Durée
30h Th
Nombre de crédits
| Master en sciences de gestion, à finalité | 5 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 Marketing Analytics réfère à la création et l'utilisation de données quantitatives pour obtenir des informations sur les consommateurs ou encore mesurer la performance d'actions marketing. Les techniques de Marketing Analytics permettent une aide à la décision en temps réel ainsi qu'une gestion proactive. Elles sont souvent présentées comme une ressource critique nécessaire à un marketing efficace.
Partie I - Visualisation des données :
Lorsqu'il s'agit d'analyser des données passées à des fins de diagnostic, de décrypter des données provenant de différents canaux, de les consolider et de les synthétiser, les solutions de visualisation de données et de business intelligence sont indispensables.
Dans ce cours, les étudiants apprenent à utiliser un logiciel de visualisation de données afin de construire des tableaux de bord efficaces et puissants.
Partie II - Apprentissage automatique
Lorsqu'il s'agit d'obtenir des prédictions ou des prévisions pour l'avenir, il est indispensable de comprendre les mécanismes des solutions d'IA et de pouvoir sélectionner de manière adéquate un algorithme d'apprentissage automatique. Les applications courantes de l'IA en marketing sont par exemples l'analyse de la fidélité des clients, l'analyse des paniers de marché, l'identification des prospects, les outils de recommandation, l'identification, le calcul des probabilités de conversion,....
Dans ce cours, les étudiants apprennent les concepts de base de la modélisation prédictive et découvrent des techniques descriptives et prédictives telles que
- L'analyse d'association
- le clustering/la segmentation automatique
- le kNN
- la régression (linéaire et logistique) et réseaux de neurones artificiels
- les arbres de décision et les forêts aléatoires.
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement
Voir description en anglais
Savoirs et compétences prérequis
Etre à l'aise avec un ordinateur
Notions statistiques de base (statistqiue descriptive et éléments de probabilité)
Activités d'apprentissage prévues et méthodes d'enseignement
voir description en anglais
Mode d'enseignement (présentiel, à distance, hybride)
Présentiel
Lectures recommandées ou obligatoires et notes de cours
voir la section en anglais
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:
Veuillez consulter le descriptif en anglais.
Stage(s)
Remarques organisationnelles et modifications principales apportées au cours
Voir commentaire en anglais.
Contacts
S. Aerts, HEC-ULg, N1 Stephanie.Aerts@ulg.ac.be