Durée
45h Th
Nombre de crédits
| Master en sales management, à finalité spécialisée (en alternance) | 5 crédits |
Enseignant
Langue(s) de l'unité d'enseignement
Langue anglaise
Organisation et évaluation
Enseignement durant l'année complète, avec partiel en janvier
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.
Avec le cours de Sales Analytics I, prérequis de celui-ci, les étudiants se sont familiarisés avec les concepts fondamentaux de collecte et de gestion des données, avec l'exploration de données résumer des ensembles de données complexes; ou encore avec quelques techniques de statistiques inférentielles et de forecasting.
Dans ce cours avancé, divisé en deux grandes parties complémentaires, les étudiants se familiarisent avec les techniques prédictives et mènent un projet d'analyse de données complexe de bout en bout.
Partie I : Data visualisation
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 enseignées en Sales Analytics I seront rapelées.
Partie II : Predictive Methods - Machine Learning/AI
Les systèmes d'intelligence artificielle permettent d'analyser et de comprendre les données de vente collectées, d'en tirer des enseignements et de recommander des actions (par exemple des stratégies de tarification, de prédire la prochaine meilleure offre, de prioriser des opportunités selon leur probabilité de succès,...).
Le sales manager de demain doit dès lors comprendre les principes fondamentaux de ces techniques afin d'être capable d'identifier les opportunités d'analyse qu'elles permettent, d'évaluer la faisabilité d'un projet de data mining et de suivre son implémentation, d'analyser les résultats qu'elles fournissent et de pouvoir les critiquer.
Dans ce cours, les concepts fondamentaux des méthodes prédictives seront abordés. Plusieurs techniques classiques (arbres de décision, régression,...) seront introduites et appliquées à des ensembles de données réels. L'accent sera mis sur la compréhension des données et l'interprétation et la dicussion des résultats.
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 :
- 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 II :
Au terme de cette unité d'enseignement, l'étudiant sera capable de :
- Comprendre et expliquer les principes fondamentaux des méthodes prédictives
- Choisir la/les techniques AI les plus adapétées pour répondre à une problématique
- Identifier les limites des techniques AI utilisées, leurs avantages et inconvénients
- Utiliser un outil/module d'AI
- Interpréter les résultats d'analyses prédictives
- 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
Le cours Sales Analytics I est un prérequis.
Activités d'apprentissage prévues et méthodes d'enseignement
Les séances d'apprentissage seront de plusieurs nature :
- discussions autour de cas pratiques, exposés ex-catedra entrecoupés d'exercices d'application directe des concepts
- démonstration pratique sur logiciel
- travail en groupe sur des business case et séances questions/réponses
Mode d'enseignement (présentiel, à distance, hybride)
Cours donné exclusivement en présentiel
Explications complémentaires:
Présentiel
Supports de cours, lectures obligatoires ou recommandées
Tout les documents requis seront postés sur lola.
Modalités d'évaluation et critères
Examen(s) en session
Toutes sessions confondues
- En présentiel
évaluation orale
Travail à rendre - rapport
Informations complémentaires:
Informations complémentaires:
L'étudiant sera évalué sur les éléments suivants :
1/ Case Study : 50%
Les étudiants réaliseront, tout au long de l'unité d'enseignement, un travail d'analyse de données decomposé en plusieurs parties, chacune ayant des outputs spécifiques attendus.
Les case study seront réalisés 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. Des séances de cours seront dédiées au travail sur les Case Study. Une partie non négligeable du travail sera néanmoins à réaliser également en dehors des séances de cours.
Partie 1 - Exploration et nettoyage : Outputs attendus pour cette partie :
- ensemble de données nettoyé
- tableau de bord d'exploration des données
- rapport expliquant le processus et les constats
Partie 2 - Machine Learning : Outputs attendus pour cette partie :
- rapport expliquant le processus et les conclusions
Défense orale : Chaque groupe devra présenter oralement les résultats de son Case Study. Chaque étudiant devra présenter une partie du travail.
--------------------
2 / Examen oral théorique : 50%
Chaque étudiant devra répondre individuellement et oralement à deux questions théoriques :
- Une question individuelle liée au Case Study réalisé
- Une question théorique sur un des concepts du cours
Stage(s)
Remarques organisationnelles et modifications principales apportées au cours
Les sessions requièrent l'utilisation d'un ordinateur portable avec les logiciels du cours installés.
Contacts
S. Aerts (stephanie.aerts@uliege.be)
M. Dumont (morgane.dumont@uliege.be)