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
En cas d'échec à l'épreuve partielle organisée lors du 1er quadrimestre :
- L'étudiant est autorisé à représenter la matière évaluée lors du deuxième quadrimestre (mai-juin) ;
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
Sales Analytics désigne la pratique consistant à extraire des informations des données, tendances et indicateurs de vente afin de fixer des objectifs et de prévoir les performances futures.
Le cours Sales Analytics I, prérequis de ce cours, a familiarisé les étudiants avec la collecte et la gestion de données, l'exploration de données pour résumer des ensembles complexes, ainsi que quelques techniques de statistique inférentielle et de forecasting.
Ce cours avancé, divisé en quatre modules, permet aux étudiants de mettre en œuvre et d'interpréter des techniques plus complexes, afin qu'ils puissent commanditer, suivre ou opérationnaliser un projet d'analyse de données de bout en bout.
Module I - Visualisation avancée : comprendre et explorer mes données
Suite avancée de l'analyse descriptive vue en Sales Analytics I. Face à des données provenant de canaux multiples, la visualisation s'impose pour les consolider, les synthétiser et éclairer la décision. Les étudiants apprendront à construire des résumés dynamiques à l'aide d'un logiciel de business intelligence, en mobilisant activement les notions de statistique descriptive déjà acquises. Par des exercices pratiques, ils maîtriseront les fonctionnalités essentielles pour élaborer des vues complètes de données complexes, notamment l'analyse d'un Sales Pipeline.
Module II - Apprentissage non supervisé : cibler et segmenter mes clients & prospects
Ce module introduit des techniques de segmentation adaptées à la vente - RFM et K-means - appliquées à des cas pratiques ; une Market Basket Analysis pourra compléter ce panel si le temps le permet. Les étudiants apprendront à utiliser ces techniques et interpréter leurs résultats.
Module III - Apprentissage supervisé : prédire un comportement
Les systèmes de Machine Learning/IA permettent d'analyser les données de vente pour recommander des actions - stratégies de tarification, next best offer, priorisation d'opportunités selon leur probabilité de succès. Le sales manager de demain doit en comprendre les principes fondamentaux pour identifier les opportunités d'analyse, évaluer la faisabilité d'un projet de data mining, en suivre l'implémentation, et analyser et critiquer les résultats obtenus.
Ce module aborde les concepts fondamentaux des méthodes prédictives - arbres de décision, régression logistique, entre autres - appliquées à des données réelles, avec un accent sur la compréhension, l'interprétation et la discussion des résultats.
Module IV - Mesures de performance avancées : de la prédiction à l'action
Les techniques prédictives du Module III permettent de scorer une base de clients ou prospects selon la probabilité d'occurrence d'un événement. Pour transformer ces prédictions en actions concrètes, il faut en mesurer la fiabilité. Ce module explique plusieurs métriques de performance - precision, recall, lift, espérance de gain - ainsi que le concept d'overfitting. Les étudiants évalueront le retour espéré de plusieurs scénarios managériaux construits à partir des prédictions obtenues.
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement
Au terme de cette unité d'enseignement, l'étudiant sera capable de :
Module I - Visualisation avancée
- Construire des vues dynamiques et synthétiques à partir de données de vente multi-sources dans un logiciel de BI.
- Sélectionner le type de visualisation adapté à une question business donnée.
- Analyser un Sales Pipeline pour en identifier les points de friction ou d'opportunité
- Appliquer une segmentation RFM et un clustering K-means à une base de clients/prospects.
- Comparer les deux approches en termes de logique sous-jacente, d'interprétabilité et de rigueur data-driven.
- Interpréter les segments obtenus en profils clients actionnables.
- Interpréter les résultats d'un arbre de décision et d'une régression logistique en langage business (règles de décision, coefficients/odds ratio).
- Décrire et justifier la démarche suivie dans SAS Viya pour construire ces modèles (préparation des données, paramétrage, choix méthodologiques).
- Évaluer la faisabilité et la pertinence d'un projet de data mining proposé par un tiers.
- Justifier le choix d'un modèle interprétable plutôt qu'une boîte noire dans un contexte de décision commerciale.
- Calculer et interpréter les métriques de performance d'un modèle prédictif (precision, recall, lift) selon le contexte métier.
- Reconstituer la démarche ayant mené au calcul d'une métrique donnée à partir des prédictions fournies.
- Convertir une métrique de performance en espérance de gain, en intégrant un coût de sollicitation.
- Arbitrer entre plusieurs scénarios managériaux et formuler une recommandation chiffrée.
Savoirs et compétences prérequis
Les concepts abordés au cours de Sales Analytics I sont des pré-requis. Ils seront activement mobilisés et pourraient faire l'objet de parties de questions d'examen. Il est donc vivement conseillé à l'étudiant qui devrait suivre ces deux cours simultanément, de prioriser l'étude de Sales Analytics I avant celle de Sales Analytics II.
Activités d'apprentissage prévues et méthodes d'enseignement
Dans chacun des quatre modules, les apprentissages seront consolidés par des séances de trois natures différentes. Ces trois formats suivent une autonomie croissante : comprendre le principe, voir comment il s'applique, puis le mobiliser seul face à un cas.
- Séances Eclairage: exposés ex-catedra entrecoupés de nombreux exercices d'application directe des concepts
- Séances Démo : démonstrations pratique sur logiciel et exercices d'application directe.
- Séance Immersion : les étudiants reçoivent un case study avec un jeu de consignes et de questions ; individuellement ou en groupe de 2-3, ils disposent de la séance pour y répondre, assistés de l'équipe enseignante.
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 écrite ( questions ouvertes ) ET évaluation orale
Informations complémentaires:
L'évaluation est décomposée en deux examens, portant chacun sur un sous-ensemble de modules.
[40%] Examen pratique sur logiciel (salle informatique - Power BI, Excel) :
Modules évalués : I et II
L'étudiant devra choisir le type d'analyse adéquat, le mettre en œuvre, et interpréter les résultats obtenus.
[60%] Examen oral, composé de deux questions :
Modules évalués : II, III et IV.
- Une question de théorie/compréhension de concepts : expliquer un concept
- Une question d'analyse & diagnostique : quelques semaines avant l'examen, les étudiants reçoivent un dossier contenant le résultat d'analyses (segmentation, analyses prédictives) réalisées sur un jeu de données. Ils recevront à l'examen oral une question sur ce dossier et devront savoir notamment expliquer comment ces résultats ont été obtenus, les interpréter, et formuler des recommandations data-driven pertinentes.
Les modalités de l'examen de seconde session sont identiques à celles de première session. En seconde session, des dispenses partielles peuvent être obtenues pour une des deux parties de l'examen, pour autant que la cote obtenue pour cette partie soit supérieure à 10/20. Aucune dispense partielle n'est accordée d'une année académique à la suivante.
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)