dans le cloud et sur site.

En tant qu’analyste de données Power BI, vous travaillez en étroite collaboration avec les
parties prenantes de l’entreprise pour identifier les besoins de l’entreprise. Vous collaborez
avec des ingénieurs analytiques et des ingénieurs de données pour identifier et acquérir des
données.

Ce cours s’articule autour de cinq modules qui comportent chacun plusieurs leçons
1. Prise en main de l’analytique de données Microsoft
2. Préparer les données
3. Modéliser les données
4. Visualiser et analyser les données
5. Gérer et sécuriser Power BI
 MODULE 1 : PRISE EN MAIN DE L’ANALYTIQUE DE
DONNÉES MICROSOFT

LEÇON 1 : Introduction

En tant qu’analyste de données, vous êtes en voyage. Pensez à toutes les données
générées chaque jour et disponibles dans une organisation, qu’il s’agisse des données
transactionnelles dans une base de données traditionnelle, des données de télémétrie des
services que vous utilisez ou des signaux que vous obtenez de différents domaines comme les
médias sociaux.

Par exemple, les entreprises de vente au détail d’aujourd’hui collectent et stockent

d’énormes quantités de données qui suivent les articles que vous avez consultés et achetés,
les pages que vous avez visitées sur leur site, les allées dans lesquelles vous achetez des
produits, vos habitudes de consommation, et bien plus encore.

Les données et les informations étant l’actif le plus stratégique d’une entreprise, le
défi sous-jacent auquel les organisations sont confrontées aujourd’hui est de comprendre et
d’utiliser leurs données pour apporter des changements positifs au sein de l’entreprise. Les
entreprises continuent d’avoir du mal à utiliser leurs données de manière significative et
productive, ce qui a un impact sur leur capacité d’action.

Une entreprise de vente au détail doit être en mesure d’utiliser ses grandes quantités
de données et d’informations d’une manière qui a un impact sur l’entreprise, notamment :
 Suivi des stocks
 Identifier les habitudes d’achat
 Détection des tendances et des modèles d’utilisateurs
 Recommandation d’achats
 Déterminer les optimisations de prix
 Identifier et arrêter la fraude

De plus, vous pourriez être à la recherche de modèles de vente quotidiens/mensuels.

Les segments de données courants que vous pouvez examiner sont les suivants : jour après
jour, semaine après semaine et mois après mois, afin de pouvoir comparer l’évolution des
ventes par rapport à la même semaine l’année dernière, par exemple.
 La clé pour débloquer ces données est de pouvoir raconter une histoire avec elles.
Dans le monde des affaires d’aujourd’hui, où la concurrence et l’évolution rapide évoluent
aujourd’hui, c’est la rédaction de rapports qui racontent cette histoire qui aide les chefs
d’entreprise à agir sur les données. Les décideurs d’entreprise s’appuient sur une histoire
précise pour prendre de meilleures décisions commerciales.

Plus une entreprise peut prendre des décisions précises rapidement, plus elle sera
compétitive et plus elle aura davantage. Sans l’histoire, il est difficile de comprendre ce que
les données essaient de vous dire.

Cependant, il ne suffit pas de disposer de données seules. Vous devez être en mesure
d’agir sur les données pour apporter des changements au sein de l’entreprise. Cette action
peut impliquer de réaffecter des ressources au sein de l’entreprise pour répondre à un besoin,
ou d’identifier une campagne défaillante et de savoir quand changer de cap. C’est dans ces
situations qu’il est important de raconter une histoire avec vos données.

Le défi sous-jacent auquel les entreprises sont confrontées aujourd’hui est de

comprendre et d’utiliser leurs données d’une manière qui a un impact sur leur activité et, en
fin de compte, sur leurs résultats. Vous devez être en mesure d’examiner les données et de
faciliter les décisions commerciales fiables. Ensuite, vous devez être en mesure d’examiner
les indicateurs et de comprendre clairement la signification de ces indicateurs.

Cette exigence peut sembler intimidante, mais c’est une tâche que vous pouvez
accomplir. Votre première étape consiste à vous associer à des experts en données au
sein de votre organisation, tels que des ingénieurs et des scientifiques des données, pour
vous aider à obtenir les données dont vous avez besoin pour raconter cette histoire.
Demandez à ces experts de participer à ce parcours de données avec vous.

