# RNCP35288 - Concepteur développeur en science des données **Code:** RNCP35288 **État:** Publiée ## L'essentiel - **Nomenclature du niveau de qualification:** Niveau 6 - **Codes NSF:** 326, 114g - **FormaCodes:** 11052, 11036, 31028, 31026 - **Date d'échéance de l'enregistrement:** 10-02-2026 - **Date d'enregistrement:** 10-02-2021 - **Type d'enregistrement:** Enregistrement sur demande ## Certificateur(s) - JEDHA - SIRET: 83872651100044 - JEDHA - SIRET: 83872651100036 - Site web: https://www.jedha.co/ - JEDHA - SIRET: 83872651100028 ## Partenaires habilités 11 organismes habilités, d'après la liste publiée par France compétences : 10 à former et organiser l'évaluation et 1 à former. - 26 ACADEMY — SIRET 83069794200027 - Habilitation : Former et organiser l'évaluation - ALBERT GLOBAL DATA SCHOOL — SIRET 90517525300046 - Habilitation : Former et organiser l'évaluation - IFPASS SERVICES — SIRET 82379935800028 - Habilitation : Former - JEDHA — SIRET 83872651100010 - Habilitation : Former et organiser l'évaluation - JEDHA — SIRET 83872651100036 - Habilitation : Former et organiser l'évaluation - JEDHA — SIRET 83872651100044 - Habilitation : Former et organiser l'évaluation - M2I — SIRET 33354415300344 - Habilitation : Former et organiser l'évaluation - M2I SCRIBTEL — SIRET 39336786700214 - Habilitation : Former et organiser l'évaluation - NEOMA BUSINESS SCHOOL — SIRET 83429535400015 - Habilitation : Former et organiser l'évaluation - NEOMA BUSINESS SCHOOL — SIRET 83429535400049 - Habilitation : Former et organiser l'évaluation Liste complète des 11 partenaires habilités : https://data.aktaconseil.fr/certifications/rncp35288-concepteur-developpeur-en-science-des-donnees/partenaires ## Résumé de la certification ### Objectifs et contexte de la certification La Science des Données (ou Data Science en anglais) est devenue au cours de ces dernières années un élément indispensable pour permettre aux entreprises d’innover et de se différencier, et l’Intelligence Artificielle un outil de performance indispensable. Les directions métiers tous secteurs confondus utilisent déjà ces dernières, et cette tendance est amenée à augmenter exponentiellement au cours des prochaines années. L’objectif visé de la certification de "Concepteur Développeur en Science des Données " est de devenir un spécialiste en science des données ayant la capacité d’avoir une vision globale des projets de Science de Données, capable de les concevoir et diriger dans leur ensemble comme d'intervenir à un point précis de ces derniers. En effet, la certification confère au candidat les compétences pour exercer le métier : l'ensemble de ces compétences, décrites dans le référentiel, lui permet de créer des infrastructures de gestion de données robustes et adaptées, de les alimenter, de développer des algorithmes d’intelligence artificielle, de les mettre en production, mais aussi de collaborer avec les différentes équipes-métiers métier d'une organisation pour évaluer et adapter les besoins data. Il lui est donc possible de diriger des projets de gestion de données de bout-en-bout, d'en rendre compte, d'être force de proposition et de les adapter aux besoins de son environnement professionnel. Le candidat certifié peut mettre en œuvre l'ensemble des compétences nécessaires pour être opérationnel rapidement. ### Activités visées A1. Contruction d'une infrastructure de gestion de données adaptée à l'organisation A2. Collecte de données A3. Gestion d'entrepôts de données (Data Warehouse) A4. Analyse exploratoire de données A5. Visualisation et présentation de données A6. Mise en place d'un algorithme d'apprentissage automatique A7. Segmentation et réduction de base de données A8. Optimisation des performances des algorithmes d'apprentissage automatique A9. Mise en place d'un apprentissage automatique profond A10. Optimisation des performances des algorithmes d'apprentissage automatique profond pour industrialisation A11. Industrialisation d'algorithmes d'apprentissage automatique A12. Production d'applications d'intelligence artificielle utilisables par toutes les équipes métier A13. Définition d'une modélisation statistique qui permette de répondre aux problématiques des directions métiers A14. Construction d'un système de gestion et de suivi de projet d'analyse et de gestion de données A15. Direction de projets de gestion de données ### Compétences attestées Bloc n°1 - Construction