Programme des enseignements de 3e année Filière Marketing quantitatif et revenue management ANNEE SCOLAIRE 2015 / 2016 Ensai Programme des enseignements de 3e année 2015/2016 FILIÈRE MARKETING QUANTITATIF ET REVENUE MANAGEMENT ANNÉE SCOLAIRE 2015/2016 QUANTITATIVE MARKETING AND REVENUE MANAGEMENT SPECIALIZATION 2015/2016 ACADEMIC YEAR 1 Ensai Programme des enseignements de 3e année 2 2015/2016 Ensai Programme des enseignements de 3e année 2015/2016 Table des matières Présentation de la filière ....................................................................................... 5 Le corps enseignant ............................................................................................... 7 Descriptifs des enseignements du tronc commun ................................................. 13 Simulation d’entretien ...................................................................................................... 14 Droit des entreprises ......................................................................................................... 15 Anglais ............................................................................................................................... 17 Sport .................................................................................................................................. 19 Descriptifs des enseignements de la filière ........................................................... 21 UE Culture marketing ............................................................................................................ 22 Le Challenge Markstrat ..................................................................................................... 22 Gestion de la relation client .............................................................................................. 23 Introduction au marketing ................................................................................................ 25 Marketing expérientiel ...................................................................................................... 26 Marketing digital ............................................................................................................... 27 UE Data science, machine learning ....................................................................................... 28 Apprentissage statistique .................................................................................................. 28 Introduction à la data science ........................................................................................... 29 Méthodes de scoring ......................................................................................................... 31 Règles d’association .......................................................................................................... 32 Panorama du big data ....................................................................................................... 33 Web datamining ................................................................................................................ 34 UE Pricing et revenue management ...................................................................................... 37 Introduction au revenue management ............................................................................. 37 Méthodes de recherche opérationnelle pour le revenue management du transport aérien ................................................................................................................................ 38 Modèles de revenue management pour l’hôtellerie ........................................................ 39 Politique tarifaire .............................................................................................................. 41 Principes économiques du revenue management : théorie et pratique .......................... 42 UE Optimisation .................................................................................................................... 43 Optimisation linéaire ......................................................................................................... 43 Optimisation dynamique ................................................................................................... 45 Optimisation stochastique ................................................................................................ 46 UE Compléments de statistique et d’économétrie ............................................................... 48 Compléments de sondages et méthodologie d’enquête .................................................. 