Votre parcours de narration d’une histoire avec les données est également lié à la
création de cette culture des données au sein de votre organisation. S’il est important de
raconter l’histoire, l’endroit où elle est racontée l’est également, il est également crucial de
s’assurer qu’elle est racontée aux bonnes personnes. Assurez-vous également que les gens
peuvent découvrir l’histoire, qu’ils savent où la trouver et qu’elle fait partie des interactions
régulières.
 L’analyse des données existe pour aider à surmonter ces défis et ces points faibles, en
aidant les entreprises à trouver des informations et à découvrir la valeur cachée des trésors de
données grâce au storytelling. Au fur et à mesure de votre lecture, vous apprendrez à utiliser
et à appliquer des compétences analytiques pour aller au-delà d’un seul rapport et contribuer
à influencer votre organisation en racontant des histoires avec des données et en favorisant
cette culture des données.

LEÇON 2 : VUE D’ENSEMBLE DE L’ANALYSE DES DONNÉES

Avant que les données puissent être utilisées pour raconter une histoire, elles doivent
être soumises à un processus qui les rend utilisables dans l’histoire. L’analyse des données
est le processus d’identification, de nettoyage, de transformation et de modélisation des
données pour découvrir des informations significatives et utiles. Les données sont ensuite
transformées en une histoire par le biais de rapports d’analyse pour soutenir le processus de
prise de décision critique.
 Alors que le monde devient de plus en plus axé sur les données, la narration par le
biais de l’analyse des données devient un élément essentiel et un aspect des grandes et petites
entreprises. C’est la raison pour laquelle les organisations continuent d’embaucher des
analystes de données.

Les entreprises axées sur les données prennent des décisions en fonction de l’histoire
que leurs données racontent, et dans le monde d’aujourd’hui, les données ne sont pas utilisées
à leur plein potentiel, un défi auquel la plupart des entreprises sont confrontées. L’analyse des
données est, et devrait être, un aspect essentiel de toutes les organisations pour aider à
déterminer l’impact sur leur activité, y compris l’évaluation du sentiment des clients, la
réalisation d’études de marché et de produits, et l’identification des tendances ou d’autres
informations sur les données.

Bien que le processus d’analyse des données se concentre sur les tâches de nettoyage,
de modélisation et de visualisation des données, le concept d’analyse des données et son
importance pour les entreprises ne doivent pas être sous-estimés. Pour analyser les données,
les composants principaux de l’analytique sont divisés dans les catégories suivantes :
 Descriptif
 Diagnostique
 Prédictif
 Normative
 Intelligence artificielle (IA)

Analytique descriptive

L’analyse descriptive permet de répondre aux questions sur ce qui s’est passé en
fonction des données historiques. Les techniques d’analyse descriptive résument de grands
modèles sémantiques pour décrire les résultats aux parties prenantes.

En développant des indicateurs clés de performance (KPI), ces stratégies peuvent

aider à suivre le succès ou l’échec des objectifs clés. Des mesures telles que le retour sur
investissement (ROI) sont utilisées dans de nombreux secteurs, et des mesures spécialisées
sont développées pour suivre les performances dans des secteurs spécifiques. Un exemple
d’analyse descriptive consiste à générer des rapports pour fournir une vue des ventes et des
données financières d’une organisation.
Analyse diagnostique

L’analyse diagnostique permet de répondre aux questions sur les raisons pour
lesquelles les événements se sont produits. Les techniques d’analyse diagnostique
complètent l’analyse descriptive de base, et elles utilisent les résultats de l’analyse descriptive
pour découvrir la cause de ces événements. Ensuite, les indicateurs de performance sont
étudiés plus en détail pour découvrir pourquoi ces événements se sont améliorés ou se sont
aggravés. Généralement, ce processus se déroule en trois étapes :

1. Identifiez les anomalies dans les données. Ces anomalies peuvent être des changements
inattendus dans une mesure ou un marché particulier.
2. Collectez des données liées à ces anomalies.
3. Utilisez des techniques statistiques pour découvrir les relations et les tendances qui
expliquent ces anomalies.