et alimentation d'une infrastructure de gestion de données C1.1 - Concevoir une architecture de données robuste et adaptée en créant des lacs de données (Data Lake en anglais) et des entrepôts de données (Data Warehouse en anglais) afin de répondre aux besoins de stockage, d'utilisation, de sécurité et de protection de l'organisation définie par un cahier des charges C1.2 - Intégrer la dimension de stockage et de calcul distribuée à l'infrastructure de données via l'utilisation d'outils comme Spark ou AWS Redshift afin de l'adapter à des besoins de gestion de données massives (Big Data en anglais) C1.3 - Collecter des données provenant de différentes sources (Web, Logiciels internes de type Sage / Excel ou externes de type Google Analytics) via des librairies de programmation de type Scrapy ou Beautifulsoup dans le respect des normes de protection des données utilisateurs définies dans le RGPD pour alimenter le Data Lake afin d'affiner le résultat d'analyses futures. C1.4 - Nettoyer et organiser les données dans l'entrepôt de données (Data Warehouse en anglais) en écrivant des processus d'extraction, transformation et chargements (ETL en anglais) afin de rendre ces données disponibles et compréhensibles pour les autres équipes métiers. Bloc n°2 - Analyse exploratoire, descriptive et inférentielle de données C2.1 - Traiter des bases de données grâce à des analyses statistiques descriptives et inférentielles via des librairies de programmation comme Numpy ou Pandas, pour les organiser et les nettoyer afin de les normaliser par rapport à la population étudiée. C2.2 - Effectuer des analyses univariées et multivariées sur des bases de données structurées afin de préciser des relations entre plusieurs variables et d'établir des liens statistiques entre elles. C2.3 - Optimiser les analyses statistiques grâce au traitement parallélisé via l'utilisation d'outils comme Spark pour accélérer le temps de calcul d'un ordinateur afin de pouvoir analyser des volumes de données massifs (Big Data) C2.4 - Présenter le résultat d'une analyse statistique de données structurées, massives ou non, grâce à des librairies de programmation comme Plotly ou Matplotlib pour synthétiser ce résultat devant un public profane afin de faciliter la prise de décisions et appuyer leurs déclinaisons opérationnelles Bloc n°3 - Analyse prédictive de données structurées par l'intelligence artificielle C3.1 - Traiter des données structurées en créant un pipeline de traitement grâce à des librairies de programmation comme Scikit-Learn pour encoder, normaliser et découper des données afin de les rendre interprétables par un algorithme d'apprentissage automatique (Machine Learning en anglais) C3.2 - Effectuer des analyses prédictives sur un jeu de données structurées grâce à des algorithmes d'apprentissage automatique supervisés adaptés afin d'automatiser des tâches liées aux résultats des prédictions de ces algorithmes C3.3 - Élaborer un algorithme d'apprentissage automatique non-supervisé pour segmenter une base de données en différents groupes homogènes ou réduire la dimension de cette dernière afin de pouvoir comprendre des observations de manière granulaire et de permettre leur visualisation C3.4 - Évaluer la performance prédictive des algorithmes d'apprentissage automatique en déterminant l'influence des différentes variables pour pouvoir l'améliorer afin de démontrer son utilité aux directions métiers, par rapport aux processus déjà établis dans l'organisation Bloc n°4 - Analyse prédictive de données non-structurées par l'intelligence artificielle C4.1 - Traiter des données non-structurées (image, texte, audio) par la création de fonction de traitements via l'utilisation de librairies de programmation comme TensorFlow ou Numpy pour les transformer en matrices afin de les rendre interprétables par un algorithme d'apprentissage automatique profond (Deep learning en anglais) C4.2 - Élaborer des réseaux de neurones adaptés (classiques, convolutifs ou recursifs) en superposant des couches neuronales via des librairies de programmation comme TensorFlow pour analyser des données non-structurées afin de détecter des signaux sur ces dernières C4.3 - Créer un algorithme robuste et précis en configurant un réseau de neurones pré-entrainé profond afin de répondre à des problématiques de prédiction sur des volumes de données massifs C4.4 - Créer des données non-structurées en