Aller à la navigation principale Aller au contenu Aller à la navigation de bas de page
Répertoire national des certifications professionnelles

Data scientist

Active

N° de fiche
RNCP34545
Nomenclature du niveau de qualification : Niveau 7
Code(s) NSF :
  • 326 : Informatique, traitement de l'information, réseaux de transmission
Formacode(s) :
  • 31052 : Data Warehouse
Taux d'insertion global moyen à 6 mois : 90%

Date d’échéance de l’enregistrement : 30-03-2023
Nom légal Nom commercial Site internet
OPENCLASSROOMS OpenClassrooms https://openclassrooms.com/fr/
Objectifs et contexte de la certification :

  L’accroissement des données disponibles et la multiplication des technologies permettant de les produire font de la valorisation des données un enjeu économique majeur et croissant.    

La valorisation de ces données constitue, tant pour le secteur marchand que pour le secteur non marchand, un enjeu économique important, ouvrant pour les entreprises des perspectives de développement, de qualité et de compétitivité accrues. Les Big Data constituent un enjeu particulièrement stratégique dans les secteurs du numérique, de l’industrie ou de la santé.    

L’essor des Big data entraîne des besoins en compétences expertes et fait émerger des nouveaux métiers.     

Autour des data, et plus particulièrement des Big data, de nouveaux métiers émergent et se structurent.  A l’appui de nos partenaires, nous avons identifié les contours des emplois les plus recherchés autour des data et fait le choix de les structurer autour de 4 certifications : data analyst, data architect, data scientist et ingénieur machine learning.    

Cette certification vise à qualifier des Data scientists disposant des compétences expertes et transverses nécessaires à leur insertion immédiate sur le marché du travail. 

Activités visées :

 Le Data scientist est en mesure d’exercer les missions suivantes : 

- agréger un ensemble de données pour ensuite les nettoyer et les structurer ; 

- explorer ces données afin d’en déterminer la valeur et y repérer des motifs récurrents ou des irrégularités significatives ;

- produire de la valeur à partir des données par la création de modèles prédictifs ; 

- modéliser le phénomène à l’origine des données pour répondre à un problème de l’entreprise ; 

- évaluer et améliorer les performances d’un modèle d’apprentissage automatique (machine learning) ;  

- rendre les données visuelles pour communiquer ses résultats ;  

- établir des recommandations pour orienter les décisions stratégiques de l’entreprise.  

Compétences attestées :

La certification permet d'attester l'acquisition des compétences suivantes : 

BLOC 1 – Prétraiter et analyser des données structurées pour répondre à un problème métier.   

- Déterminer les objectifs d'une analyse de données à partir d’un problème métier.    

- Effectuer des opérations de nettoyage sur des données structurées.    

- Effectuer une analyse statistique univariée à partir de données structurées et nettoyées. 

- Effectuer une analyse statistique multivariée à partir de données structurées et nettoyées.    

- Représenter des données grâce à des graphiques clairs et pertinents.    

- Formuler des préconisations pour un traitement automatisé des données.    

BLOC 2 – Entraîner un modèle d’apprentissage automatique supervisé pour réaliser une analyse prédictive.    

- Sélectionner et/ ou transformer les variables pertinentes pour la modélisation (feature engineering).    

- Sélectionner et mettre en place un modèle d’apprentissage supervisé adapté à une problématique métier.    

- Évaluer les performances d’un modèle d’apprentissage supervisé.    

- Adapter les paramètres d’un modèle d’apprentissage supervisé afin de l’améliorer.    

BLOC 3 – Entraîner un modèle d’apprentissage non supervisé adapté à une problématique de segmentation ou de réduction de données.    

- Sélectionner, transformer et créer les variables pertinentes pour la modélisation (feature engineering).    

- Sélectionner et mettre en place un modèle d’apprentissage non supervisé adapté une problématique métier.    

- Évaluer les performances d’un modèle d’apprentissage non supervisé.  

- Adapter les paramètres d’un modèle d’apprentissage non supervisé afin de l’améliorer.    

