RNCP37431
Inactive
· Niveau 7
Expert en data science
Certificateur · OPENCLASSROOMS
L'essentiel
Nomenclature du niveau de qualification
Niveau 7
Formacode(s)
Date d'échéance de l'enregistrement
27-03-2025
Certificateur(s)
Partenaires habilités
1 organisme habilité, d'après la liste publiée par France compétences : 1 à former.
OrganismeSIRETHabilitation
LYCEE TECHNIQUE REGIONAL LES EUCALYPTUS
19060075900020
Former
Résumé de la certification
Objectifs et contexte
La certification professionnelle d'Expert en data science, a initialement été enregistrée au Répertoire national des certifications professionnelles le 30 mars 2020 au niveau 7 sous l'intitulé de Data scientist.
Le périmètre de la certification professionnelle couvre les quatre disciplines - pour partie imbriquées - que constituent la data science (traitement et analyse de données), l’intelligence artificielle (reproduction par des machines de processus cognitifs), l’apprentissage automatique et l’apprentissage automatique profond - machine learning et deep learning -, visant à donner aux machines les capacités d’apprendre à partir de données. Elle s'inscrit dans la continuité du périmètre du Data scientist, tout en intégrant des évolutions en phase avec les besoins du marché.
Elle vise à certifier des experts en statistique, en intelligence artificielle et en apprentissage automatique ; des professionnels capables de conduire des projets complexes d’analyse et de modélisation des données, pour répondre à des problématiques métier (visualisation, appui à la décision, prédiction, classification, traitement de données non structurées tel que du texte ou des images, déploiement de modèles d’apprentissage automatique dans un environnement Cloud, etc.).
La hausse exponentielle des données produites, concomitamment à la disponibilité des technologies permettant de les traiter et à l'intégration croissante de l'intelligence artificielle par les entreprises créent en effet des besoins en recrutement et en compétences pour les experts en data science - besoins que les entreprises peinent actuellement à pourvoir. Cette certification professionnelle s’inscrit dans ce contexte et permet de certifier des professionnels de haut niveau, en réponse à ces besoins.
Activités visées
Collecter, pré-traiter et analyser des données et créer des variables pertinentes (feature engineering) pour l'entraînement d’un modèle
Définition de la stratégie de collecte de données et réalisation d’une collecte via une API
Définition et gestion du nettoyage de données structurées
Réalisation d’analyses statistiques et de représentations graphiques de données structurées
Conception et adaptation de variables pertinentes pour les modèles d’apprentissage (feature engineering)
Concevoir des modèles d'apprentissage à partir de données structurées et de données non structurées (texte et images)
Définition et mise en oeuvre de la stratégie d’élaboration d’un modèle d’apprentissage supervisé avec des données structurées, pour réaliser une analyse prédictive
Définition et mise en oeuvre de la stratégie d’élaboration d’un modèle d’apprentissage non supervisé avec des données structurées, pour segmenter ou réduire des données
Définition et mise en oeuvre de la stratégie d’élaboration d’un modèle d’apprentissage profond (deep learning) pour réaliser une analyse prédictive
Gérer le cycle de vie et le déploiement en production d’un modèle (MLOps) ou d’une application dans des environnements classiques et Big Data
Gestion du cycle de vie et déploiement continu en production d'un modèle dans le cadre d'une démarche orientée MLOps
Conception, préparation, et déploiement d’une application ou d’un modèle d’apprentissage en utilisant les technologies du big data
Manager des projets IA et de data science complexes en intégrant les contraintes légales et les valeurs d’éthique
Réalisation d’une veille sur les outils et tendances en data science et IA
Organisation de l'expression du besoin des métiers et formalisation de user stories
Cadrage et gestion d’un projet IA ou de data science, selon une approche agile de type SCRUM
Présentation des projets de data science et restitution des résultats aux métiers
Compétences attestées
Définir la stratégie de collecte de données en recensant les API disponibles, et réaliser la collecte des données répondant à des critères définis via une API (interface de programmation) en prenant en compte les normes RGPD, afin de les exploiter pour l’élaboration d’un modèle.
Déterminer les objectifs du nettoyage des données et de la démarche de mise en œuvre, afin de construire un jeu de données adapté à une problématique métier.
Effectuer des opérations de nettoyage sur des données structurées, notamment l’identification d’outliers et le remplissage de données manquantes, dans le respect des normes en vigueur (RGPD) afin de proposer des données exploitables pour une problématique métier.
Effectuer des analyses statistiques univariées et multivariées, notamment des tests statistiques, à partir de données structurées et nettoyées afin de présenter leur distribution, valider leur cohérence et détecter des corrélations.