Analyse prédictive

L’analyse prédictive aide à répondre aux questions sur ce qui se passera à l’avenir.
Les techniques d’analyse prédictive utilisent des données historiques pour identifier les
tendances et déterminer si elles sont susceptibles de se reproduire. Les outils d’analyse
prédictive fournissent des informations précieuses sur ce qui pourrait se passer à l’avenir. Les
techniques comprennent une variété de techniques statistiques et d’apprentissage automatique
telles que les réseaux neuronaux, les arbres de décision et la régression.
Analyse prescriptive

L’analyse prescriptive permet de répondre aux questions sur les actions à

entreprendre pour atteindre un objectif ou une cible. En utilisant les informations issues
de l’analyse prescriptive, les organisations peuvent prendre des décisions basées sur les
données. Cette technique permet aux entreprises de prendre des décisions éclairées face à
l’incertitude. Les techniques d’analyse prescriptive s’appuient sur l’apprentissage
automatique comme l’une des stratégies permettant de trouver des modèles dans de grands
modèles sémantiques. En analysant les décisions et les événements passés, les organisations
peuvent estimer la probabilité de différents résultats.
Intelligence artificielle
 L’intelligence artificielle (IA) aide à répondre aux questions sur vos données. L’IA
fait référence à la simulation de l’intelligence humaine dans des machines programmées pour
penser, apprendre et s’adapter. Dans le contexte de l’analytique, l’IA permet aux systèmes de
traiter de grandes quantités de données, de reconnaître des modèles et de fournir des
informations avec un minimum d’intervention humaine. Il prend en charge un large éventail
d’applications, du traitement du langage naturel et de la reconnaissance d’images à la
génération de code et aux suggestions de visualisation intelligentes.
Exemple

En activant les rapports et les visualisations de données, une entreprise de vente au

détail utilise l’analyse descriptive pour examiner les habitudes d’achat des années
précédentes afin de déterminer quels produits pourraient être populaires l’année prochaine.
L’entreprise peut également examiner des données à l’appui pour comprendre pourquoi un
produit particulier était populaire et si cette tendance se poursuit, ce qui l’aidera à déterminer
s’il faut continuer à stocker ce produit.

Une entreprise peut déterminer qu’un certain produit a été populaire au cours d’une
période donnée. Ensuite, ils peuvent utiliser cette analyse pour déterminer si certains efforts
de marketing ou activités sociales en ligne ont contribué à l’augmentation des ventes.

L’un des aspects sous-jacents de l’analyse des données est qu’une entreprise doit faire
confiance à ses données. En pratique, le processus d’analyse des données capturera des
données provenant de sources fiables et les transformera en quelque chose de consommable,
de significatif et de facile à comprendre pour faciliter le processus de prise de décision.
L’analyse des données permet aux entreprises de comprendre pleinement leurs données grâce
à des processus et des décisions basés sur les données, ce qui leur permet d’avoir confiance
dans leurs décisions.

À mesure que la quantité de données augmente, le besoin d’analystes de données

augmente également. Un analyste de données sait comment organiser l’information et la
distiller en quelque chose de pertinent et de compréhensible. Un analyste de données sait
comment recueillir les bonnes données et quoi en faire, en d’autres termes, donner un sens
aux données de votre surcharge de données.
LEÇON : 3 RÔLES DANS LES DONNÉES

Raconter une histoire avec les données est un voyage qui ne commence généralement
pas avec vous. Les données doivent provenir de quelque part. Placer ces données dans un
endroit utilisable par vous demande des efforts qui sont probablement hors de votre portée, en
particulier en ce qui concerne l’entreprise.

Les applications et les projets d’aujourd’hui peuvent être vastes et complexes,

impliquant souvent l’utilisation des compétences et des connaissances de nombreuses
personnes. Chaque personne apporte un talent et une expertise uniques, partageant l’effort de
travailler ensemble et de coordonner les tâches et les responsabilités pour mener à bien un
projet, de la conception à la production.

Dans un passé récent, des rôles tels que ceux d’analyste d’affaires et de développeur
de business intelligence étaient la norme pour le traitement et la compréhension des données.
Cependant, l’expansion excessive de la taille et des différents types de données a fait évoluer
ces rôles vers des ensembles de compétences plus spécialisés qui modernisent et rationalisent
les processus d’ingénierie et d’analyse des données.

