# RNCP34545 - Data scientist **Code:** RNCP34545 **État:** Publiée ## L'essentiel - **Nomenclature du niveau de qualification:** Niveau 7 - **Codes NSF:** 326 - **FormaCodes:** 31026 - **Date d'échéance de l'enregistrement:** 30-03-2023 - **Date d'enregistrement:** 30-03-2020 - **Type d'enregistrement:** Enregistrement sur demande ## Certificateur(s) - OPENCLASSROOMS - SIRET: 49386136300080 - OPENCLASSROOMS - SIRET: 49386136300072 ## Partenaires habilités 9 organismes habilités, d'après la liste publiée par France compétences : 1 à former et organiser l'évaluation et 8 à former. - GRETA COTES NORMANDES — SIRET 19501219000029 - Habilitation : Former - GRETA DE LA REGION HAVRAISE — SIRET 19760058800044 - Habilitation : Former - GRETA DU CALVADOS — SIRET 19140014200045 - Habilitation : Former - GRETA ELBEUF VALLEE DE SEINE — SIRET 19760030700049 - Habilitation : Former - GRETA PORTES NORMANDES — SIRET 19270016900027 - Habilitation : Former - GRETA SUD-NORMANDIE — SIRET 19610021800029 - Habilitation : Former - LYCEE ENS GEN TECHNO GUSTAVE FLAUBERT — SIRET 19760096800022 - Habilitation : Former - LYCEE GENERAL ET TECHNOLOGIQUE CAMILLE JULLIAN — SIRET 19330023300031 - Habilitation : Former - OPENCLASSROOMS — SIRET 49386136300072 - Habilitation : Former et organiser l'évaluation ## Résumé de la certification ### 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. ## Blocs de compétences ### RNCP34545BC01 - Prétraiter et analyser des données structurées pour répondre à un problème métier. **Liste de compétences:** - 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. **Modalités d'évaluation:** 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. **Liste de compétences:** - 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. **Modalités d'évaluation:** 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. **Liste de compétences:** - 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. **Modalités d'évaluation:** 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. **Liste de compétences:** - 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. **Modalités d'évaluation:** 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. **Liste de compétences:** - 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. **Modalités d'évaluation:** 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. **Liste de compétences:** - 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, puis présenté au jury du titre. ## Secteur d'activité et type d'emploi ### 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 ## Marché du travail Indicateurs au niveau des familles professionnelles (FAP) des métiers visés, agrégés au niveau national — France Travail / DARES (open data). ### Tensions de recrutement (DARES 2024) - **Niveau de tension :** Modérée (3/5) - **Facteurs principaux :** Manque de main-d'œuvre disponible - **Salaire médian (mensuel) :** 2 718 € - **Familles professionnelles (FAP) :** 2 — elles ne sont pas au même niveau de tension (de 3 à 4 sur 5) : le niveau ci-dessus est une moyenne pondérée par l'emploi, il ne vaut pas pour chacune d'elles - L4X82 — Techniciens et agents de maîtrise chargés d'études socio-économiques · tension 4/5 (Élevée) - L5X93 — Chargés d'études socio-économiques · tension 3/5 (Modérée) ### Besoins en main-d'œuvre (BMO 2026) - **Projets de recrutement :** 2 271 - **Jugés difficiles à recruter :** 36 % - **Emplois saisonniers :** 2 % - **Familles professionnelles (FAP) :** 2 - L4X82 — Techniciens et agents de maîtrise chargés d'études socio-économiques - L5X93 — Chargés d'études socio-économiques ## Voies d'accès **Modalités d'accès :** Formation initiale, Formation continue, Apprentissage, Contrat de professionnalisation, VAE ### Prérequis à l'entrée en formation classe préparatoire scientifique ou Bac + 3 en mathématiques ou master/ diplôme d'ingénieur en informatique. ### Composition du jury — Formation initiale, Apprentissage, Contrat de professionnalisation, VAE 3 personnes : - Le/la responsable pédagogique - 2 professionnels ### Composition du jury — Formation continue 3 personnes : - Le/la responsable pédagogique - 2 professionnels ## Financement en alternance (NPEC) Niveau de prise en charge d'un contrat d'apprentissage par les OPCO, fixé par France compétences par branche professionnelle (CPNE). - **Prise en charge usuelle:** 7 085 € - **Selon la branche:** 6 700 € – 7 188 € | Prise en charge | Branches concernées | |---|---| | 7 085 € | Valeur par défaut · 206 branches | | 7 188 € | CPNEF de la Publicité, CPNEFP Mutualité, CPNEFP de la branche des industries de produits alimentaires élaborés, CPNEFP de la branche professionnelle des Entreprises du courtage d'assurances et/ou réassurances, CPNIEFP dans la coopération agricole | | 7 162 € | CPNE chimie | | 6 700 € | CPNEFP du négoce des matériaux de construction | ## Base légale - **Date de décision:** 30-03-2020 - **Durée de l'enregistrement (années):** 3 - **Date d'échéance de l'enregistrement:** 30-03-2023 ## Statistiques | Année | Certifiés | Dont VAE | Insertion globale 6 mois | Insertion métier 2 ans | |---|---|---|---|---| | 2019 | 29 | 0 | 100 % | — | | 2018 | 19 | 0 | 93 % | — | ## Liens avec d'autres certifications - **Nouvelle(s) certification(s):** RNCP37431 ## Pour plus d'informations https://openclassrooms.com/fr **Fiche officielle (France Compétences) :** https://www.francecompetences.fr/recherche/rncp/34545/ ## Entrées et sorties de formation Tous organismes confondus — Caisse des Dépôts (open data), 02/2022 – 06/2024. - **Entrées en formation:** 75 - **Parcours menés à terme:** 86 - **Taux d'achèvement:** 115 % | Période | Entrées | Sorties totales | Sorties partielles | |---|---|---|---| | 02/2022 | 3 | 0 | 2 | | 03/2022 | 4 | 3 | 1 | | 04/2022 | 4 | 6 | 1 | | 05/2022 | 7 | 3 | 0 | | 06/2022 | 7 | 4 | 2 | | 07/2022 | 1 | 6 | 3 | | 08/2022 | 2 | 4 | 0 | | 09/2022 | 10 | 5 | 2 | | 10/2022 | 6 | 3 | 4 | | 11/2022 | 3 | 8 | 0 | | 12/2022 | 6 | 3 | 1 | | 01/2023 | 1 | 3 | 1 | | 02/2023 | 12 | 2 | 0 | | 03/2023 | 7 | 6 | 0 | | 04/2023 | 1 | 1 | 1 | | 05/2023 | 1 | 3 | 0 | | 06/2023 | 0 | 4 | 0 | | 07/2023 | 0 | 1 | 1 | | 08/2023 | 0 | 3 | 0 | | 09/2023 | 0 | 3 | 1 | | 10/2023 | 0 | 2 | 0 | | 11/2023 | 0 | 5 | 3 | | 12/2023 | 0 | 3 | 0 | | 02/2024 | 0 | 2 | 0 | | 03/2024 | 0 | 2 | 0 | | 04/2024 | 0 | 0 | 1 | | 06/2024 | 0 | 1 | 0 | ## Demande CPF — formations engagées Tous organismes confondus — Caisse des Dépôts (open data), 04/2020 – 03/2023. - **Dossiers CPF engagés:** 246 - **Montant total engagé:** 817 329 € - **Coût moyen par dossier:** 3 322 € - **Durée moyenne:** 415 h Financement (part du montant engagé) : - France compétences : 55 % - Reste à charge titulaire : 18 % - France Travail : 15 % - Entreprise : 9 % - Régions : 1 % - État : 1 % - Compte d'engagement citoyen : 0 % --- *Généré le 10/10/2026 à 04:22*