Durée
36h Th
Nombre de crédits
| Master en sales management, à finalité (en alternance) | 4 crédits |
Enseignant
Langue(s) de l'unité d'enseignement
Langue anglaise
Organisation et évaluation
Enseignement au deuxième quadrimestre
Horaire
Unités d'enseignement prérequises et corequises
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement
Le terme Sales Analytics désigne la pratique consistant à générer des informations à partir des données, des tendances et des indicateurs de vente afin de fixer des objectifs et de prévoir les performances de vente futures. L'analyse de données permet d'éclairer de multiples décisions que doit prendre un sales manager : quantifier les actions qui différencient les meilleurs vendeurs des moins performants, planifier les qutoas et objectifs, obtenir des prévisions précises pour planifier une couvertre de territoire efficace, identifier les deals les plus prometteurs,...
Partie I : Data collection and management
Toute analyse de données commence par une bonne gestion de celles-ci.
Dans ce cours, les étudiants se familiariseront avec les bonnes pratiques de collecte, de gestion et de préparation des données.
Partie II : Data visualization
Pour décrypter des données provenant de différents canaux, les consolider, les synthétiser et ainsi éclairer la prise de décision, la visualisation de données s'est imposée comme
une solution incontournable. Dans ce cours, les étudiants apprendront à mettre en oeuvre des résumés de données dynamiques en utilisant un logiciel de business intelligence. Par le biais d'exercices pratiques, ils apprendront à maîtriser les fonctionnalités essnetielles poru élaborer aisément des vues complètes et détaillées de données complexes. Quelques rappeles de statistiques descriptives seront donnés.
Partie III : Descriptive methods
Dans cette partie, les sales managers de demain apprendront à utiliser des techniques plus complexes d'analyse descriptive telels que l'analyse d'associations ou la segmentation (semi-) automatisée.
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement
Partie I :
Au terme de cette unité d'enseignement, l'étudiant sera capable de :
- Identifier kles sources de données
- Consolider, manipuler et nettoyer des données
- Collecter et gérer une base de données de façon efficace et exploitable
Partie II:
Au terme de cette unité d'enseignement, l'étudiant sera capable de :
- Choisir une représentation adéquate pour un phénomène à analyser
- Analyser des données commerciales par la construction de tableaux de bord et maitriser un outil de business intelligence
Partie III:
Au terme de cette unité d'enseignement, l'étudiant sera capable de :
- Comprendre et expliquer les principes fondamentaux des méthodes descriptives enseignées
- Reconnaitre les opportunités d'utilisation d'algorithmes prédictifs
- Identifier les limites des techniques utilisées, leurs avantages et inconvénients
- Utiliser un outil/module d'analyse de données
- Interpréter les résultats obtenus à l'aide d'une méthode descriptive
- Faire preuve d'esprit critique et d'esprit d'analyse dans le suivi d'un projet faisant appel au machine learning
Savoirs et compétences prérequis
Notions de base en statistiques
Activités d'apprentissage prévues et méthodes d'enseignement
Les séances d'apprentissage seront de plusieurs nature :
- exposés ex-catedra entrecoupés d'exercices d'application directe des concepts
- démonstration pratique sur logiciel
- questions/réponses sur des exercices à préparer hors-séance
- travail en groupe sur des business case
Pour certaines parties de cours, l'approche par classe inversée sera utilisée : les étudiants devront préparer la matière par le biais de lectures, d'exercices ou le visionnage de vidéos/tutoriels. Lors de la séance suivante, une plage de questions/réponses sera organisée sur cette préparation, suivie de la mise en application des concepts préparés.
Mode d'enseignement (présentiel, à distance, hybride)
Cours donné exclusivement en présentiel
Explications complémentaires:
Présentiel
Lectures recommandées ou obligatoires et notes de cours
Tout les documents requis seront postés sur lola.
Modalités d'évaluation et critères
Examen(s) en session
Toutes sessions confondues
- En présentiel
évaluation écrite ( QCM )
Travail à rendre - rapport
Explications complémentaires:
Examen(s) en session
Toutes sessions confondues
- En présentiel
évaluation écrite ( QCM )
Travail à rendre - rapport
Explications complémentaires:
L'étudiant sera évalué sur les éléments suivants :
Case study 1 : Data visualization
Case study 2 : Descriptive methods I
Case study 3 : Descriptive methods II
Examen : écrit de type QCM ou réponses courtes, à cours fermé.
Les case study seront réalisés en groupes, en partie pendant les séances de cours. La présence de l'étudiant est donc requise à chaque séance de cours. Les séances de travail sur les case study nécessitent un travail de préparation en amont (révision de la matière, exercices individuels). Un étudiant dont la participation au travail de groupe n'aura pas été jugée suffisante (absences répétées, manque d'investissement, manque de préparation) pourrait être pénalisé par une cote inférieure à celle des autres membres de son groupe.
En seconde session, les travaux de groupes seront remplacés par des travaux individuels.
La note finale sera calculée comme suit :
Case studies (70%)
Examen (30%)
Stage(s)
Remarques organisationnelles
Les sessions requièrent l'utilisation d'un ordinateur portable.
Contacts
S. Aerts (stephanie.aerts@uliege.be)