Les sections suivantes mettent en évidence ces différents rôles dans les données et la
responsabilité spécifique dans le spectre global de la découverte et de la compréhension des
données :

Analyste

Analyste de données

Ingénieur de données

Ingénieur analytique
 Scientifique des données

Analyste commercial

Bien qu’il existe certaines similitudes entre un analyste de données et un analyste

commercial, le principal facteur de différenciation entre les deux rôles est ce qu’ils font avec
les données. Un analyste commercial est plus proche de l’entreprise et est un spécialiste de
l’interprétation des données qui proviennent de la visualisation. Souvent, les rôles d’analyste
de données et d’analyste commercial peuvent être la responsabilité d’une seule personne.
Analyste de données

Un analyste de données permet aux entreprises de maximiser la valeur de leurs actifs

de données grâce à des outils de visualisation et de reporting tels que Microsoft Power BI.
Les analystes de données sont responsables du profilage, du nettoyage et de la transformation
des données. Leurs responsabilités comprennent également la conception et la construction de
modèles sémantiques évolutifs et efficaces, ainsi que l’activation et la mise en œuvre des
capacités d’analyse avancées dans les rapports à analyser. Un analyste de données travaille
avec les parties prenantes concernées pour identifier les exigences appropriées et nécessaires
en matière de données et de rapports, puis il est chargé de transformer les données brutes en
informations pertinentes et significatives.

Un analyste de données est également responsable de la gestion des ressources Power

BI, y compris les rapports, les tableaux de bord, les espaces de travail et les modèles
sémantiques sous-jacents utilisés dans les rapports. Ils sont chargés de mettre en œuvre et de
configurer des procédures de sécurité appropriées, en conjonction avec les exigences des
parties prenantes, afin d’assurer la conservation de toutes les ressources Power BI et de leurs
données.
Ingénieur de données

Les ingénieurs de données provisionnent et configurent des technologies de

plateforme de données sur site et dans le cloud. Ils gèrent et sécurisent le flux de données
structurées et non structurées provenant de sources multiples. Les plates-formes de données
qu’ils utilisent peuvent inclure des bases de données relationnelles, des bases de données non
relationnelles, des flux de données et des magasins de fichiers. Les ingénieurs de données
veillent également à ce que les services de données s’intègrent de manière sécurisée et
transparente sur toutes les plateformes de données.
 Les principales responsabilités des ingénieurs de données incluent l’utilisation de
services et d’outils de données sur site et dans le cloud pour extraire, transformer et charger
des données à partir de plusieurs sources. Les ingénieurs de données collaborent avec les
parties prenantes de l’entreprise pour identifier et répondre aux exigences en matière de
données. Ils conçoivent et mettent en œuvre des solutions.

Bien qu’il puisse exister un certain alignement dans les tâches et les responsabilités
d’un ingénieur de données et d’un administrateur de base de données, le champ d’application
du travail d’un ingénieur de données va bien au-delà de la gestion d’une base de données et
du serveur où elle est hébergée et n’inclut probablement pas la gestion globale des données
opérationnelles.

Un ingénieur de données apporte une valeur ajoutée considérable aux projets de

business intelligence et de science des données. Lorsque l’ingénieur de données rassemble
des données, ce qui est souvent décrit comme du data wrangling, les projets avancent plus
rapidement car les data scientists peuvent se concentrer sur leurs propres domaines de travail.

En tant qu’analyste de données, vous travaillerez en étroite collaboration avec un

ingénieur de données pour vous assurer que vous pouvez accéder à la variété des sources de
données structurées et non structurées, car il vous aidera à optimiser les modèles
sémantiques, qui sont généralement servis à partir d’un entrepôt de données ou d’un lac de
données moderne.
Ingénieur analytique

Les ingénieurs analytiques comblent le fossé entre l’ingénierie et l’analyse des

données en organisant les ressources de données dans des lacs de données ou des lakehouses,
en garantissant la qualité des données et en permettant des analyses en libre-service. Ils créent
des modèles sémantiques dans Power BI pour préparer et servir efficacement les données. Ils
peuvent également préparer d’autres magasins de données, tels que des entrepôts de données
ou des lakehouses.