élaborant des réseaux de neurones adverses afin de construire de nouvelles bases d'entrainement pour des applications d'intelligence artificielle C4.5 - Évaluer la performance d'un algorithme d'apprentissage automatique profond en évaluant des indicateurs sur des données d'entrainement et de validation afin d'industrialiser son utilisation Bloc n°5 - Industrialisation d'un algorithme d'apprentissage automatique et automatisation des processus de décision C5.1 - Standardiser la construction et l'environnement informatique d'un algorithme d'apprentissage automatique grâce des outils de production comme MLflow et Docker afin de faciliter la mise en production de projets d'intelligence artificielle sur tous types de plateformes C5.2 - Créer une interface de programmation applicative grâce à des outil comme AWS sagemaker afin de donner un accès à échelle aux prédictions des algorithmes d'apprentissage automatique à l'ensemble des équipes métiers concernées C5.3 - Déployer une application web intégrant des algorithmes de statistiques prédictives (Machine Learning et Deep Learning) grâce à des outils comme Flask, Heroku ou AWS sagemaker pour les rendre utilisables par l'ensemble des équipes métiers afin d'automatiser leurs processus de décision Bloc n°6 - Direction de projets de gestion de données C6.1 - Traduire les enjeux métiers en problématiques mathématiques/data grâce à une compréhension des besoins propres à chaque projet data afin de pouvoir répondre aux objectifs de l'organisation C6.2 - Maîtriser les technologies les plus récentes et adaptées du marché grâce à de la veille technologique et de la pratique constante pour développer une expertise afin d'être à même de proposer aux directions métiers les solutions les plus adaptées actuellement à une problématique et l'amélioration constante des process de gestion de données déjà en place C6.3 - Définir un cahier des charges, un retroplanning et un budget afin de défendre et détailler aux directions métier un projet data répondant aux besoins de l'organisation C6.4 - Gérer un projet d'analyse et de gestion de données (analyse statistique descriptive, Machine Learning, Deep Learning, Big Data ou non) grâce à l'élaboration d'indicateurs adaptés et de tableaux de bords, afin de faire le suivi et le bilan de l’action, ainsi que de la déclinaison opérationnelle de ses résultats, le tout dans le respect des normes de protection des données utilisateurs définies dans le RGPD C6.5 - Transmettre aux directions-métiers le process d'extraction d'informations et d'analyse de données en le vulgarisant afin de soutenir la mise en place d'une stratégie et d'actions futures. C6.6 - Diriger un projet de gestion de données, allant de sa conception à la mise en place de solutions, afin de le mener jusqu'à son terme, d'être la personne clé disposant de toutes les informations sur le projet à tout moment, et d'accompagner d'autres services de l'organisation dans l'ensemble des activités relatives à celui-ci ## Blocs de compétences ### RNCP35288BC01 - Construction et alimentation d'une infrastructure de gestion de données **Liste de compétences:** C1.1 - Concevoir une architecture de données robuste et adaptée en créant des lacs de données (Data Lake en anglais) et des entrepôts de données (Data Warehouse en anglais) afin de répondre aux besoins de stockage, d'utilisation, de sécurité et de protection de l'organisation définie par un cahier des charges C1.2 - Intégrer la dimension de stockage et de calcul distribuée à l'infrastructure de données via l'utilisation d'outils comme Spark ou AWS Redshift afin de l'adapter à des besoins de gestion de données massives (Big Data en anglais) C1.3 - Collecter des données provenant de différentes sources (Web, Logiciels internes de type Sage / Excel ou externes de type Google Analytics) via des librairies de programmation de type Scrapy ou Beautifulsoup dans le respect des normes de protection des données utilisateurs définies dans le RGPD pour alimenter le Data Lake afin d'affiner le résultat d'analyses futures. C1.4 - Nettoyer et organiser les données dans l'entrepôt de données (Data Warehouse en anglais) en écrivant des processus d'extraction, transformation et chargements (ETL en anglais) afin de rendre ces données disponibles et compréhensibles pour les autres équipes métiers. **Modalités d'évaluation:** Type d'évaluation : Une étude de cas sur des données réelles