48 Économétrie des données de panels ................................................................................ 49 Modèles à équations structurelles .................................................................................... 50 Modèles de choix discret .................................................................................................. 51 Modèles de prévision avec séries temporelles ................................................................. 52 UE Projets d’entreprise et de recherche ............................................................................... 53 Projet d’entreprise ............................................................................................................ 53 Projet de recherche ........................................................................................................... 54 UE Conférences métiers ........................................................................................................ 55 Conférences métiers ......................................................................................................... 55 3 Ensai Programme des enseignements de 3e année 2015/2016 Présentation de la filière Mots-clés : data science, machine learning, marketing quantitatif, optimisation, pricing et revenue/yield management. « I keep saying that the sexy job in the next 10 years will be statisticians. And I’m not kidding. » (Hal Varian, New York Times du 5 août 2009). Cette désormais fameuse phrase de l’actuel chef économiste de Google et ancien professeur d’économie à Berkeley, corrobore, si elle était à démontrer, la pertinence de la formation dispensée à l’Ensai et des excellents débouchés qu’elle offre à nos diplômés. La filière Marketing quantitatif et revenue management (MQRM) n’échappe pas à ces pers1 pectives, à l’aune des métiers en émergence auxquels elle prépare puisque les data scientists, data analysts, business analysts et autres yield/revenue managers sont actuellement très demandés par des entreprises en proie à des données toujours plus volumineuses, hétérogènes, non structurées et mobiles (phénomène des big data). Cette granularité protéiforme de l’information, dictée par les paradigmes de l’univers digital et du web 2.0, invite les entreprises à rechercher des compétences pointues et à haute valeur ajoutée qui leur permettront d’extraire et analyser des données, tantôt pour comprendre et expliquer, tantôt pour prédire des comportements d’achat de produits et de services. C’est dans ce contexte que s’inscrivent les différents cours de la filière Marketing quantitatif et revenue management. Au-delà des cours de culture générale de l’ingénieur (droit des entreprises, communication, anglais), nos diplômés acquièrent une culture marketing complète (introduction au marketing, marketing mix avec le challenge Markstrat, marketing expérientiel, marketing digital, gestion de la relation client). Ils approfondissent leurs connaissances, déjà élevées, en statistique et économétrie en insistant sur les techniques pour le marketing analytique (segmentation, scoring) et la modélisation du comportement du consommateur (modèles d’équations structurelles, modèles de choix discret), sans négliger la dimension temporelle (modèles de prévision, économétrie des données de panel). Une grande partie de la formation est dédiée à la data science et au machine learning. Au2 delà de l’effet de mode des « big data » (données massives en français), ces dernières constituent un enjeu majeur, identifié comme tel par un grand nombre de pays, dont la France qui a classé la valorisation des big data parmi les 7 ambitions stratégiques (commission Innovation 2030). L’Ensai se positionne comme formation de référence dans ce domaine. Les débouchés semblent très prometteurs à l’aune des prévisions du cabinet de conseil international Gartner 3 (entre 2013 et 2016, création de 4.4 millions d’emplois dévolus à ces big data ). Par ailleurs, depuis la rentrée 2013, l’Ensai est devenue la seule école d’ingénieurs française à proposer une spécialisation en revenue management, une discipline récente au carrefour du marketing et des mathématiques appliquées, mais aussi de la finance et des systèmes 1 Référentiel des métiers en émergence, hors série Apec, avril 2013. “Big data is like teenage sex: everyone talks about it, nobody really knows how to do it, everyone thinks everyone else is doing it, so everyone claims they are doing it...”, Dan Ariely (Facebook, 6 janvier 2013), professeur de psychologie et d’économie comportementale à l’université de Duke. 3 