Data analyst pour le Tableau de bord de l’apprentissage : faire parler la donnée

Le Tableau de bord de l’apprentissage a 3 grands objectifs, dont le pilotage efficace des données sur les territoires. Il s’agit là d’accéder facilement à la donnée. Elle est affichée de manière lisible, visuelle, afin de  pouvoir plus facilement l’interpréter et de prendre des décisions informées.

Notre objectif est donc de créer un espace au design épuré, avec des visualisations de données que l’on peut partager dans des présentations, ainsi que des exports de données propres pour l’analyse ou la constitution de rapports annuels.

Mais avant tout cela, il faut comprendre la donnée que l’on reçoit, la nettoyer, l’harmoniser, puis l’analyser pour créer diverses vues et tableaux utilisables par tous.

Le travail de Data analyst intervient tout au long de ces étapes, voici un petit tour d’horizon des missions confiées à Félix At , Data analyst pour le Tableau de bord de l'apprentissage.

De la donnée brute aux visualisations : les grandes étapes de transformation de la donnée

HARMONISATION

Tout d’abord, il faut comprendre d’où vient la donnée remontée dans le Tableau de bord. Il s’agit donc des données des apprenants inscrits dans les Centres de formation des apprentis (CFA) du territoire, provenant des logiciels de gestion utilisés par ces CFA. 

Premier défi : il existe de nombreux logiciels de gestion, chacun ayant ses propres codes, formats de données… Un premier casse-tête est donc de récolter ces données et les harmoniser, afin de les stocker au même format. Par exemple, il faut s’assurer de bien transcrire de la même façon les différents statuts des jeunes utilisés par les CFA : jeune apprenti,  sans contrat, en rupture, en abandon… Si l’harmonisation en elle-même est plutôt gérée par les développeurs, le Data analyst doit se pencher sur les formats de données, car c’est sur cette base qu’il/elle ira faire ses requêtes par la suite.

FIABILISATION

C’est un chantier assez complexe mais ô combien important, car la donnée provient de différentes sources, et n’est pas toujours complète ou fiable. En effet, nous nous devons de présenter une donnée fiable aux utilisateurs, et pour cela nous devons vérifier en amont cette donnée. Il peut s’agir, du côté des CFA, de vérifier qu’ils sont bien présents dans le référentiel des organismes de formation en apprentissage, afin d’éviter de remonter des identifiants de CFA erronés (SIRET fermés, UAI erronées, …). Du côté des effectifs, il peut s’agir de supprimer les doublons qui peuvent nous être remontés par exemple. C’est un travail de longue haleine, mais précieux car notre réputation en dépend, et la confiance en les chiffres affichés doit être totale pour permettre d’avoir un maximum d’impact.

EXPLORATION

Une fois la partie technique intégration/harmonisation des données effectuée, le terrain de jeu du Data analyst est ouvert ! Il est maintenant possible d’aller explorer cette vaste base de données :  comprendre les différentes données remontées, les différentes valeurs qu’elles peuvent prendre, explorer les volumes (nombre de jeunes, nombre d’organismes de formation, répartition par zone géographique…). 

Par ailleurs, au-delà de la donnée remontée par les CFA, nous avons accès à d’autres sources de données que l’on peut croiser entre elles, afin d’obtenir des informations encore plus complètes.

Pour cela nous utilisons un outil permettant de se connecter à des bases de données, afin de requêter ces dernières pour en extraire des informations, et les afficher sous différentes formes : tableaux, visualisations…

Extraire de la donnée d’une base de donnée se fait via un langage informatique (généralement SQL, MongoDB dans le cas du Tableau de bord), qui permet d’écrire avec du code ce que l’on souhaite récupérer, et comment le restituer.

RESTITUTION

Cette partie se base grandement sur les tests utilisateurs réalisés par d’autres membres de l’équipe. Il s’agit d’échanger avec les utilisateurs du Tableau de bord, de comprendre leurs besoins, voire de leur proposer des visuels et bien cerner ce qu’ils attendent précisément.

Une fois cette partie effectuée, on peut commencer à réfléchir à la meilleure façon de restituer la donnée nécessaire à ces utilisateurs. Cela va du simple export de données (encore faut-il que la donnée soit bien formatée, avec toutes les colonnes nécessaires), à des visualisations plus complexes : cartographies, bar charts…

Selon les besoins ou les types d’informations restituées, le choix des visualisations doit être adapté, le fameux “camembert” n’étant bien sûr par toujours la meilleure solution comme le montre l’exemple ci-dessous :

La visualisation de données va permettre de comprendre plus rapidement et plus facilement des chiffres parfois complexes, en un simple coup d'œil.

Un petit exemple concret :  combien de numéro 6 comptez-vous sur ce tableau ?

Et maintenant ?

Un simple ajout de couleur ou procédé visuel peut soudain rendre lisible un jeu de données complexes. C’est là tout l’art de la visualisation de données (ou dataviz dans le jargon).

Les différents indicateurs exposés

Le monde de l’apprentissage est complexe, et tous les acteurs ne s’accordent pas sur les mêmes définitions, ne suivent pas forcément les mêmes indicateurs, ou n’ont pas les mêmes nomenclatures.

Il a donc fallu trancher avec toute l’équipe, toujours selon les retours des utilisateurs, les indicateurs qu’il fallait absolument afficher sur le Tableau de bord. Quelques exemples ci-dessous : 

• Répartition des effectifs par territoire (région, département, bassin d’emploi…), le tout selon le statut des jeunes : apprentis, inscrits sans contrats, en abandon, rupturants…
• Taux de couverture : nombre d’organismes transmettant leur donnée au Tableau de bord, sur le nombre total d’organismes recensés sur le référentiel national de l’apprentissage. Plus ce chiffre sera élevé, plus les données seront statistiquement fiables.
• Segmentations par âge, formation, secteur d’activité, etc…

Selon le type d’utilisateur connecté, les données ne seront pas forcément les mêmes (une région n’a pas forcément les mêmes besoins qu’un département ou qu’un réseau de CFA).

Le mot de la fin

Faire parler la donnée brute, voilà l’objectif du Data analyst sur ce type de projet. Il s’agira également de mesurer l’impact sur les utilisateurs : est-ce qu’elles ont permis d’aider des jeunes en rupture/abandon à retrouver un contrat ? (en langage data : est-ce qu’un jeune en statut “abandon” il y a 1 mois est désormais passé en statut “apprenti” dans nos bases de données après que son profil ait été communiqué aux organismes compétents pour l’accompagner ?).