Représenter des données grâce à des graphiques afin d’expliciter et justifier les analyses réalisées.
Utiliser des techniques appropriées de réduction en deux dimensions de données de grande dimension, et les représenter graphiquement afin d'en réaliser l'analyse exploratoire.
Sélectionner, transformer et créer les variables pertinentes d'un modèle d'apprentissage supervisé ou non supervisé (feature engineering) afin de réaliser un apprentissage optimal.
Pré-traiter des données non structurées de type texte en prenant en compte les normes liées à la propriété intellectuelle, et réaliser un feature engineering adapté aux modèles d'apprentissage afin d’obtenir un jeu de données exploitables.
Pré-traiter des données non structurées de type image en veillant au respect du droit à l’image et réaliser un feature engineering adapté aux modèles d'apprentissage afin d’obtenir un jeu de données exploitables.
Réduire la dimension de données de grande dimension, afin d'optimiser les temps d’entraînement des modèles.
Définir la stratégie d’élaboration d’un modèle d’apprentissage supervisé, sélectionner et entraîner des modèles adaptés à une problématique métier, afin de réaliser une analyse prédictive.
Évaluer les performances des modèles d’apprentissage supervisé selon différents critères (scores, temps d'entraînement, etc.) en adaptant les paramètres afin de choisir le modèle le plus performant pour la problématique métier.
Définir la stratégie d’élaboration d’un modèle d’apprentissage non supervisé, sélectionner et entraîner des modèles adaptés à une problématique métier afin de réaliser une segmentation ou une réduction de données.
Évaluer les performances des modèles d’apprentissage non supervisé selon différents critères (scores, temps d'entraînement, etc.) en adaptant les paramètres afin de choisir le modèle le plus performant pour la problématique métier.
Définir la stratégie d’élaboration d’un modèle d'apprentissage profond, concevoir ou ré-utiliser des modèles pré-entraînés (transfer learning) et entraîner des modèles afin de réaliser une analyse prédictive.
Évaluer la performance des modèles d’apprentissage profond selon différents critères (scores, temps d'entraînement, etc.) afin de choisir le modèle le plus performant pour la problématique métier.
Utiliser des techniques d’augmentation des données afin d'améliorer la performance des modèles.
Définir et mettre en œuvre un pipeline d’entraînement des modèles, avec centralisation du stockage des modèles et formalisation des résultats et mesures des différentes expérimentations réalisées, afin d’industrialiser le projet de Machine Learning.
Mettre en œuvre un logiciel de version de code afin d’assurer en continu l’intégration et la diffusion du modèle auprès de collaborateurs.
Concevoir et assurer un déploiement continu d'un moteur d’inférence (modèle de prédiction encapsulé dans une API) sur une plateforme Cloud afin de permettre à des applications de réaliser des prédictions via une requête à l’API.
Définir et mettre en œuvre une stratégie de suivi de la performance d’un modèle en production, et en assurer la maintenance afin de garantir dans le temps la production de prédictions performantes.
Sélectionner les outils du Cloud permettant de traiter et stocker les données d'un projet Big Data conforme aux normes RGPD en vigueur, afin de concevoir une application de qualité supportant le traitement de données massives.
Pré-traiter, analyser et modéliser des données (en veillant à leur conformité RGPD) dans un environnement Big data en utilisant les outils du Cloud, afin de concevoir une application sécurisée de qualité supportant le traitement de données massives.
Réaliser des calculs distribués sur des données massives en utilisant les outils adaptés et en prenant en compte le RGPD, afin de permettre la mise en œuvre d’applications à l’échelle.
Réaliser une veille sur les outils et tendances en data science et IA afin de mettre à jour son expertise et de s’assurer que les méthodes utilisées mobilisent bien les techniques en vigueur.
Organiser l’identification des besoins métiers d’un projet de Data Science / IA et formaliser ces besoins sous forme de user stories afin de réaliser des solutions adaptées aux besoins des clients.
Identifier les ressources humaines, techniques et financières d'un projet de data science afin de mettre en œuvre la conception et la réalisation de modèles ou d'applications mettant en œuvre des modèles.
Intégrer le respect des contraintes légales et éthiques relatives à la collecte de données personnelles afin de respecter les règles du RGPD et maîtriser les problématiques d'éthique des données personnelles traitées.
Analyser les risques inhérents au projet et à la gestion des données personnelles et planifier des réponses adéquates aux risques significatifs afin de garantir la maîtrise et la réussite du projet.
Piloter ou participer au pilotage du projet en planifiant les différents sprints afin de permettre la mobilisation des parties prenantes et le bon déroulement du projet.