http://www.gartner.com/newsroom/id/2207915 2 5 Programme des enseignements de 3e année Ensai 2015/2016 d’information. Mis en œuvre historiquement dans le transport aérien, le RM est pratiqué 4 dans un nombre d’activités croissant où : - le produit commercialisé est périssable, non stockable et pouvant faire l’objet d’une réservation ; - la demande aléatoire et saisonnière ; - les coûts fixes relativement importants et les coûts variables faibles. Compte tenu de leurs contributions hautement stratégiques, les services RM sont souvent directement rattachés à la direction générale et sont amenés à travailler avec tous les autres départements de l’entreprise. Les analystes RM de profil ingénieur sont de plus en plus demandés. Et les nombreuses sollicitations des entreprises auprès de l’Ensai augurent des débouchés très attractifs pour nos élèves. Le succès de la filière ne pourrait pas avoir lieu sans la contribution de professeurs de haut niveau, formés dans des institutions de premier plan : des universitaires qui font bénéficier à nos élèves des dernières avancées de la recherche académique et des professionnels (2/3 du corps enseignant) qui leur apportent une connaissance métiers indispensable. Par ailleurs, la filière est accompagnée par des entreprises partenaires ou assimilées qui participent activement à la formation de nos élèves en venant présenter leurs activités dans le cadre de conférences, en assurant des cours magistraux et en encadrant des projets. Elles réservent leurs offres de stage et d’emploi en priorité à nos élèves. Pour la filière Marketing quantitatif et revenue management, ces entreprises sont (liste non exhaustive) : - ANAYA, cabinet de conseil en business intelligence BIPE, société d’études et de conseil en stratégie BLUESTONE, société de conseil en management de l’information et des systèmes (big data en particulier) BNP PARIBAS PERSONAL FINANCE, spécialiste du financement des particuliers CRÉDIT AGRICOLE er EURODISNEY SCA, 1 site touristique privé en Europe 2MV, dataroom de Havas Media KOWEE, cabinet de conseil en revenue management MÉDIAMÉTRIE, leader des études médias SOCIÉTÉ GÉNÉRALE SOFT COMPUTING, spécialiste digital, CRM et big data SOLOCAL GROUP, n°1 européen de la communication digitale locale SOLADIS, société d’études et de conseil en statistique SNCF 4 Hôtellerie-restauration, parcs d’attraction, location de voitures, de salles, billetterie de spectacles, croisières, espaces publicitaires, spas, golf, événementiel sportif, produits et services médicaux, les grandes surfaces, les ventes privées, les distributeurs d’énergie, etc. 6 Ensai Programme des enseignements de 3e année 2015/2016 Le corps enseignant BONTEMPS Christophe. Docteur en mathématiques appliquées et ancien élève de l’Enseeiht, Christophe est ingénieur à l'Inra au sein de la Toulouse School of Economics. Il a été chercheur associé au laboratoire d'économie et d'économétrie de l'aérien (LEEA) et a enseigné à l'École nationale de l'aviation civile (Enac, Toulouse), à l'Ecole nationale des Ponts et Chaussées (ENPC, Paris) ainsi qu'à la Civil Aviation University of China (CAUC, Tianjin). Il est chargé du séminaire de Principes é conomiques du RM. BOUYAUX Pascal. Docteur en sciences économiques, Pascal est maître de conférences à l’université Rennes 1. Il est l’auteur de plusieurs articles de microéconométrie. Il est chargé du cours de modèles de choix discret. CHIZAT Élodie. Diplômée de l’EM Lyon, Élodie est consultante en organisation après avoir occupé plusieurs postes de manager en CRM. Ell est chargée du cours de gestion de la relation client (en anglais). COOPER Teresa. Titulaire d’un executive MBA de l’université de San Francisco, Teresa est professeur de marketing à l‘EM Lyon et professeur associé à l’université Lyon 2. Elle a occupé plusieurs postes d’encadrement en entreprise, notamment à Chevron Corporation. Elle enseigne l’Introduction au marketing (cours en anglais). DAUCÉ Bruno. Docteur en sciences de gestion, Bruno est maître de conférences à l’université d’Angers. Il est spécialiste du marketing expérientiel et de l’analyse sensorielle et a écrit plusieurs articles scientifiques sur ces thèmes. Il est chargé du séminaire de marketing expérientiel. DEMESSANT Gaël. Ancien élève de l’Ensae et de Paris Dauphine, Gaël est le directeur Analyses et risques du groupe Karavel. Il dispense le cours d’introduction au revenue management. DERQUENNE Christian. Docteur en mathématiques appliquées, Christian est ingénieurchercheur senior à EDF R&D. Il a publié plusieurs articles scientifiques consacrés notamment à l’approche PLS. Il assure le cours de modélisation