BLOC 4 – Prétraiter et analyser des données non structurées (texte, images) pour obtenir un jeu de données exploitable.    

- Collecter des données répondant à des critères définis via une interface de programmation (API).    

- Prétraiter des données textuelles non structurées pour obtenir un jeu de données exploitable.    

- Prétraiter des données sous forme d'images non structurées pour obtenir un jeu de données exploitable.    

- Réduire la dimension de données de grande dimension afin d'optimiser les temps de calcul. 

- Représenter graphiquement des données à grandes dimensions afin d'en réaliser l'analyse exploratoire. 

BLOC 5 – Présenter et déployer un modèle d’apprentissage automatique auprès de ses utilisateurs finaux.    

- Déployer un modèle via une interface de programmation (API) dans le web.  

- Réaliser un tableau de bord (dashboard) pour présenter son travail de modélisation.    

- Réaliser la présentation orale d’une démarche de modélisation à un client interne/ externe.    

- Rédiger une note méthodologique afin de communiquer sa démarche de modélisation.  

- Assurer l’intégration du modèle auprès de collaborateurs en utilisant un logiciel de version de code.    

BLOC 6 – Déployer un modèle d’apprentissage automatique à l’échelle en utilisant les technologies du Big data.  

- Sélectionner les outils du Cloud permettant de disposer d'un environnement Big Data. 

- Prétraiter, analyser et modéliser des donnés dans un environnement Big data en utilisant les outils du Cloud.    

- Réaliser des calculs distribués sur des données massives en utilisant les outils adaptés.     

Modalités d'évaluation :

  Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor (un/e professionnel/le du métier), puis présenté au jury du titre.     

N° et intitulé du bloc Liste de compétences Modalités d'évaluation
RNCP34545BC01

Prétraiter et analyser des données structurées pour répondre à un problème métier.

- Déterminer les objectifs d'une analyse de données à partir d’un problème métier.  

- Effectuer des opérations de nettoyage sur des données structurées.    

- Effectuer une analyse statistique univariée à partir de données structurées et nettoyées.      

- Effectuer une analyse statistique multivariée à partir de données structurées et nettoyées.    

- Représenter des données grâce à des graphiques clairs et pertinents.    

- Formuler des préconisations pour un traitement automatisé des données.   

  Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor, puis présenté au jury du titre.     

RNCP34545BC02

Entraîner un modèle d’apprentissage automatique supervisé pour réaliser une analyse prédictive.

- Sélectionner et mettre en place un modèle d’apprentissage supervisé adapté à une problématique métier.    

- Évaluer les performances d’un modèle d’apprentissage supervisé.    

- Adapter les paramètres d’un modèle d’apprentissage supervisé afin de l’améliorer.  

  Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor, puis présenté au jury du titre.     

RNCP34545BC03

Entraîner un modèle d’apprentissage non supervisé adapté à une problématique de segmentation ou de réduction de données.

- Sélectionner, transformer et créer les variables pertinentes pour la modélisation (feature engineering).    

- Sélectionner et mettre en place un modèle d’apprentissage non supervisé adapté une problématique métier.    

- Évaluer les performances d’un modèle d’apprentissage non supervisé.  

- Adapter les paramètres d’un modèle d’apprentissage non supervisé afin de l’améliorer.   

  Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor, puis présenté au jury du titre.     

RNCP34545BC04

Prétraiter et analyser des données non structurées (texte, images) pour obtenir un jeu de données exploitable.

- Collecter des données répondant à des critères définis via une interface de programmation (API).  

  - Prétraiter des données textuelles non structurées pour obtenir un jeu de données exploitable.   

- Prétraiter des données sous forme d'images non structurées pour obtenir un jeu de données exploitable.    

- Réduire la dimension de données de grande dimension afin d'optimiser les temps de calcul. 

- Représenter graphiquement des données à grandes dimensions afin d'en réaliser l'analyse exploratoire. 

  Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor, puis présenté au jury du titre.     

RNCP34545BC05

Présenter et déployer un modèle d’apprentissage automatique auprès de ses utilisateurs.