Thème d'évaluation : Construction d'une infrastructure Cloud accueillant des données Big Data ### RNCP35288BC02 - Analyse exploratoire, descriptive et inférentielle de données **Liste de compétences:** C2.1 - Traiter des bases de données grâce à des analyses statistiques descriptives et inférentielles via des librairies de programmation comme Numpy ou Pandas, pour les organiser et les nettoyer afin de les normaliser par rapport à la population étudiée. C2.2 - Effectuer des analyses univariées et multivariées sur des bases de données structurées afin de préciser des relations entre plusieurs variables et d'établir des liens statistiques entre elles. C2.3 - Optimiser les analyses statistiques grâce au traitement parallélisé via l'utilisation d'outils comme Spark pour accélérer le temps de calcul d'un ordinateur afin de pouvoir analyser des volumes de données massifs (Big Data) C2.4 - Présenter le résultat d'une analyse statistique de données structurées, massives ou non, grâce à des librairies de programmation comme Plotly ou Matplotlib pour synthétiser ce résultat devant un public profane afin de faciliter la prise de décisions et appuyer leurs déclinaisons opérationnelles. **Modalités d'évaluation:** Type d'évaluation : Deux études de cas sur des données réelles Thème d'évaluation : - Gestion de valeurs manquantes et aberrantes d'une base de données non-massives puis analyse pour déterminer et présenter des tendances par le biais de graphiques. - Analyse d'une base de données massives déstructurées adaptée à une problématique définie. ### RNCP35288BC03 - Analyse prédictive de données structurées par l'intelligence artificielle **Liste de compétences:** C3.1 - Traiter des données structurées en créant un pipeline de traitement grâce à des librairies de programmation comme Scikit-Learn pour encoder, normaliser et découper des données afin de les rendre interprétables par un algorithme d'apprentissage automatique (Machine Learning en anglais) C3.2 - Effectuer des analyses prédictives sur un jeu de données structurées grâce à des algorithmes d'apprentissage automatique supervisés adaptés afin d'automatiser des tâches liées aux résultats des prédictions de ces algorithmes C3.3 - Élaborer un algorithme d'apprentissage automatique non-supervisé pour segmenter une base de données en différents groupes homogènes ou réduire la dimension de cette dernière afin de pouvoir comprendre des observations de manière granulaire et de permettre leur visualisation. C3.4 - Évaluer la performance prédictive des algorithmes d'apprentissage automatique en déterminant l'influence des différentes variables pour pouvoir l'améliorer afin de démontrer son utilité aux directions métiers, par rapport aux processus déjà établis dans l'organisation **Modalités d'évaluation:** Type d'évaluation : trois études de cas pratiques tirées de cas réels Thème d'évaluation - Optimisation des processus par le biais d'algorithmes d'apprentissage supervisés - Optimisation d'algorithmes d'apprentissage automatique supervisé sur des bases de données déséquilibrées - Localisation de zones de densité géographique par l'élaboration d'algorithmes d'apprentissage automatique non-supervisé ### RNCP35288BC04 - Analyse prédictive de données non-structurées par l'intelligence artificielle **Liste de compétences:** C4.1 - Traiter des données non-structurées (image, texte, audio) par la création de fonction de traitements via l'utilisation de librairies de programmation comme TensorFlow ou Numpy pour les transformer en matrices afin de les rendre interprétables par un algorithme d'apprentissage automatique profond (Deep learning en anglais) C4.2 - Élaborer des réseaux de neurones adaptés (classiques, convolutifs ou recursifs) en superposant des couches neuronales via des librairies de programmation comme TensorFlow pour analyser des données non-structurées afin de détecter des signaux sur ces dernières C4.3 - Créer un algorithme robuste et précis en configurant un réseau de neurones pré-entrainé profond afin de répondre à des problématiques de prédiction sur des volumes de données massifs C4.4 - Créer des données non-structurées en élaborant des réseaux de neurones adverses afin de construire de nouvelles bases d'entrainement pour des applications d'intelligence artificielle C4.5 - Évaluer la performance d'un algorithme d'apprentissage automatique profond en évaluant des indicateurs sur des