Durée
45h Th
Nombre de crédits
| Master en sales management, à finalité (en alternance) | 5 crédits |
Enseignant
Langue(s) de l'unité d'enseignement
Langue anglaise
Organisation et évaluation
Enseignement au premier quadrimestre, examen 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 la visualisation de données et la création de tableaux de bord pour résumer des ensembles de données complexes; ou encore avec quelques techniques descriptives utilisées dans le domaine telles que l'analyse d'associations ou la segmentation (semi-)automatisée.
Dans ce cours avancé, divisé en deux grandes parties complémentaires, les étudiants se familiarisent avec les techniques prédictives et prévisionnelles.
Partie I : Méthodes prédictives - 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.
Partie II : Sales forecasting
Un processus de prévision des ventes efficace permet une meilleure prise de décision, une réduction des risques, un alignement des quotas de vente, une meilleure planification de la couverture du territoire et des quotas, la capacité à concentrer une équipe de vente sur les opportunités de pipeline de vente à haut revenu et à haut rendement, ... Le recours à une analyse prédictive basée sur des données permet de réduire l'impact de la subjectivité et d'obtenir une base solide.
Dans ce cours, les techniques classiques de prévision de vente seront abordées et mises en application sur des ensembles de données variés.
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 :
- 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
Partie II:
Au terme de cette unité d'enseignement, l'étudiant sera capable de :
- Comprendre et expliquer les principes fondamentaux du forecasting
- Choisir la/les techniques de forecasting les plus adaptés à un ensemble de données
- Identifier les limites des techniques de forecasting utilisées, leurs avantages et inconvénients
- Utiliser un outil/module de forecasting
- Interpréter les prévisions obtenues à l'aide d'un modèle de forecasting
- Faire preuve d'esprit critique et d'esprit d'analyse face à des prévisions de vente
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 :
- 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
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:
L'étudiant sera évalué sur les éléments suivants :
Case study 1 : Méthodes prédictives
Case study 2 : Forecasting
Examen : écrit de type QCM ou réponses courtes, à cours fermé.
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. 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. Des séances Q/R sur rendez-vous permettront aux étudiants de recevoir un coaching personnalisé pour leurs travaux.
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 avec les logiciels du cours installés.
Contacts
S. Aerts (stephanie.aerts@uliege.be)
M. Dumont (morgane.dumont@uliege.be)