du comportement du consommateur. FROMONT Magalie. Docteure et agrégée de mathématiques, Magalie est maître de conférences à l’université Rennes 2. Ses travaux portent sur la statistique non paramétrique, l’apprentissage statistique et les tests. Elle assure la première partie du cours d’apprentissage statistique. GARCIA Serge. Docteur en sciences économiques et habilité à diriger des recherches, Serge est directeur de recherche de l'Inra et directeur du laboratoire d’économie forestière (UMR AgroParisTech-Inra). Ses articles scientifiques sont consacrés à l‘économétrie appliquée. Il est chargé du cours d’économétrie des données de panel. GOURION Daniel. Docteur en mathématiques appliquées et ingénieur diplômé de Supaéro, Daniel est enseignant-chercheur à l’université d’Avignon. Ses travaux de recherche portent sur l’optimisation, l’optimisation multicritères et l’imagerie médicale. Il est chargé du cours d’optimisation stochastique. 7 Ensai Programme des enseignements de 3e année 2015/2016 JULIENNE Jocelyn. Ancien élève de l’Ensae et de l’Ensai et diplômé de Paris 1 (DEA Finance de marché) et de Paris 7 (DEA statistiques et modèles aléatoires), Jocelyn est responsable de la filière Marketing quantitatif et revenue management depuis septembre 2013. Il assure le séminaire consacré aux règles d’association. KAUFFMANN Julien. Diplômé de l’Essec et de la Kellogg School of Management (Northwestern University), Julien est vice-président Revenue management & analytics de Disneyland Paris. Après plusieurs postes de management chez Yves Saint Laurent, Oliver Wyman et Nurun, il a occupé depuis 2003 plusieurs postes de direction et de vice-présidence chez Disneyland Paris. Il est chargé du cours de pricing. KIENNER Jean-Philippe. Diplômé de l’université de sciences sociales de Toulouse, JeanPhilippe est consultant et formateur en datamining. Il est également professeur associé à l’université Paris 5 René Descartes. Il est chargé du cours de méthodes de scoring. LESAGE Éric. Docteur en statistique et ancien élève de l’École polytechnique, de l’Ensae et de l’université Paris Dauphine, Éric est chef de division à l’Insee. Il enseigne le cours de compléments de sondage et de méthodologie d’enquête. MONTAUT Denis. Docteur en mathématiques appliquées de l’université Paris Dauphine et diplômé de l’Essec, Denis est co-fondateur d’Eurodecision et président directeur général de la société depuis 2009. Expert reconnu, il a réalisé de nombreux projets d’optimisation de ressources, il a dirigé le développement de toute la gamme de composants métier de la société. Il était auparavant ingénieur de recherche dans l’industrie pharmaceutique. Auteur de nombreuses publications sur l’optimisation des ressources, il enseigne la recherche opérationnelle à l’Essec. Il est chargé du cours d’optimisation linéaire. OEHLER Matthias. Diplômé d’un master de statistique de l’université Lyon 2, Matthias est directeur data chez Atos Worldline après avoir été VP data de Makazi Group et CDO de ScoreMD. Il est chargé du cours d’introduction à la data science. RAULT Christophe. Professeur agrégé des universités en sciences économiques, Christophe est enseignant-chercheur à l’université d’Orléans. Il est l’auteur de plusieurs articles consacrés aux séries temporelles et à l’économétrie. Il est également expert et enseignant dans plusieurs établissements de premier plan (Ena, Sciences-Po). Il est chargé du cours de modèles de prévision avec séries temporelles. ROTTEMBOURG Benoît. Docteur en informatique de l’université Paris 6 et ingénieur diplômé de l’Ensiie, Benoît est directeur associé d’Eurodecision, chargé du pricing et revenue management. Expert en recherche opérationnelle et en systèmes décisionnels, il a réalisé de nombreux projets en planification et gestion prévisionnelle des effectifs, en revenue management et en gestion d’actifs industriels. Il a été enseignant-chercheur à l’Ensta Paristech de 1993 à 1998, en charge du cursus recherche opérationnelle. Il a ensuite intégré le groupe Bouygues et y a dirigé le e-Lab, cellule d’innovation en informatique de la décision jusqu’en 2005, avant d’être DSI du groupe TF1. Il assure l’enseignement d’optimisation dynamique. ROUVIÈRE Laurent. Docteur en mathématiques appliquées, Laurent est maître de conférences de l’université Rennes 2. Ses recherches portent sur la statistique non paramétrique, l’apprentissage statistique et les données fonctionnelles. Il est co-auteur de l’ouvrage « Statistiques avec R » (Presses universitaires de Rennes, 2012). Il est chargé de la nde 2 partie du cours d’apprentissage statistique. SPECKLIN Frédéric. Docteur