Réaliser un tableau de bord afin de présenter son travail de modélisation à un public non technique, et adapté à des personnes en situation de handicap en appliquant certains critères d'accessibilité du WCAG.
Rédiger une note méthodologique, contenant notamment le choix des algorithmes testés, les métriques utilisées et l’interprétabilité du modèle proposé, afin de communiquer sa démarche de modélisation.
Réaliser la présentation orale d’une démarche de modélisation à un client interne/externe, afin de partager les résultats et faciliter la prise de décision de l'interlocuteur.
Blocs de compétences · 4
RNCP37431BC01
Collecter, pré-traiter, analyser des données et créer des variables pertinentes (feature engineering) pour l'entraînement d’un modèle
Compétences visées
Définir la stratégie de collecte de données en recensant les API disponibles, et réaliser la collecte des données répondant à des critères définis via une API (interface de programmation) en prenant en compte les normes RGPD, afin de les exploiter pour l’élaboration d’un modèle.
Déterminer les objectifs du nettoyage des données et de la démarche de mise en œuvre, afin de construire un jeu de données adapté à une problématique métier.
Effectuer des opérations de nettoyage sur des données structurées, notamment l’identification d’outliers et le remplissage de données manquantes, dans le respect des normes en vigueur (RGPD) afin de proposer des données exploitables pour une problématique métier.
Effectuer des analyses statistiques univariées et multivariées, notamment des tests statistiques, à partir de données structurées et nettoyées afin de présenter leur distribution, valider leur cohérence et détecter des corrélations.
Représenter des données grâce à des graphiques afin d’expliciter et justifier les analyses réalisées.
Utiliser des techniques appropriées de réduction en deux dimensions de données de grande dimension, et les représenter graphiquement afin d'en réaliser l'analyse exploratoire.
Sélectionner, transformer et créer les variables pertinentes d'un modèle d'apprentissage supervisé ou non supervisé (feature engineering) afin de réaliser un apprentissage optimal.
Pré-traiter des données non structurées de type texte en prenant en compte les normes liées à la propriété intellectuelle, et réaliser un feature engineering adapté aux modèles d'apprentissage afin d’obtenir un jeu de données exploitables.
Pré-traiter des données non structurées de type image en veillant au respect du droit à l’image et réaliser un feature engineering adapté aux modèles d'apprentissage afin d’obtenir un jeu de données exploitables.
Réduire la dimension de données de grande dimension, afin d'optimiser les temps d’entraînement des modèles.
Modalités d'évaluation
Projets (mises en situation professionnelle) et soutenances.
RNCP37431BC02
Concevoir des modèles d'apprentissage automatique à partir de données structurées et de données non structurées (texte et images)
Compétences visées
Définir la stratégie d’élaboration d’un modèle d’apprentissage supervisé, sélectionner et entraîner des modèles adaptés à une problématique métier, afin de réaliser une analyse prédictive.
Évaluer les performances des modèles d’apprentissage supervisé selon différents critères (scores, temps d'entraînement, etc.) en adaptant les paramètres afin de choisir le modèle le plus performant pour la problématique métier.
Définir la stratégie d’élaboration d’un modèle d’apprentissage non supervisé, sélectionner et entraîner des modèles adaptés à une problématique métier afin de réaliser une segmentation ou une réduction de données.
Évaluer les performances des modèles d’apprentissage non supervisé selon différents critères (scores, temps d'entraînement, etc.) en adaptant les paramètres afin de choisir le modèle le plus performant pour la problématique métier.
Définir la stratégie d’élaboration d’un modèle d'apprentissage profond, concevoir ou ré-utiliser des modèles pré-entraînés (transfer learning) et entraîner des modèles afin de réaliser une analyse prédictive.
Évaluer la performance des modèles d’apprentissage profond selon différents critères (scores, temps d'entraînement, etc.) afin de choisir le modèle le plus performant pour la problématique métier.
Utiliser des techniques d’augmentation des données afin d'améliorer la performance des modèles.
Modalités d'évaluation
Projets (mises en situation professionnelle) et soutenances.
RNCP37431BC03
Gérer le cycle de vie et le déploiement en production d’un modèle (MLOps) ou d’une application dans des environnements classiques et Big Data
Compétences visées
Définir et mettre en œuvre un pipeline d’entraînement des modèles, avec centralisation du stockage des modèles et formalisation des résultats et mesures des différentes expérimentations réalisées, afin d’industrialiser le projet de Machine Learning.
Mettre en œuvre un logiciel de version de code afin d’assurer en continu l’intégration et la diffusion du modèle auprès de collaborateurs.
