Acquis d'apprentissage

A l’issue de cette activité d’apprentissage, l’étudiant devra être capable de:

  • Expliquer le contexte de gestion et le rôle de l’analyse de données dans ce contexte
  • Appliquer les différentes phases du processus d’analyse de données (du nettoyage et traitement des données à la visualisation et à l’analyse) en utilisant Python
  • Sélectionner et mettre en œuvre des modèles analytiques appropriés en Python pour résoudre des problèmes de gestion
  • Évaluer quand (et quand ne pas) utiliser certaines techniques, et analyser de manière critique les forces et limites des méthodes analytiques
  • Intégrer toutes les phases du processus analytique en Python pour produire une solution cohérente à un cas pratique de gestion

Objectifs

L’analyse de données est un domaine interdisciplinaire situé à l’intersection de la gestion, de l’informatique et des statistiques. Son objectif est de transformer les données brutes en informations exploitables qui permettent de prendre de meilleures décisions et de créer de la valeur pour l’entreprise. Ce cours fournit aux étudiants les compétences pratiques nécessaires pour parcourir l’ensemble du processus d’analyse de données: compréhension et visualisation des données, préparation, modélisation et évaluation en utilisant Python.


Le cours met l’accent sur des exercices pratiques et des études de cas orientées gestion, permettant aux étudiants de sélectionner et de mettre en œuvre des modèles appropriés, d’appliquer des méthodes descriptives et prédictives, et d’évaluer de manière critique leur pertinence et leurs limites. Des applications telles que la prédiction du churn client et le scoring de crédit illustrent les concepts, et les étudiants développeront la capacité d’intégrer toutes les phases du processus d’analyse de données en un pipeline cohérent et complet.

Contenu


  1. Introduction à l’analyse de données
  2. Programmation en Python
  3. Compréhension et visualisation des données
  4. Préparation des données et création de variables
  5. Évaluation des modèles et validation
  6. Modèles de régression et classification


Méthodes d'enseignement

Séances interactives « ex-cathedra » au cours desquelles les étudiants sont exposés à différents concepts de l’analyse de données. Des exemples de codage en Python sont également proposé pour illustrer l’application pratique des concepts théoriques.


Séances d’exercices pratiques au cours desquelles les étudiants doivent résoudre des études de cas en Python.

Méthode d'évaluation

30 % de la note finale:


  • Travail de projet en groupe comprenant un rapport écrit et une présentation finale, au cours desquels les étudiants doivent résoudre un cas pratique complet d’analyse de données.
  • Le projet ne peut pas être refait lors de la deuxième session et la note reste celle obtenue lors de la première session.


70 % de la note finale:


  • Examen écrit portant sur la théorie et les applications (aussi le codage en Python) de l’analyse de données. L’examen comprend des questions à choix multiple et des questions ouvertes.


Sources, références et supports éventuels

Baesens, B. (2014). Analytics in a big data world: The essential guide to data science and its applications. John Wiley & Sons.


Shmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2025). Machine Learning for business analytics: concepts, techniques and applications in Python, 2nd edition. John Wiley & Sons.

Langue d'enseignement

Anglais
Formation Programme d’études Bloc Crédits Obligatoire
Bachelier en ingénieur de gestion Standard 0 4
Bachelier en ingénieur de gestion Standard 3 4