données d'entrainement et de validation afin d'industrialiser son utilisation **Modalités d'évaluation:** Type d'évaluation : une étude de cas pratique sur des données non-structurées Thème d'évaluation : Analyse de sentiment, par l'élaboration d'un algorithme permettant de déterminer le sentiment d'un utilisateur à l'égard d'un produit ### RNCP35288BC05 - Industrialisation d'un algorithme d'apprentissage automatique et automatisation des processus de décision **Liste de compétences:** C5.1 - Standardiser la construction et l'environnement informatique d'un algorithme d'apprentissage automatique grâce des outils de production comme MLflow et Docker afin de faciliter la mise en production de projets d'intelligence artificielle sur tous types de plateformes C5.2 - Créer une interface de programmation applicative grâce à des outil comme AWS sagemaker afin de donner un accès à échelle aux prédictions des algorithmes d'apprentissage automatique à l'ensemble des équipes métiers concernées C5.3 - Déployer une application web intégrant des algorithmes de statistiques prédictives (Machine Learning et Deep Learning) grâce à des outils comme Flask, Heroku ou AWS sagemaker pour les rendre utilisables par l'ensemble des équipes métiers afin d'automatiser leurs processus de décision **Modalités d'évaluation:** Type d'évaluation :Etude de cas pratique sur le déploiement d'un algorithme d'apprentissage automatique Thème d'évaluation : construction et mise en production d'une application web d'intelligence artificielle ### RNCP35288BC06 - Direction de projets de gestion de données **Liste de compétences:** C6.1 - Traduire les enjeux métiers en problématiques mathématiques/data grâce à une compréhension des besoins propres à chaque projet data afin de pouvoir répondre aux objectifs de l'organisation C6.2 - Maîtriser les technologies les plus récentes et adaptées du marché grâce à de la veille technologique et de la pratique constante pour développer une expertise afin d'être à même de proposer aux directions métiers les solutions les plus adaptées actuellement à une problématique et l'amélioration constante des process de gestion de données déjà en place C6.3 - Définir un cahier des charges, un retroplanning et un budget afin de défendre et détailler aux directions métier un projet data répondant aux besoins de l'organisation C6.4 - Gérer un projet d'analyse et de gestion de données (analyse statistique descriptive, Machine Learning, Deep Learning, Big Data ou non) grâce à l'élaboration d'indicateurs adaptés et de tableaux de bords, afin de faire le suivi et le bilan de l’action, ainsi que de la déclinaison opérationnelle de ses résultats, le tout dans le respect des normes de protection des données utilisateurs définies dans le RGPD C6.5 - Transmettre aux directions-métiers le process d'extraction d'informations et d'analyse de données en le vulgarisant afin de soutenir la mise en place d'une stratégie et d'actions futures. C6.6 - Diriger un projet de gestion de données, allant de sa conception à la mise en place de solutions, afin de le mener jusqu'à son terme, d'être la personne clé disposant de toutes les informations sur le projet à tout moment, et d'accompagner d'autres services de l'organisation dans l'ensemble des activités relatives à celui-ci **Modalités d'évaluation:** Type d'évaluation : projet data conçu de A à Z. Thème d'évaluation :libre. Les apprenants peuvent préparer le projet data de leur choix. Celui-ci peut être personnel, développé par le candidat dans le cadre de son activité professionnelle, ou défini par une entreprise partenaire. Il fera l'objet d'une soutenance orale de 10 minutes suivie de 5 à 10 minutes de questions. ## Secteur d'activité et type d'emploi ### Secteurs d'activités Depuis l'émergence de l’Intelligence Artificielle et des Big Data, les Concepteurs Développeurs en Science des Données sont recrutés dans de différents et nombreux domaines (commercial, finance, santé, recherche, administration…), à des postes pouvant différer par leur niveau hiérarchique et leur niveau de technicité, et par une grandes variété d’organisations : dans l’industrie, par de grandes entreprises comme de jeunes start-up, dans le service public et l’administration, par des institutions scientifiques, des organisations médicales ou paramédicales et même des structures associatives. En effet, leur travail d'analyse peut facilement se