Concevoir et assurer un déploiement continu d'un moteur d’inférence (modèle de prédiction encapsulé dans une API) sur une plateforme Cloud afin de permettre à des applications de réaliser des prédictions via une requête à l’API.
Définir et mettre en œuvre une stratégie de suivi de la performance d’un modèle en production, et en assurer la maintenance afin de garantir dans le temps la production de prédictions performantes.
Sélectionner les outils du Cloud permettant de traiter et stocker les données d'un projet Big Data conforme aux normes RGPD en vigueur, afin de concevoir une application de qualité supportant le traitement de données massives.
Prétraiter, analyser et modéliser des données (en veillant à leur conformité RGPD) dans un environnement Big data en utilisant les outils du Cloud, afin de concevoir une application sécurisée de qualité supportant le traitement de données massives.
Réaliser des calculs distribués sur des données massives en utilisant les outils adaptés et en prenant en compte le RGPD, afin de permettre la mise en œuvre d’applications à l’échelle.
Modalités d'évaluation
Projets (mises en situation professionnelle) et soutenances.
RNCP37431BC04
Manager des projets d'intelligence artificielle et de data science complexes en intégrant les contraintes légales et les valeurs d’éthique
Compétences visées
Réaliser une veille sur les outils et tendances en data science et IA afin de mettre à jour son expertise et de s’assurer que les méthodes utilisées mobilisent bien les techniques en vigueur.
Organiser l’identification des besoins métiers d’un projet de Data Science / IA et formaliser ces besoins sous forme de user stories afin de réaliser des solutions adaptées aux besoins des clients.
Identifier les ressources humaines, techniques et financières d'un projet de data science afin de mettre en œuvre la conception et la réalisation de modèles ou d'applications mettant en œuvre des modèles.
Intégrer le respect des contraintes légales et éthiques relatives à la collecte de données personnelles afin de respecter les règles du RGPD et maîtriser les problématiques d'éthique des données personnelles traitées.
Analyser les risques inhérents au projet et à la gestion des données personnelles et planifier des réponses adéquates aux risques significatifs afin de garantir la maîtrise et la réussite du projet.
Piloter ou participer au pilotage du projet en planifiant les différents sprints afin de permettre la mobilisation des parties prenantes et le bon déroulement du projet.
Réaliser un tableau de bord afin de présenter son travail de modélisation à un public non technique, et adapté à des personnes en situation de handicap en appliquant certains critères d'accessibilité du WCAG.
Rédiger une note méthodologique, contenant notamment le choix des algorithmes testés, les métriques utilisées et l’interprétabilité du modèle proposé, afin de communiquer sa démarche de modélisation.
Réaliser la présentation orale d’une démarche de modélisation à un client interne/externe, afin de partager les résultats et faciliter la prise de décision de l'interlocuteur.
Modalités d'évaluation
Projets (mises en situation professionnelle) et soutenances.
Secteur d'activité et type d'emploi
Secteurs d'activités
L’expert en data science peut exercer en tant qu’indépendant, dans un cabinet de conseil, en entreprise ou encore dans le secteur public.
Les employeurs sont de toutes tailles et de tous secteurs, mais le besoin est plus important pour les grandes entreprises, exception faite des petites et moyennes entreprises (TPE- PME) technologiques, qui offrent un produit technique, et des cabinets de conseil, qui offrent des prestations d’expertise.
Les secteurs de prédilection pour le recrutement d’un expert en data science sont la banque/ finance, l’assurance, les entreprises et services du numérique (ESN), les entreprises de télécommunication, la logistique et la distribution et, enfin, les grands groupes de tous secteurs, qui recrutent des experts en data science pour leurs besoins d’optimisation en finance, marketing, vente ou produit.
Les principaux secteurs adressés par les entreprises et services du numérique sont la distribution, l’industrie et les services financiers.
Types d'emplois accessibles
L’expert en data science
peut exercer plusieurs fonctions, à titre non exhaustif :
Data Scientist
Responsable data/ lead data
Chef de projet data
Data analyst senior/ Senior Data analyst
Business analyst senior/ Head of business analysis
Ingénieur machine learning/ Machine learning engineer
Ingénieur deep learning/ Deep learning engineer
Ingénieur vision assistée par ordinateur/ Computer vision scientist
Ingénieur traitement automatique du langage naturel/ Natural Language processing scientist
Compliance officer data scientist
Analyste quantitatif
Ingénieur Big data
Data manager
Métiers visés (ROME)
Références juridiques des réglementations d'activité
L’exercice professionnel de l’Expert en data science n’est pas un métier réglementé en termes d’accès ; néanmoins, les activités digitales doivent se conformer au droit applicable au numérique (traitement de données, respect de la vie privée, RGPD, déclarations CNIL...), et plus généralement au droit de la communication et de la propriété intellectuelle.