en sciences de gestion, ancien élève de l’ENS Cachan, Frédéric est senior manager dans le service revenue management de Disneyland Paris. Auparavant, il a 8 Ensai Programme des enseignements de 3e année 2015/2016 exercé plusieurs responsabilités en revenue management et systèmes d’informations à Air France. Il enseigne les modèles de revenue management pour l’hôtellerie. SZYMANSKI Cyrille. Ingénieur diplomé de Supélec, Cyrille est directeur de cabinet du DSI d’Air France après avoir été analyste recherche opérationnelle. Il est chargé du cours de techniques de recherche opérationnelle pour le revenue management du transport aérien. TCHINDÉ Guibert. Titulaire d’un master de mathématiques de l’université de Toronto et d’un master d’épistémologie et philisophie de la Sorbonne, Guibert est data scientist. Il a été CDO à l’Oréal et responsable des études à Pagesjaunes (groupe Solocal) après avoir occupé plusieurs postes de consultant chez Asterop et AID, filiale d’Onmicom Media Group. Il est chargé du cours de web datamining. TRIOLET Rémi. Docteur en mathématiques et ingénieur diplômé de l’Ensimag, Rémi est directeur associé de la société de conseil Simulation Factory. Il a été chercheur à l’École des Mines de Paris. Il anime le séminaire de simulation de stratégie marketing (challenge Markstrat). TUFFÉRY Stéphane. Docteur en mathématiques, Stéphane est responsable du service de statistique et datamining au Crédit Mutuel-CIC. Son ouvrage « Datamining et statistique décisionnelle » (Technip, 2012) est régulièrement cité comme référence. Il a enseigné aux universités Paris Dauphine et Rennes 1. Il est chargé du séminaire consacré aux big data. 9 Programme des enseignements de 3e année Ensai 2015/2016 Tableau synoptique des enseignements de la filière Marketing quantitatif et revenue management Enseignements Cours Volume horaire Atelier Projet Total Crédits Coef. Tronc commun Simulation d’entretien Droit des entreprises Anglais Sport 3 1.5 2.5 30 3 12 30 30 33 75 4 22.5 22.5 6 12 12 6 1.5 1 0.5 36 22.5 58.5 3 27 9 6 12 6 7 10.5 9 37.5 18 24 12 12 24 2.5 1 2 67 42.5 127.5 7 0.5 1.5 1 1 12 30 Total 42 Culture marketing Challenge Markstrat Gestion de la relation client Introduction au marketing * Marketing expérientiel * Marketing digital 6 12 12 6 Total Data science, machine learning Apprentissage statistique * Introduction à la data science Méthodes de scoring * Règles d’association * Panorama du big data Web datamining Total 18 6 17 18 1.5 Pricing et revenue management Introduction au revenue management (RM) Méthodes de rech. op. pour le RM du transport aérien Modèles de RM pour l’hôtellerie Politique tarifaire * Principes économiques du RM : théorie et pratique Total 12 24 15 12 9 6 12 24 15 12 15 72 6 78 4 36 18 36 18 2 1 54 54 3 12 21 15 18 13.5 13.5 12 21 24 18 27 2 2 1 2 79.5 22.5 102 7 12 6 12 6 1 1 18 18 2 15 15 15 141.5 36 15 528 Optimisation Optimisation linéaire et dynamique Optimisation stochastique Total Compléments de statistique et d’économétrie * Compléments de sondages et méthodologie d’enquête Économétrie des données de panel Modèles à équations structurelles Modèles de choix discret Modèles de prévision avec séries temporelles Total 9 Projets d’entreprise et de recherche Projet d’entreprise Projet de recherche Total Conférences métiers Conférences métiers Total TOTAL 350.5 (*) : les matières ne faisant pas l’objet d’évaluation sont des séminaires obligatoires. UE Stage Crédits 30 11 30 Ensai Programme des enseignements de 3e année 2015/2016 Descriptifs des enseignements du tronc commun 13 Programme des enseignements de 3e année Ensai 2015/2016 UE Tronc commun Simulation d’entretien Job interviews, CVs and Cover Letters Atelier : 3h Enseignant Correspondant : Divers intervenants : Laurent DI CARLO Cours facultatif Objectif pédagogique L’objectif est de préparer les étudiants aux entretiens d’embauche : stage ou premier emploi. Contenu de la matière Au delà des savoir-faire technique, le caractère humain de l’entretien d’embauche Travail sur le CV Envoi de candidature : rédaction du mail et de la lettre de motivation Mise en situation : candidat – RH – Responsable technique - Observateur Pré-requis Préparer son CV. Contrôle des connaissances Cours non évalué. Références bibliographiques Seront données en cours Langue d’enseignement Français. 