- Référence : PILO
- Durée : 2 jours (14h)
- Lieu : Au choix. À distance ou en présentiel, à Paris ou en Régions
1890€ HT
Choisir une date et RéserverFormation Cadrage et pilotage d'un projet de Data Science Comprendre les spécificités d'un projet de Data Science pour mieux le piloter de la conception au delivery
Durée
2 jours
Niveau
Avancé
Classe à distance
Possible
Vous pouvez suivre cette formation en direct depuis votre domicile ou votre lieu de travail. Plus d'informations sur notre solution de classe à distance...
Référence
PILO
Éligible CPF
Non
La Data Science, en tant que discipline scientifique et mathématique, est aujourd'hui bien connue de ceux qui la pratiquent. Mais savez-vous identifier les pièges et les embûches méthodologiques spécifiques aux projets de Data Science ?
Cette formation Piloter un projet de Data Science vous propose de découvrir les enjeux et les approches qui permettront à vos projets de se dérouler en toute sérénité, du cadrage à la phase de pilotage de production.
Objectif opérationnel :
Savoir piloter un projet de Data Science en production.
Objectif pédagogiques :
À l'issue de cette formation Piloter un projet de Data Science, vous aurez acquis les connaissances et compétences nécessaires pour :
- S'approprier les spécificités d'un projet de Data Science
- Constituer un programme de projets de Data Science
- Savoir mener une phase de cadrage d'un projet de Data Science
- Piloter un projet de Data Science en exploration et en production
Public :
Ce cours s'adresse aux chefs de projet IA, product owners, tech leads, data analystes et data scientists.
Prérequis :
Pour suivre cette formation Piloter un projet de Data Science, il est nécessaire de posséder des connaissances de base en Data Science (ce qu'est un modèle, différence supervisé / non supervisé) ainsi que des connaissance de base en Agilité (avoir lu le manifeste agile).
Jour 1
Les spécificités d’un projet embarquant de la Data Science
Les différentes façons d’utiliser de la Data Science pour tirer de la valeur
Apprendre à simplifier un problème de Data Science
Construire un portefeuille de projets en priorisant des cas d’usage
Identifier les hypothèses que l’on souhaite valider dans un Proof Of Concept
Intégration d’un système de Data Science dans un écosystème existant
Livrable de fin de section : un problème à résoudre est clairement posé, les principaux risques anticipables ont été POCés
Bien choisir sa métrique d’évaluation
Estimer la durée du projet, sa complexité, son coût, ses facteurs de succès, etc.
Identifier et minimiser les dépendances entre projets
Définir une architecture
Évaluer et prioriser les sources de données
Propositions d’ateliers à mener pour ne rien rater pendant le cadrage
Livrable de cette section : une vision suffisamment claire pour commencer à délivrerJour 2
Définir les rituels
Définir les standards
Livrable de cette section : une équipe qui est prête à commencer à coder
Commencer simple et itérer (en ajoutant des fonctionnalités, en automatisant)
Suivre et piloter la progression du projet
Gérer les expérimentations dans un cycle de delivery agile
Gestion visuelle du travail (le kanban)
Introduction à Accelerate
Livrable de la section : du code en production
D’un point de vue technique
D’un point de vue organisationnel
D’un point de vue business
Les métriques de succès du projet
Éventuel transfert du projet
Enjeux d'une formation dédiée à la gestion de projet de Data Science
La Data Science est une spécialité du développement logiciel (au même titre que le développement front, par exemple)Les spécificités d’un projet embarquant de la Data Science
Défricher un projet de Data Science
Utile, utilisable, utiliséLes différentes façons d’utiliser de la Data Science pour tirer de la valeur
Apprendre à simplifier un problème de Data Science
Construire un portefeuille de projets en priorisant des cas d’usage
Identifier les hypothèses que l’on souhaite valider dans un Proof Of Concept
Intégration d’un système de Data Science dans un écosystème existant
Livrable de fin de section : un problème à résoudre est clairement posé, les principaux risques anticipables ont été POCés
Cadrage pour le delivery de projet de Data Science
Affiner le business case (quantifier/qualifier valeur métier, rendre le projet actionable et utile)Bien choisir sa métrique d’évaluation
Estimer la durée du projet, sa complexité, son coût, ses facteurs de succès, etc.
Identifier et minimiser les dépendances entre projets
Définir une architecture
Évaluer et prioriser les sources de données
Propositions d’ateliers à mener pour ne rien rater pendant le cadrage
Livrable de cette section : une vision suffisamment claire pour commencer à délivrerJour 2
Constituer une équipe et sa dynamique
Construire une culture d’équipeDéfinir les rituels
Définir les standards
Livrable de cette section : une équipe qui est prête à commencer à coder
Delivery agile en Data Science
Introduction au Continuous DeploymentCommencer simple et itérer (en ajoutant des fonctionnalités, en automatisant)
Suivre et piloter la progression du projet
Gérer les expérimentations dans un cycle de delivery agile
Gestion visuelle du travail (le kanban)
Introduction à Accelerate
Livrable de la section : du code en production
Préparer le run
L’industrialisation, la mise en production, la production : savoir de quoi on parleD’un point de vue technique
D’un point de vue organisationnel
D’un point de vue business
Être capable de finir un projet
Acter la décision d’arrêter ou de continuerLes métriques de succès du projet
Éventuel transfert du projet
Dates et lieux
Ces formations peuvent aussi vous intéresser :
Formations Informatique
et Management
en ligne à ce jour
+
Stagiaires dans nos salles
de cours sur
l'année
%
De participants satisfaits
ou très satisfaits de nos
formations
Formateurs experts
validés par
PLB