Tensions de recrutement · DARES 2024
Niveau de tension : Très élevée (5/5) en tension
Principaux facteurs : Manque de main-d'œuvre disponible et Lien formation-emploi.
2 912 €
salaire médian (mensuel)
Diplôme le plus fréquent : Diplôme de niveau bac+5 ou plus (doctorat, master ou équivalent) en communication et information (41 % des actifs en emploi).
Mesuré au niveau de la famille professionnelle : 5 familles professionnelles (nomenclature FAP). Ces familles ne sont pas au même niveau de tension (de 3 à 5 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) -
M1X80— Techniciens d'étude et de développement en informatique tension 4/5 (Élevée) -
M2X90— Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom tension 5/5 (Très élevée) -
M2X93— Experts et consultants en systèmes d'information tension 5/5 (Très élevée)
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 17 117
Occitanie 3 031
Auvergne-Rhône-Alpes 3 020
Provence-Alpes-Côte d'Azur 2 545
Pays de la Loire 1 772
Nouvelle-Aquitaine 1 709
Bretagne 1 364
Hauts-de-France 1 345
Grand Est 1 077
Normandie 576
Centre-Val de Loire 464
Bourgogne-Franche-Comté 320
La Réunion 60
Guadeloupe 25
Guyane 20
Martinique 16
Corse 15
Mayotte 11
34 487
projets de recrutement
50 %
en tension
jugés difficiles à recruter
1 %
emplois saisonniers
Mesuré au niveau de la famille professionnelle : 5 familles professionnelles (nomenclature FAP).
-
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 -
M2X90— Ingénieurs et cadres d'étude, recherche et développement en informatique et télécom -
M2X93— Experts et consultants en systèmes d'information
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
Pour accéder à la certification Expert en data science, les candidats doivent obligatoirement justifier d'un des prérequis suivants : - être titulaire d’une certification professionnelle de niveau 6 en mathématiques, informatique, technologie, économie, finance ou analyse de données ; - ou, être titulaire d’une certification professionnelle de niveau 5 avec une expérience professionnelle d’au moins 2 ans en mathématiques, informatique, technologie, économie, finance ou analyse de données. Tout autre profil relève d'une procédure dérogatoire. Pour tous les candidats, la procédure de sélection s'effectue au travers d'un formulaire de candidature validant les prérequis académiques ou dérogatoires, ainsi que l'adéquation du projet professionnel avec les objectifs de la formation. Sont collectées les pièces justificatives constituant le dossier d'admission (CV, éléments de motivation et le cas échéant, copie du diplôme, attestations employeur, et/ou test de positionnement). Si nécessaire, un entretien individuel de motivation est organisé. Pour les candidats dont le français n’est pas la langue maternelle, un justificatif d’un niveau de français B2 minimum (niveau courant) sur l’échelle européenne du CECRL sera également demandé.
Prérequis à la validation
Pour bénéficier de la certification professionnelle complète, le candidat doit valider les 4 blocs de compétences. Le candidat souhaitant obtenir la certification par la VAE devra faire la preuve qu’il a acquis les compétences de chacun des blocs.
Composition du jury — Formation initiale, Formation continue, Apprentissage, Contrat de professionnalisation, VAE
Le jury de délivrance de la certification est composé du responsable pédagogique de la filière Data et deux représentants du monde professionnel (data scientists /ingénieurs IA) extérieurs à l’organisme.
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
Anciennes versions
Nouvelle(s) certification(s)
Base légale
Date de décision27-03-2023
Durée de l'enregistrement2 ans
Date d'échéance27-03-2025
Dernière délivrance possible27-03-2029
Pour plus d'informations · Statistiques
AnnéeCertifiésInsertion 6 moisMétier visé 2 ans
2021
165
84 %
75 %
2020
72
91 %
70 %
2019
38
100 %
87 %
- Descriptif de la certification →
- Fiche officielle France compétences →
- Télécharger la fiche en Markdown →
Entrées et sorties de formation
193
entrées en formation
151
parcours menés à terme
78 %
taux d'achèvement
Entrées et sorties de formation — Caisse des Dépôts (open data), tous organismes confondus.
Demande CPF — formations engagées
196
dossiers CPF engagés
1 186 385 €
montant total engagé
6 053 €
coût moyen par dossier
610 h
durée moyenne
Qui finance ces dossiers (part du montant engagé)
Formations engagées via le CPF — Caisse des Dépôts (open data), tous organismes confondus.