Durée
36h Th
Nombre de crédits
Master en sales management, à finalité (en alternance) | 4 crédits |
Enseignant
Suppléant(s)
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 quotas 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 essentielles pour élaborer aisément des vues complètes et détaillées de données complexes. Les notions essentielles de statistique descriptive seront enseignées.
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 les 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 descriptifs
- 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 et mise en pratique sur logiciel
- séances de travail en groupe sur des business case, questions/réponses sur rendez-vous
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, questions ouvertes )
Travail à rendre - rapport
Explications complémentaires:
Examen(s) en session
Toutes sessions confondues
- En présentiel
évaluation écrite
Travail à rendre - rapport
Explications complémentaires:
L'étudiant sera évalué sur les éléments suivants :
CASE STUDY: Data preparation & visualization, descriptive methods
Le case study sera réalisé en groupe. Un étudiant dont la participation au travail de groupe n'aura pas été jugée suffisante pourrait néanmoins être pénalisé par une cote inférieure à celle des autres membres de son groupe.
Le case study mobilisera tout ou une partie des concepts abordés au cours. Le travail sur le case study sera décomposé en trois phases :
- Phase 1 : [Réalisation d'un tableau de bord pour répondre à une question managériale.] Des séances de cours seront dédiées au travail sur cette phase. Une partie non négligeable du travail sera néanmoins à réaliser également en dehors des séances de cours. Des séances Q/R sur rendez-vous permettront aux étudiants de recevoir un coaching personnalisé pour cette phase. Le tableau de bord sera accompagné d'un rapport écrit.
- Phase 2 : [Présentation] Les case study seront présentés oralement en groupe pendant les séances de cours, selon un horaire pré-établi. L'exposé sera suivi de questions posées à chaque étudiant individuellement.
- Phase 3 : [Critique] Chaque groupe A se verra désigner un groupe binôme B dont il devra réaliser l'analyse critique du travail rendu en Phase 1. Pour ce faire, le groupe A devra assister à la présentation du groupe B et poser des questions pertinentes. De plus, le groupe A recevra le tableau de bord et le rapport du groupe B et devra en faire une analyse critique. Cette analyse critique fera l'objet d'un rapport également.
Attention, important : la cote obtenue par le groupe B pour les phases 1 et 2 sera indépendante de l'analyse critique effectuée par le groupe A. En d'autres mots, l'évaluation faite par le groupe A n'intervient pas dans la cote du groupe B. En revanche, le groupe A sera évalué sur la pertinence, l'objectivité et la justesse de son analyse critique.
EXAMEN : écrit de type QCM ou réponses courtes (résultats de calculs), à cours fermé. L'examen pourra contenir des questions provenant des case study.
La note finale sera calculée comme suit :
Case studies (2/3)
Examen (1/3)
Stage(s)
Remarques organisationnelles et modifications principales apportées au cours
Les sessions requièrent l'utilisation d'un ordinateur portable sur lequel la suite Microsoft Office 365 est installée. Les autres logiciels utilisés au cours devront être installés dans les plus brefs délais.
https://www.campus.uliege.be/cms/c_14636926/en/microsoft-office-365-education
Contacts
S. Aerts (Stephanie.Aerts@uliege.be)
M. Dumont (Morgane.Dumont@uliege.be)