retrouver à la base de l’élaboration de la stratégie générale d’une organisation. Tous les secteurs d’activités utilisant de la donnée sont ainsi concernés et quel que soit la taille de l’entreprise. Le “Concepteur Développeur en Science des Données” pourra exercer son activité : * Dans une entreprise de Services Numériques (ESN ou ex SSII) réalisant des prestations de science des données ou d’intelligence artificielle, en régie ou au forfait * Dans l’ensemble des structures utilisatrices d’Intelligence Artificielle, possédant un service dédié à l’analyse de données et aux développements de ces IA, du secteur privé ou public, entreprises ou association (ex : Banque, Assurance, startups spécialisées dans l’Intelligence Artificielle, certains établissements de recherche ou de santé, etc) * En tant qu’indépendant pour des missions de gestion de données, de conceptions ou mise en production d’algorithmes, ou de pilotage de projet Data. * Dans des organismes de formation spécialisés dans l’Intelligence Artificielle. ### Type d'emplois accessibles * Data Scientist * Data Engineer * Machine Learning Engineer * Développeur Full-Stack Python (ou Software Engineer) * Data Analyst (ou Data Miner) * Business Analyst * Consultant Intelligence Artificielle (ou Consultant Data) * Product Manager Data (ou Product Owner ou chef de produit Data) * Chef de Projet Data (ou Project Manager Data) * Ingénieur d'études / Chargé d'études * Ingénieur en Business Intelligence * Directeur / Directrice de l'Organisation et des Systèmes d'Information -DOSI * Attaché / Attachée d’études statistiques ### Code(s) ROME M1403, M1810, M1805, M1803, M1806 ### Références juridiques des réglementations d'activité L’ensemble du processus de conception et de développement d’algorithmes d’apprentissage automatique doit se dérouler dans le respect des réglementations en vigueur quant à l’utilisation de données personnelles (RGPD) et des critères définissant l’utilisation responsable des données. Le règlement général sur la protection des données (RGPD, ou encore GDPR, de l'anglais General Data Protection Regulation) est le règlement de l'Union Européenne qui constitue le texte de référence en matière de protection des données à caractère personnel : il renforce la protection de ces données pour les individus, responsabilise les acteurs du traitement de ces données et augmente le pouvoir des autorités de régulation au sein de l'Union européenne. Il est entré en application dans l'ensemble des 28 États membres de l'Union européenne à compter du 25 mai 2018. Il met en place des principes nouveaux, dont les plus importants sont : * Un consentement explicite et positif doit être donné par l’utilisateur. Il dispose également d’un droit à l’effacement de ses données personnelles dans les meilleurs délais et peut demander à recevoir l’ensemble des données personnelles détenues par l’entreprise le concernant. * Le principe de protection des données dès la conception (Privacy by Design) impose aux organisations de prendre en compte les exigences relatives à la protection des données personnelles dès la conception des produits, services et systèmes exploitant ces données. * La minimisation des données impose à l’organisation de ne collecter, traiter et stocker que les données nécessaires en vue de l’exécution de ses tâches. * Les organisations publiques, traitant des données très sensibles ou de plus de 250 personnes ont l’obligation de nommer un délégué à la protection des données pour contrôler le respect du règlement, de conseiller le responsable des traitements sur son application et de faire office de point de contact avec l'autorité de contrôle, de répondre aux sollicitations de personnes qui souhaitent exercer leurs droits. * L’ensemble des dispositions du RGPD s'appliquent aux organisations établies en dehors de l'UE qui traitent les données relatives aux activités des organisations de l'UE ou appartenant à des résidents de l'UE L’utilisation responsable des données implique également de manière plus large un certain nombre de critères qui préviennent la création d’intelligences artificielles intrusives, pouvant porter atteinte à l’ordre public, inciter à la haine ou de manière plus générale promouvant ou permettant toute activité interdite par la loi ou allant à l’encontre de l’éthique. L’éthique des données est une problématique en perpétuelle évolution, mobilisant nombre de groupes