RNCP34545
Inactive
· Niveau 7
Data scientist
Certificateur · OPENCLASSROOMS
L'essentiel
Nomenclature du niveau de qualification
Niveau 7
Formacode(s)
Date d'échéance de l'enregistrement
30-03-2023
Certificateur(s)
Partenaires habilités
9 organismes habilités, d'après la liste publiée par France compétences : 1 à former et organiser l'évaluation et 8 à former.
OrganismeSIRETHabilitation
GRETA COTES NORMANDES
19501219000029
Former
GRETA DE LA REGION HAVRAISE
19760058800044
Former
GRETA DU CALVADOS
19140014200045
Former
GRETA ELBEUF VALLEE DE SEINE
19760030700049
Former
GRETA PORTES NORMANDES
19270016900027
Former
GRETA SUD-NORMANDIE
19610021800029
Former
LYCEE ENS GEN TECHNO GUSTAVE FLAUBERT
19760096800022
Former
LYCEE GENERAL ET TECHNOLOGIQUE CAMILLE JULLIAN
19330023300031
Former
OPENCLASSROOMS
49386136300072
Former et organiser l'évaluation
Résumé de la certification
Objectifs et contexte
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 · 6
RNCP34545BC01
Prétraiter et analyser des données structurées pour répondre à un problème métier.
Compétences visées
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.
Compétences visées
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.
Compétences visées
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.
Compétences visées
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.
Compétences visées
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.
Compétences visées
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
Types d'emplois accessibles
Data scientist ; Chef de projet Data
; Consultant Data ; Chief Data scientist ; Ingénieur data ; Ingénieur Big data
Métiers visés (ROME)
Tensions de recrutement · DARES 2024
Niveau de tension : Modérée (3/5)
Principaux facteurs : Manque de main-d'œuvre disponible.
2 718 €
salaire médian (mensuel)
Mesuré au niveau de la famille professionnelle : Techniciens et agents de maîtrise chargés d'études socio-économiques et Chargés d'études socio-économiques (nomenclature FAP). Ces familles ne sont pas au même niveau de tension (de 3 à 4 sur 5) : le niveau affiché est une moyenne pondérée par l'emploi, à ne pas attribuer à 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)
Indicateur de tension sur le marché du travail 2024 — DARES / France Travail. Les indicateurs sont publiés par famille professionnelle (FAP), pas par métier ROME : ils couvrent l'ensemble des métiers de ces familles.
Marché du travail · BMO 2026
Toute la France
Île-de-France 1 149
Auvergne-Rhône-Alpes 329
Provence-Alpes-Côte d'Azur 142
Occitanie 141
Hauts-de-France 127
Nouvelle-Aquitaine 106
Normandie 80
Bretagne 53
Grand Est 39
Pays de la Loire 35
La Réunion 19
Centre-Val de Loire 15
Bourgogne-Franche-Comté 14
Martinique 11
Mayotte 11
2 271
projets de recrutement
36 %
jugés difficiles à recruter
2 %
emplois saisonniers
Mesuré au niveau de la famille professionnelle : Techniciens et agents de maîtrise chargés d'études socio-économiques et Chargés d'études socio-économiques (nomenclature FAP).
-
L4X82— Techniciens et agents de maîtrise chargés d'études socio-économiques -
L5X93— Chargés d'études socio-économiques
Enquête Besoins en Main d'Œuvre (BMO) 2026 — France Travail (open data), cumul national. Les indicateurs sont publiés par famille professionnelle (FAP), pas par métier ROME : ils couvrent l'ensemble des métiers de ces familles.
Voie d'accès à la certification
Voie d'accèsOuverte
Formation initiale
Oui
Formation continue
Oui
Apprentissage
Oui
Contrat de professionnalisation
Oui
Candidature individuelle
Non
VAE
Oui
Prérequis à l'entrée
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
Niveau de prise en charge (NPEC) d'un contrat d'apprentissage par les OPCO, fixé par France compétences selon la branche professionnelle (CPNE). Applicable au 01-09-2025.
Prise en charge usuelle
7 085 €
Selon la branche
6 700 € – 7 188 €
Prise en chargeBranches 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
Liens avec d'autres certifications
Nouvelle(s) certification(s)
Base légale
Date de décision30-03-2020
Durée de l'enregistrement3 ans
Date d'échéance30-03-2023
Pour plus d'informations · Statistiques
AnnéeCertifiésInsertion 6 moisMétier visé 2 ans
2019
29
100 %
—
2018
19
93 %
—
- Descriptif de la certification →
- Fiche officielle France compétences →
- Télécharger la fiche en Markdown →
Entrées et sorties de formation
75
entrées en formation
86
parcours menés à terme
115 %
taux d'achèvement
Entrées et sorties de formation — Caisse des Dépôts (open data), tous organismes confondus.
Demande CPF — formations engagées
246
dossiers CPF engagés
817 329 €
montant total engagé
3 322 €
coût moyen par dossier
415 h
durée moyenne
Qui finance ces dossiers (part du montant engagé)
Formations engagées via le CPF — Caisse des Dépôts (open data), tous organismes confondus.