- Déployer un modèle via une interface de programmation (API) dans le web.  

- Réaliser un tableau de bord (dashboard) pour présenter son travail de modélisation.     

- Réaliser la présentation orale d’une démarche de modélisation à un client interne/ externe.    

- Rédiger une note méthodologique afin de communiquer sa démarche de modélisation.    

- Assurer l’intégration du modèle auprès de collaborateurs en utilisant un logiciel de version de code.   

  Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor, puis présenté au jury du titre.     

RNCP34545BC06

Déployer un modèle d’apprentissage automatique à l’échelle en utilisant les technologies du Big data.

- Sélectionner les outils du Cloud permettant de disposer d'un environnement Big Data.    

- Prétraiter, analyser et modéliser des donnés dans un environnement Big data en utilisant les outils du Cloud.    

- Réaliser des calculs distribués sur des données massives en utilisant les outils adaptés.   

Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor, puis présenté au jury du titre.     

Description des modalités d'acquisition de la certification par capitalisation des blocs de compétences et/ou par équivalence :

  La certification se compose de 6 blocs de compétences. La validation totale du titre s’obtient ainsi :    

 - Par la formation continue : validation des 6 blocs de compétences + soutenance des projets du candidat face au jury.  

 - Par la validation des acquis de l’expérience (VAE) : validation des 6 blocs de compétences + soutenance du dossier de preuve du candidat face au jury.  

En cas de validation partielle, les blocs validés restent acquis à vie.   

Secteurs d’activités :

Tous secteurs d'activité 

Type d'emplois accessibles :

 Data scientist ; Chef de projet Data  ; Consultant Data ; Chief Data scientist ; Ingénieur data ; Ingénieur Big data  

Code(s) ROME :
  • M1403 - Études et prospectives socio-économiques
Références juridiques des règlementations d’activité :


Le cas échéant, prérequis à la validation des compétences :

 classe préparatoire scientifique ou Bac + 3 en mathématiques ou master/ diplôme d'ingénieur en informatique. 



Validité des composantes acquises :
Voie d’accès à la certification Oui Non Composition des jurys
Après un parcours de formation sous statut d’élève ou d’étudiant X

  3 personnes : 

- Le/la responsable pédagogique 

- 2 professionnels 

En contrat d’apprentissage X

  3 personnes : 

- Le/la responsable pédagogique 

- 2 professionnels 

Après un parcours de formation continue X

  3 personnes : 

- Le/la responsable pédagogique  

- 2 professionnels 

En contrat de professionnalisation X

  3 personnes : 

- Le/la responsable pédagogique 

- 2 professionnels 

Par candidature individuelle X -
Par expérience X

  3 personnes : 

- Le/la responsable pédagogique 

- 2 professionnels 

Oui Non
Inscrite au cadre de la Nouvelle Calédonie X
Inscrite au cadre de la Polynésie française X
Lien avec d’autres certifications professionnelles, certifications ou habilitations : Non

Référence au(x) texte(s) règlementaire(s) instaurant la certification :

Date du JO / BO Référence au JO / BO

Référence des arrêtés et décisions publiés au Journal Officiel ou au Bulletin Officiel (enregistrement au RNCP, création diplôme, accréditation…) :

Date du JO / BO Référence au JO / BO

Référence autres (passerelles...) :

Date du JO / BO Référence au JO / BO
Date du premier Journal Officiel ou Bulletin Officiel :
Statistiques :
Année d'obtention de la certification Nombre de certifiés Nombre de certifiés à la suite d’un parcours vae Taux d'insertion global à 6 mois (en %) Taux d'insertion dans le métier visé à 6 mois (en %) Taux d'insertion dans le métier visé à 2 ans (en %)
2019 29 0 100 83 -
2018 19 0 93 47 -
Lien internet vers le descriptif de la certification :

Référentiel d’activité, de compétences et d’évaluation :

Référentiel d’activité, de compétences et d’évaluation
Ouvre un nouvel onglet Ouvre un site externe Ouvre un site externe dans un nouvel onglet