Data analyst avec R : niveau avancé

Programme

Ouvrez un module pour en lire les leçons. Chaque module se termine par un test, et l’examen final délivre l’attestation.

1. Module 1

   Mettre en place un environnement de travail professionnel

   - Situer R dans le métier d'analyste et connaître les données de la formation - Installer et configurer R, RStudio ou Positron pour un travail reproductible - Maîtriser les fondamentaux du langage : objets, vecteurs, NA, facteurs, data frames, pipe - Organiser un projet avec une arborescence standard, here() et des scripts numérotés - Gérer les versions des packages avec renv et le code avec Git

   • R dans le métier d'analyste : ce que vous allez construireAperçu gratuit
     Voir l’aperçu
   • Installer et configurer R, RStudio et PositronAperçu gratuit
     Voir l’aperçu
   • Les fondamentaux du langage R à maîtriserAperçu gratuit
     Voir l’aperçu
   • Organiser un projet d'analyse reproductible
   • Données d'exercice : enquête ménages 2025 (Excel)xlsx
   • Données d'exercice : ventes d'une société de distribution 2024-2025 (Excel)xlsx
   • Données d'exercice : suivi du Projet Résilience 2024-2025 (Excel)xlsx
   • Gérer les packages et le code avec renv et Git
2. Module 2

   Importer, structurer et joindre les données

   - Importer des CSV en maîtrisant séparateurs, décimales, encodage et types - Lire des classeurs Excel, y compris plusieurs feuilles d'un coup - Exploiter les fichiers SPSS, Stata et les exports KoboToolbox - Diagnostiquer une base et convertir les types, dont les dates - Joindre des tables en contrôlant les clés et passer du format long au format large

   • Importer des fichiers CSV et texte avec readr
   • Importer des classeurs Excel avec readxl
   • Importer des fichiers SPSS, Stata et KoboToolbox
   • Diagnostiquer une base et contrôler les types
   • Joindre des tables sans perdre ni dupliquer de lignes
   • Restructurer les données : formats long et large
3. Module 3

   Nettoyer et transformer les données avec le tidyverse

   - Maîtriser les verbes de dplyr et le regroupement avec .by - Appliquer un traitement à de nombreuses variables avec across() et recoder avec case_when() - Traiter doublons, valeurs manquantes et codes spéciaux - Harmoniser du texte avec stringr et gérer les facteurs avec forcats - Détecter les valeurs aberrantes et automatiser les contrôles de cohérence - Produire une base d'analyse documentée avec un journal des corrections

   • Les verbes de dplyr en profondeur
   • Transformer à grande échelle : across(), case_when() et case_match()
   • Doublons, valeurs manquantes et codes spéciaux
   • Texte et catégories avec stringr et forcats
   • Valeurs aberrantes et contrôles de cohérence automatisés
   • Le script de nettoyage de référence : indicateurs, journal et sauvegarde
4. Module 4

   Programmer efficacement en R

   - Écrire des fonctions robustes, validées et documentées - Itérer avec purrr : map, map2, pmap, walk et colonnes-listes - Écrire des fonctions dplyr réutilisables grâce à l'évaluation tidy - Lire les messages d'erreur, déboguer et rendre les traitements robustes - Choisir les bons outils pour les gros volumes de données

   • Écrire ses propres fonctions
   • Itérer avec purrr
   • Programmer avec dplyr : l'évaluation tidy
   • Gérer les erreurs et déboguer
   • Performance et gros volumes de données
5. Module 5

   Tableaux statistiques prêts à publier

   - Appliquer les règles d'un tableau de qualité publication - Produire des tableaux descriptifs et de comparaison avec gtsummary - Mettre en forme des tableaux avec gt - Générer des documents Word et PowerPoint avec flextable et officer - Livrer des classeurs Excel mis en forme avec openxlsx

   • Résumer et croiser les données : les règles d'un bon tableau
   • Le « Tableau 1 » et les tableaux statistiques avec gtsummary
   • Mettre en forme des tableaux avec gt
   • Produire des documents Word et PowerPoint avec flextable et officer
   • Exporter vers Excel de façon professionnelle avec openxlsx
6. Module 6