de travail publics comme indépendants. Si le cadre actuel est défini par le RGPD, ces acteurs et groupes de travail essayent de créer des cadres pour faire en sorte que les évolutions permises en science des données bénéficient directement à l’intérêt général et pas uniquement à des acteurs privés. Ces cadres incluent par exemple le site d’open source de bases de données Kaggle ou la plateforme de travail Data for Good. ## 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 :** Élevée (4/5) - **Facteurs principaux :** Manque de main-d'œuvre disponible, Lien formation-emploi - **Salaire médian (mensuel) :** 2 897 € - **Diplôme le plus fréquent :** Diplôme de niveau bac+5 ou plus (doctorat, master ou équivalent) en communication et information (41 % des actifs en emploi) - **Familles professionnelles (FAP) :** 8 — elles ne sont pas au même niveau de tension (de 3 à 5 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) - M1X80 — Techniciens d'étude et de développement en informatique · tension 4/5 (Élevée) - M1X81 — Techniciens de production, d'exploitation, d'installation, et de maintenance, support et services aux utilisateurs en informatique · tension 4/5 (Élevée) - M2X90 — Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom · tension 5/5 (Très élevée) - M2X91 — Chefs de projet et directeurs de service informatique · tension 4/5 (Élevée) - M2X92 — Responsables et cadres de la production, de l'exploitation et de la maintenance informatique et télécom · tension 3/5 (Modérée) - M2X93 — Experts et consultants en systèmes d'information · tension 5/5 (Très élevée) ### Besoins en main-d'œuvre (BMO 2026) - **Projets de recrutement :** 46 226 - **Jugés difficiles à recruter :** 49 % - **Emplois saisonniers :** 2 % - **Familles professionnelles (FAP) :** 8 - L4X82 — Techniciens et agents de maîtrise chargés d'études socio-économiques - L5X93 — Chargés d'études socio-économiques - M1X80 — Techniciens d'étude et de développement en informatique - M1X81 — Techniciens de production, d'exploitation, d'installation, et de maintenance, support et services aux utilisateurs en informatique - M2X90 — Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom - M2X91 — Chefs de projet et directeurs de service informatique - M2X92 — Responsables et cadres de la production, de l'exploitation et de la maintenance informatique et télécom - M2X93 — Experts et consultants en systèmes d'information ## Voies d'accès **Modalités d'accès :** Formation initiale, Formation continue, Apprentissage, Contrat de professionnalisation, VAE ### Prérequis à l'entrée en formation * Un niveau 5 dans un domaine scientifique et/ou économique. À l’international, un niveau équivalent est requis. Ce niveau sera justifié par le CV de l’apprenant. * La réussite d’un test d’admission “coding challenge”, validant des compétences nécessaires scientifiques en mathématiques appliquées ainsi qu’en programmation python. * La réussite d’un entretien préalable qui jugera: o De la plus-value de l’acquisition des compétences décrites dans le référentiel "Concepteur Développeur en Science des Données " pour le projet professionnel o De la pertinence et de la faisabilité de ce projet professionnel o De la capacité du candidat à suivre la Formation dans les conditions définies au préalable (possibilité de suivre la formation en présentiel ou distanciel) * Une expérience professionnelle adaptée sera valorisée pour l’admission dans la formation. * Une pratique courante de l’anglais (niveau B2 en compréhension & expression écrite et B1 de compréhension & expression orale du référentiel européen CECRL) est requise. * Dans certains cas, la réussite aux tests d’admission et à l’entretien pourront se substituer à un diplôme de niveau 5. ### Composition du jury — Formation initiale, Formation continue, Apprentissage, Contrat de professionnalisation Le jury de certification est composé de : * 1 représentant de Jedha, qui préside le jury : le président, le directeur des contenus, le directeur des programmes ou leur représentant désigné * 1 membre externe, préférentiellement choisi parmi les membres externes du conseil pédagogique * 1 à 2 autres membre(s) extérieur(s), spécialistes ou recruteurs spécialisé dans en science des données Les membres du jury ont une expérience significative en Sciences des Données, suffisante pour pouvoir évaluer les apprenants sur la présentation de leur travail. Tous