14 Programme des enseignements de 3e année Ensai 2015/2016 UE Tronc commun Droit des entreprises Corporate Law Cours : 12h Enseignant Correspondant : Anne DOGUET : Stéphane AURAY Objectif pédagogique •Acquérir les connaissances de base en droit social concernant les relations du travail dans l'entreprise : sources du droit du travail, formation, exécution et rupture du contrat de travail, droits et devoirs du salarié ; •Acquérir quelques notions en droit commercial : typologie des entreprises, les sociétés commerciales, les entreprises en difficulté. Favoriser débats et échanges sur des problèmes concrets du domaine. Contenu de la matière Première partie : Notions essentielles de droit du travail Chapitre 1 : Statut du travailleur français à l’étranger et du travailleur étranger en France Section 1 : Le statut de salarié à l’étranger Section 2 : Travailler en France lorsque l’on est étranger Chapitre 2 : Les sources du droit du travail Chapitre 3 : Formation, modification et contenu du contrat de travail Section 1 : Le cas particulier des contrats à durée déterminée Section 2 : La période d’essai Section 3 : Les fonctions Section 4 : Le lieu de travail Section 5 : La rémunération Section 6 : La durée du travail Section 7 : La clause de non-concurrence Section 8 : L’évolution du contrat Chapitre 4 : Droits et devoirs au sein de l’entreprise Section 1 : Liberté d’expression et vie privée Section 2 : Protection contre les discriminations et le harcèlement Section 3 : Protection de la femme enceinte, congés maternité et paternité Section 4 : Congés payés Section 5 : Droit à la formation Section 6 : Maladie, accident de trajet, accident du travail Section 7 : Les représentants du personnel Chapitre 5 : La rupture du contrat de travail et ses suites Section 1 : La démission et la rupture conventionnelle Section 2 : Le licenciement pour motif personnel Section 3 : Le licenciement pour motif économique Section 4 : La prise en charge par Pôle Emploi 15 Ensai Programme des enseignements de 3e année Deuxième partie : Notions essentielles de droit commercial Chapitre 1 : L’auto-entrepreneur Chapitre 2 : L’entreprise individuelle et l’entreprise en société Chapitre 3 : Les sociétés commerciales Chapitre 4 : Sauvegarde, redressement judiciaire, liquidation judiciaire Pré-requis Aucun. Contrôle des connaissances Examen final Référence bibliographiques Seront fournies par l’enseignante. Langue d’enseignement Français. 16 2015/2016 Programme des enseignements de 3e année Ensai 2015/2016 UE Tronc commun Anglais English Cours : 30h (dont 12h d’aide au projet) Enseignant Correspondant : Divers intervenants : Esther LALAU-KERALY Objectif pédagogique Les élèves qui n’ont pas passé ou qui n’ont pas réussi le TOEIC l’année dernière auront progressé dans les compétences requises – c’est à dire, la compréhension orale, la reconnaissance des erreurs, les pièges grammaticaux, et la compréhension écrite. Les autres auront acquis les compétences nécessaires pour affronter le monde professionnel. Ils auront vu les tournures qui aident à diriger et à participer à des réunions, à prendre des décisions, et à négocier. Ils se seront entraînés à faire des présentations. Ils auront rédigé un projet en anglais et préparé la soutenance de ce projet. Contenu de la matière Pour les élèves qui n’ont pas eu un score d’au moins 785 au TOEIC : pendant les six premières séances, la plupart des cours seront basés sur la préparation à cet examen. Les ressources informatiques de l’Ecole doivent aussi être mises à profit (pages Moodle, TOEIC Mastery), ainsi que les méthodes disponibles à la bibliothèque. Pour les autres élèves, les cours seront organisés par groupe de niveau et conçus afin de les préparer à affronter le monde professionnel sur le plan international. Les thèmes suivants seront traités : « Leading meetings », « Presentations », « Taking decisions », et « Negociating deals », « CVs and cover letters » et « Cultural and Political Current Events ». Ensuite, les quatre dernières séances seront consacrées au travail de rédaction/correction des rapports faits en anglais dans chaque filière ainsi qu’à la préparation des soutenances orales. Chaque responsable de filière indiquera aux élèves, en début d’année, le projet concerné et les modalités de notation. Les élèves recevront des consignes détaillées avant de démarrer ces quatre séances, afin d’arriver à la première séance avec une première version de leur rapport en anglais prête pour correction et relecture. Pré-requis Aucun Contrôle des connaissances L’examen final prend la forme d’une simulation d’entretien d’embauche. Cet examen oral durera environ 50 minutes (dont 25 min de préparation), sera noté et permettra d’évaluer le niveau d’expression orale sur l’échelle CECRL*. Le niveau acquis apparaîtra sur le Supplément † au diplôme. L’objectif de la CTI pour tous les élèves ingénieurs est d'atteindre le niveau B2. * le Cadre