   Visualisation avancée avec ggplot2

   - Comprendre la grammaire des graphiques de ggplot2 - Choisir le graphique adapté au message - Maîtriser échelles, couleurs, annotations et facettes - Créer un thème maison et composer des figures avec patchwork - Réaliser des cartes thématiques avec sf - Produire des graphiques interactifs et des exports de qualité

   • La grammaire des graphiques
   • Choisir le bon graphique
   • Échelles, couleurs, annotations et facettes
   • Un thème maison et des figures composées
   • Cartographie thématique avec sf
   • Graphiques interactifs et export haute qualité
7. Module 7

   Inférence et tests statistiques

   - Comprendre intervalles de confiance, valeurs p, tailles d'effet et puissance - Comparer des proportions avec le khi-deux et le test exact de Fisher - Comparer des moyennes avec le test t de Welch et l'ANOVA - Utiliser les tests non paramétriques et les corrélations à bon escient - Recourir au bootstrap et aux permutations, et ajuster les tests multiples

   • La logique de l'inférence : intervalles, valeurs p et puissance
   • Comparer des proportions : khi-deux et test exact de Fisher
   • Comparer des moyennes : test t et analyse de variance
   • Tests non paramétriques et corrélations
   • Bootstrap, tests de permutation et tests multiples
8. Module 8

   Modèles de régression

   - Estimer et interpréter une régression linéaire multiple, y compris en logarithmes - Diagnostiquer un modèle et calculer des erreurs types robustes et groupées - Estimer et interpréter une régression logistique - Traduire les modèles en effets marginaux et prédictions - Modéliser des comptages et évaluer un projet par double différence - Présenter les résultats dans des tableaux, graphiques et phrases de rapport

   • La régression linéaire simple et multiple
   • Diagnostiquer un modèle et calculer des erreurs types robustes
   • La régression logistique
   • Effets marginaux et prédictions avec marginaleffects
   • Données de comptage, données de panel et double différence
   • Présenter les résultats de régression
9. Module 9

   Analyser des données d'enquête pondérées

   - Comprendre l'effet des strates, des grappes et des poids - Déclarer correctement un plan de sondage avec survey et srvyr - Estimer proportions, moyennes, totaux, quantiles et ratios par domaine - Réaliser tests et régressions adaptés au plan de sondage - Produire un tableau d'indicateurs automatisé et des quintiles pondérés

   • Pourquoi pondérer : le plan de sondage
   • Déclarer le plan de sondage avec survey et srvyr
   • Estimer proportions, moyennes, totaux et ratios par domaine
   • Tests et régressions sur données d'enquête
   • Cas pratique : un tableau d'indicateurs d'enquête automatisé
10. Module 10

    Rapports automatisés avec Quarto et tableaux de bord Shiny

    - Créer des documents Quarto mêlant texte et résultats calculés - Rédiger un rapport Word reproductible conforme à la charte de l'organisation - Produire en série des rapports paramétrés - Construire un tableau de bord interactif avec Shiny et bslib - Rendre une application Shiny robuste et la déployer - Automatiser et planifier toute la chaîne de traitement

    • Premiers pas avec Quarto
    • Rédiger un rapport d'analyse reproductible
    • Les rapports paramétrés : un modèle, des dizaines de rapports
    • Construire un tableau de bord avec Shiny
    • Shiny avancé : réactivité, modules et déploiement
    • Automatiser toute la chaîne de traitement
11. Module 11

    Projet final : évaluation d'impact du Projet Résilience

    - Mener un projet d'analyse complet, de la base brute au rapport - Préparer et contrôler des données de panel, analyser l'attrition - Estimer les effets d'un projet par double différence et en tester la robustesse - Livrer un rapport Quarto et un tableau de bord Shiny pour des décideurs

    • Présentation du cas et consignes
    • Étape 1 : préparer les données
    • Étape 2 : analyser les effets du projet
    • Étape 3 : rédiger le rapport et construire le tableau de bord