les membres du jury ont une expérience technique significative et peuvent venir de différents secteurs d’activités (Finance, Banque, Marketing etc.). ### Composition du jury — VAE Le dossier VAE est étudié directement par : * 1 représentant de Jedha, qui préside le jury : le président, le directeur des contenus, le directeur des programmes ou leur représentant désigné * 1 membre externe, choisi parmi les membres externes du conseil pédagogique * 1 à 2 autres membre(s) extérieur(s), spécialistes ou recruteurs spécialisés dans les sciences des données ## 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:** 8 195 € - **Selon la branche:** 7 000 € – 9 480 € | Prise en charge | Branches concernées | |---|---| | 8 195 € | Valeur par défaut · 192 branches | | 9 480 € | CPNE Casinos, CPNE autoroutes, CPNE de l’édition de livres, de l’édition phonographique et de l’édition de musique, CPNE des Télécoms, CPNE des industries de santé (CPNEIS) | | 7 923 € | CPNE FP Branche des magasins du Bricolage, CPNEFP Commerce succursaliste de la Chaussure, CPNEFP Commerce à distance, CPNEFP Grands Magasins/ Magasins Populaires, CPNEFP des commerces et services de l'audiovisuel, de l'électronique et de l'équipement ménager | | 8 400 € | CPNEFP de l'habillement, mercerie, chaussure et jouet | | 8 255 € | CPNEFP Professions de la Photographie | | 8 134 € | CPNE FP Commerce de Détail de l'Horlogerie Bijouterie | | 7 967 € | CPNEFP de la branche des entreprises du bureau et du numérique (commerces et services) | | 7 124 € | CPNEFP de la blanchisserie, laverie, location de linge, nettoyage à sec, pressing et teinturerie | | 7 000 € | CPNEFP de la métallurgie | ## Base légale - **Date de décision:** 10-02-2021 - **Durée de l'enregistrement (années):** 5 - **Date d'échéance de l'enregistrement:** 10-02-2026 ## Statistiques | Année | Certifiés | Dont VAE | Insertion globale 6 mois | Insertion métier 2 ans | |---|---|---|---|---| | 2020 | 60 | 0 | 78 % | — | | 2019 | 60 | 0 | 86 % | — | ## Pour plus d'informations https://www.jedha.co/page/certificat-concepteur-developpeur **Fiche officielle (France Compétences) :** https://www.francecompetences.fr/recherche/rncp/35288/ ## Entrées et sorties de formation Tous organismes confondus — Caisse des Dépôts (open data), 02/2022 – 09/2026. - **Entrées en formation:** 1 235 - **Parcours menés à terme:** 1 187 - **Taux d'achèvement:** 96 % | Période | Entrées | Sorties totales | Sorties partielles | |---|---|---|---| | 02/2022 | 30 | 3 | 1 | | 03/2022 | 26 | 31 | 1 | | 04/2022 | 21 | 21 | 2 | | 05/2022 | 39 | 25 | 2 | | 06/2022 | 21 | 29 | 1 | | 07/2022 | 0 | 43 | 0 | | 08/2022 | 13 | 8 | 0 | | 09/2022 | 34 | 17 | 1 | | 10/2022 | 13 | 9 | 2 | | 11/2022 | 7 | 14 | 0 | | 12/2022 | 5 | 17 | 0 | | 01/2023 | 18 | 13 | 1 | | 02/2023 | 10 | 3 | 0 | | 03/2023 | 20 | 15 | 3 | | 04/2023 | 7 | 15 | 0 | | 05/2023 | 11 | 2 | 1 | | 06/2023 | 10 | 19 | 0 | | 07/2023 | 21 | 10 | 0 | | 08/2023 | 3 | 18 | 0 | | 09/2023 | 31 | 15 | 0 | | 10/2023 | 22 | 17 | 1 | | 11/2023 | 21 | 3 | 0 | | 12/2023 | 12 | 36 | 1 | | 01/2024 | 32 | 13 | 0 | | 02/2024 | 15 | 14 | 0 | | 03/2024 | 37 | 17 | 0 | | 04/2024 | 28 | 27 | 0 | | 05/2024 | 41 | 48 | 0 | | 06/2024 | 36 | 36 | 1 | | 07/2024 | 16 | 35 | 0 | | 08/2024 | 13 | 27 | 0 | | 09/2024 | 58 | 30 | 0 | | 10/2024 | 19 | 24 | 0 | | 11/2024 | 32 | 17 | 1 | | 12/2024 | 13 | 25 | 0 | | 01/2025 | 28 | 17 | 0 | | 02/2025 | 26 | 22 | 1 | | 03/2025 | 23 | 16 | 0 | | 04/2025 | 42 | 48 | 1 | | 05/2025 | 34 | 9 | 0 | | 06/2025 | 49 | 70 | 1 | | 07/2025 | 18 | 20 | 1 | | 08/2025 | 20 | 45 | 1 | | 09/2025 | 71 | 11 | 0 | | 10/2025 | 24 | 37 | 3 | | 11/2025 | 38 | 29 | 0 | | 12/2025 | 21 | 39 | 1 | | 01/2026 | 57 | 23 | 1 | | 02/2026 | 25 | 32 | 2 | | 03/2026 | 15 | 23 | 4 | | 04/2026 | 5 | 20 | 0 | | 05/2026 | 4 | 7 | 1 | | 06/2026 | 0 | 13 | 0 | | 07/2026 | 0 | 5 | 0 | | 08/2026 | 0 | 4 | 0 | | 09/2026 | 0 | 1 | 0 | ## Demande CPF — formations engagées Tous organismes confondus — Caisse des Dépôts (open data), 02/2021 – 02/2026. - **Dossiers CPF engagés:** 1 408 - **Montant total engagé:** 3 282 962 € - **Coût moyen par dossier:** 2 332 € - **Durée moyenne:** 173 h Financement (part du montant engagé) : - France compétences : 75 % - France Travail : 12 % - Reste à charge titulaire : 6 % - Régions : 4 % - Entreprise : 2 % - État : 0 % - OPCO : 0 % - Compte d'engagement citoyen : 0 % --- *Généré le 11/10/2026 à 20:01*