Il existe un certain chevauchement avec le rôle d’ingénieur de données, car les deux
peuvent utiliser SQL comme langage de requête dans les entrepôts de données et se
concentrer sur la qualité des données. Les ingénieurs de données construisent souvent les
pipelines et l’infrastructure de base. Les ingénieurs analytiques sont plus proches de
l’entreprise, se concentrant sur la modélisation et la mise en relation des données pour le
reporting et la prise de décision.
Scientifique des données

Les data scientists effectuent des analyses avancées pour extraire de la valeur des
données. Leur travail peut varier de l’analyse descriptive à l’analyse prédictive. L’analyse
descriptive évalue les données par le biais d’un processus connu sous le nom d’analyse
exploratoire des données (EDA). L’analyse prédictive est utilisée dans l’apprentissage
automatique pour appliquer des techniques de modélisation capables de détecter des
anomalies ou des modèles. Ces analyses sont des éléments importants des modèles de
prévision.

L’analyse descriptive et prédictive ne sont que des aspects partiels du travail des data
scientists. Certains data scientists peuvent travailler dans le domaine de l’apprentissage
profond, en effectuant des expériences itératives pour résoudre un problème de données
complexe à l’aide d’algorithmes personnalisés.

Des preuves anecdotiques suggèrent que la majeure partie du travail d’un projet de
science des données est consacrée à la gestion des données et à l’ingénierie des
fonctionnalités. Les data scientists peuvent accélérer le processus d’expérimentation lorsque
les data engineers utilisent leurs compétences pour traiter avec succès les données.

À première vue, il peut sembler qu’un scientifique des données et un analyste de

données sont très éloignés dans le travail qu’ils effectuent, mais cette conjecture est fausse.
Un data scientist examine les données pour déterminer les questions auxquelles il faut
répondre et élabore souvent une hypothèse ou une expérience, puis se tourne vers l’analyste
de données pour l’aider dans la visualisation des données et la création de rapports.

LEÇON 4 : TÂCHES D’UN ANALYSTE DE DONNÉES

Un analyste de données est l’un des nombreux rôles essentiels d’une organisation, qui
aide à découvrir et à donner un sens aux informations pour maintenir l’équilibre et le
fonctionnement efficace de l’entreprise. Par conséquent, il est essentiel qu’un analyste de
données comprenne clairement ses responsabilités et les tâches qui sont effectuées presque
quotidiennement.
 Les analystes de données sont essentiels pour aider les organisations à obtenir des
informations précieuses sur l’étendue des données dont elles disposent, et ils travaillent en
étroite collaboration avec d’autres membres de l’organisation pour aider à révéler des
informations précieuses.

La figure suivante présente les cinq domaines clés dans lesquels vous allez vous
engager au cours du processus d’analyse des données.

Préparer les données

En tant qu’analyste de données, vous partagerez probablement la majeure partie de

votre temps entre les tâches de préparation et de modélisation. Des données déficientes ou
incorrectes peuvent avoir un impact majeur qui entraîne des rapports non valides, une perte
de confiance et un effet négatif sur les décisions commerciales, ce qui peut entraîner une
perte de revenus, un impact négatif sur l’entreprise, etc.

Avant de pouvoir créer un rapport, les données doivent être préparées. La préparation
des données est le processus de profilage, de nettoyage et de transformation de vos
données pour les préparer à la modélisation et à la visualisation.

La préparation des données est le processus qui consiste à prendre des données brutes
et à les transformer en informations fiables et compréhensibles. Il s’agit, entre autres,
d’assurer l’intégrité des données, de corriger les données erronées ou inexactes, d’identifier
les données manquantes, de convertir les données d’une structure à une autre ou d’un type à
un autre, ou encore une tâche aussi simple que de rendre les données plus lisibles.

La préparation des données implique également de comprendre comment vous allez

obtenir et vous connecter aux données et les implications des décisions sur les
performances. Lorsque vous vous connectez à des données, vous devez prendre des décisions
pour vous assurer que les modèles et les rapports répondent aux exigences et aux attentes
reconnues.

Les garanties de confidentialité et de sécurité sont également importantes. Ces

garanties peuvent inclure l’anonymisation des données pour éviter le partage excessif ou
empêcher les gens de voir des informations personnellement identifiables lorsque cela n’est
pas nécessaire. Alternativement, pour aider à garantir la confidentialité et la sécurité, vous
pouvez impliquer de supprimer complètement ces données si elles ne correspondent pas à
l’histoire que vous essayez de façonner.

La préparation des données peut souvent être un processus long. Les analystes de
données suivent une série d’étapes et de méthodes pour préparer les données à être placées
dans un contexte et un état approprié, ce qui élimine la mauvaise qualité des données et
permet de les transformer en informations précieuses.
Modèle

Lorsque les données sont dans un état correct, elles sont prêtes à être modélisées. La
modélisation des données consiste à déterminer comment vos tables sont liées les unes aux
autres. Ce processus se fait en définissant et en créant des relations entre les tables. À partir
de ce moment, vous pouvez améliorer le modèle en définissant des métriques et en ajoutant
des calculs personnalisés pour enrichir vos données.

La création d’un modèle sémantique efficace et approprié est une étape essentielle
pour aider les organisations à comprendre et à obtenir des informations précieuses sur les
données. Un modèle sémantique efficace rend les rapports plus précis, permet d’explorer les
données plus rapidement et efficacement, réduit le temps consacré au processus de rédaction
des rapports et simplifie la maintenance future des rapports.

Le modèle est un autre composant essentiel qui a un effet direct sur les performances
de votre rapport et l’analyse globale des données. Un modèle mal conçu peut avoir un impact
négatif considérable sur l’exactitude et les performances générales de votre rapport. À
l’inverse, un modèle bien conçu avec des données bien préparées garantira un rapport
correctement efficace et fiable. Cette notion est plus répandue lorsque vous travaillez avec
des données à grande échelle.
 Du point de vue de Power BI, si votre rapport s’exécute lentement ou si vos
actualisations prennent beaucoup de temps, vous devrez probablement revoir les tâches de
préparation et de modélisation des données pour optimiser votre rapport.

Le processus de préparation et de modélisation des données est un processus itératif.

La préparation des données est la première tâche de l’analyse des données. Comprendre et
préparer vos données avant de les modéliser facilitera grandement l’étape de modélisation.
Visualiser

La tâche de visualisation est l’endroit où vous pouvez donner vie à vos données.
L’objectif ultime de la tâche de visualisation est de résoudre les problèmes de l’entreprise. Un
rapport bien conçu doit raconter une histoire convaincante sur ces données, ce qui permettra
aux décideurs d’entreprise d’obtenir rapidement les informations nécessaires. En utilisant des
visualisations et des interactions appropriées, vous pouvez fournir un rapport efficace qui
guide le lecteur à travers le contenu rapidement et efficacement, permettant ainsi au lecteur
de suivre un récit dans les données.

Les rapports créés au cours de la tâche de visualisation aident les entreprises et les
décideurs à comprendre ce que signifient ces données afin de prendre des décisions précises
et vitales. Les rapports déterminent les actions, les décisions et les comportements globaux
d’une organisation qui fait confiance aux informations découvertes dans les données et
s’appuie sur celles-ci.

L’entreprise peut communiquer qu’elle a besoin de tous les points de données d’un
rapport donné pour l’aider à prendre des décisions. En tant qu’analyste de données, vous
devez prendre le temps de bien comprendre le problème que l’entreprise essaie de résoudre.
Déterminez si tous leurs points de données sont nécessaires, car trop de données peuvent
rendre difficile la détection des points clés. Disposer d’une petite histoire de données concise
peut aider à trouver rapidement des informations.

Grâce aux fonctionnalités d’IA intégrées à Power BI, les analystes de données
peuvent créer des rapports puissants, sans écrire de code, qui permettent aux utilisateurs
d’obtenir des informations et des réponses et de trouver des objectifs réalisables. Les
fonctionnalités d’IA de Power BI, telles que les visuels d’IA intégrés et Copilot, permettent
de découvrir des données en posant des questions, en utilisant la fonctionnalité Aperçus
rapides ou en créant des modèles d’apprentissage automatique directement dans Power BI.
 Un aspect important de la visualisation des données est la conception et la création de
rapports pour l’accessibilité. Lorsque vous créez des rapports, il est important de penser aux
personnes qui les consulteront et les liront. Les rapports doivent être conçus en tenant compte
de l’accessibilité dès le départ, de sorte qu’aucune modification particulière ne soit nécessaire
à l’avenir.

De nombreux éléments de votre rapport vous aideront à raconter des histoires. Qu’il
s’agisse d’une palette de couleurs complémentaire et accessible, de polices et de tailles, ou du
choix des bons visuels pour ce qui est affiché, tous se réunissent pour raconter cette histoire.
Analyser

La tâche d’analyse est l’étape importante de la compréhension et de l’interprétation

des informations affichées dans le rapport. Dans votre rôle d’analyste de données, vous devez
comprendre les capacités analytiques de Power BI et utiliser ces capacités pour trouver des
informations, identifier des modèles et des tendances, prédire des résultats, puis
communiquer ces informations d’une manière que tout le monde peut comprendre.

L’analytique avancée permet aux entreprises et aux organisations de prendre de

meilleures décisions dans l’ensemble de l’entreprise et de créer des informations
exploitables et des résultats significatifs. Grâce à l’analytique avancée, les organisations
peuvent explorer les données pour prédire les modèles et les tendances futurs, identifier les
activités et les comportements, et permettre aux entreprises de poser les questions appropriées
sur leurs données.

Auparavant, l’analyse des données était un processus difficile et complexe qui était
généralement effectué par des ingénieurs ou des scientifiques des données. Aujourd’hui,
Power BI rend l’analyse des données accessible, ce qui simplifie le processus d’analyse des
données. Les utilisateurs peuvent rapidement obtenir des informations sur leurs données à
l’aide de visuels et de mesures directement depuis leur ordinateur, puis publier ces
informations sur des tableaux de bord afin que d’autres personnes puissent trouver les
informations nécessaires.

Cette fonctionnalité est un autre domaine dans lequel les intégrations d’IA dans Power
BI peuvent faire passer votre analyse au niveau supérieur. Les intégrations avec Azure
Machine Learning, les services cognitifs, Copilot et les visuels d’IA intégrés vous aideront à
enrichir vos données et vos analyses.
Gérer

Power BI se compose de nombreux composants, notamment des rapports, des

tableaux de bord, des espaces de travail, des modèles sémantiques, etc. En tant qu’analyste de
données, vous êtes responsable de la gestion de ces actifs Power BI, de superviser le partage
et la distribution des éléments, tels que les rapports et les tableaux de bord, et d’assurer la
sécurité des actifs Power BI.

Les applications peuvent être une méthode de distribution précieuse pour votre
contenu et permettre une gestion plus facile pour un large public. Cette fonctionnalité vous
permet également d’avoir des expériences de navigation personnalisées et de créer des liens
vers d’autres ressources au sein de votre organisation pour compléter vos rapports.

La gestion de votre contenu permet de favoriser la collaboration entre les équipes et

les individus. Le partage et la découverte de votre contenu sont importants pour que les
bonnes personnes obtiennent les réponses dont elles ont besoin. Il est également important de
s’assurer que les articles sont en sécurité. Vous voulez vous assurer que les bonnes
personnes y ont accès et que vous ne divulguez pas de données aux bonnes parties prenantes.

Une bonne gestion peut également contribuer à réduire les silos de données au sein de
votre organisation. La duplication des données peut rendre difficile la gestion et
l’introduction de la latence des données lorsque les ressources sont surutilisées. Power BI
permet de réduire les silos de données grâce à l’utilisation de modèles sémantiques partagés,
et il vous permet de réutiliser les données que vous avez préparées et modélisées. Pour les
données clés de l’entreprise, l’approbation d’un modèle sémantique certifié peut aider à
garantir la confiance dans ces données.

La gestion des ressources Power BI permet de réduire la duplication des efforts et d’assurer la
sécurité des données.

Conclusion

Dans ce module, vous avez appris que le rôle d’analyste de données est essentiel au
succès d’une organisation. De plus, les tâches effectuées par les analystes de données
permettent de s’assurer que les décisions commerciales sont basées sur des données fiables.
Vous avez également découvert les différents rôles dans les données et la façon dont les
personnes qui occupent ces rôles travaillent en étroite collaboration avec un analyste de
données pour fournir des informations précieuses sur les actifs de données d’une entreprise.
Test de connaissances

Réponds aux questions suivantes pour voir ce que tu as appris.

1. Quel rôle de données permet des capacités d’analyse avancées, notamment par le
biais de rapports et de visualisations ?
Scientifique des données
Ingénieur de données
Analyste de données Un analyste de données utilise des visuels appropriés pour aider
les décideurs d’entreprise à obtenir des informations approfondies et significatives à
partir des données.

2. Quelle tâche d’analyste de données a un impact critique sur les performances du

reporting et de l’analyse des données ?
Modèle,
Analyser
Visualiser

3. Laquelle des options suivantes est le principal avantage de l’analyse des données ?
Des analyses décisives
Décisions d’affaires éclairées
Rapports complexe