européen commun de référence pour les langues. † la Commission des Titres d’Ingénieur. Références bibliographiques Arbogast, B., 30 Days to the TOEIC Test, Canada: Peterson’s, 2002. Schrampfer-Azar, B., Understanding and Using English Grammar, New York: Longman, 1999. • Buckwalter, Elvis, et.al, Boostez votre score au TOEIC-spécial étudiants, Paris: Eyrolles, 2009. • Gear, Jolene, Cambridge Grammar and Vocabulary for the TOEIC Test, Cambridge: Cambridge University Press, 2010. • • 17 Ensai Programme des enseignements de 3e année 2015/2016 Lecomte, Stéphane, et. al, La Grammaire au TOEIC et au TOEFL : Mode d’emploi, Paris: Ophrys, 2008. ème • Lougheed, Lin, Tests complets pour le nouveau TOEIC (4 ed.), Paris: Pearson Education France, 2008. • MBA Center, New TOEIC Study Book, Paris: MBA Center Publications, 2007. • Langue d’enseignement Anglais Pour tout complément d’information, chaque élève peut consulter le Programme des enseignements : Langues étrangères, distribué au début de l’année académique. 18 Programme des enseignements de 3e année Ensai 2015/2016 UE Tronc commun Sport Sport TP : 30h Enseignant Correspondant : Divers intervenants : Objectif de la matière L’objectif est d’amener les élèves à maintenir un esprit sportif, sortir du strict cadre académique et développer leurs capacités physiques. Contenu de la matière 7 activités sportives sont proposées par l’école : - Badminton - Basket - Fitness - Football - Hand-ball - Tennis de table - Tennis débutant - Volley-ball Outre les entraînements, les élèves inscrits peuvent être amenés à participer à des compétitions. Prise en compte dans la scolarité La participation à une activité sportive peut donner lieu à l’attribution d’un bonus (non cumulable) ajouté sur la moyenne du semestre concerné. Le niveau de ce bonus est précisé dans une circulaire d’application en début d’année académique. Il varie selon l’assiduité aux séances, l’engagement et la participation aux compétitions tout au long de l’année. Pour être définitive, la liste des élèves bénéficiant de ces bonus doit être validée par le directeur des études. 19 Ensai Programme des enseignements de 3e année Descriptifs des enseignements de la filière 21 2015/2016 Programme des enseignements de 3e année Ensai 2015/2016 UE Culture marketing Le Challenge Markstrat The Markstrat Challenge Atelier : 22h30 Enseignant Correspondant : Rémi TRIOLET (Simulation Factory) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management». Objectif pédagogique Markstrat est une simulation conçue pour enseigner les concepts de Stratégie Marketing, tels que la stratégie de portefeuille de marques, les stratégies de segmentation et de positionnement. Markstrat amène aux participants une expérience pédagogique unique, où l’analyse, la réflexion stratégique, l’esprit de compétition, le travail d’équipe et l’émulation sont au cœur du challenge. Contenu de la matière Des équipes de trois à six participants gèrent leur entreprise fictive en compétition directe contre les autres équipes. Les équipes prennent en main la Direction Marketing de leur entreprise sur un maximum de 12 périodes simulées, dans un environnement très compétitif à plusieurs marchés, segments de consommateurs et canaux de distribution. Les besoin des consommateurs sont au cœur de la prise de décision, et l’analyse approfondie des rapports internes, journaux et études de marché est clé au succès de la stratégie des équipes. Pré-requis Aucun. Contrôle des connaissances Critères d’évaluation (par groupe) : (1) les résultats dans la simulation ; (2) la qualité des exercices de ciblage et de planification stratégique ; (3) la qualité de la présentation finale. Références bibliographiques • • Manuel Markstrat. P. Kotler, K. Keller, D. Manceau, B. Dubois, Marketing management, Pearson Education, 2009. Langue d’enseignement Français. 22 Programme des enseignements de 3e année Ensai 2015/2016 UE Culture marketing Gestion de la relation client Customer Relationship Management Cours : 6h Enseignant Correspondant : Élodie CHIZAT (Consultante indépendante) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique Customer Relationship Management (CRM) increasingly emphasized since the 90’s is considered by some academics as a paradigm shift in marketing as it puts the focus on the building of long term relationships, a notion that cannot be captured through the traditional marketing-mix concept. Students will gain insight into this critical area of marketing management through discussions readings, lectures and a small group project or case study. 3 MAJOR OBJECTIVES : 1. Provide a rigorous definition and thorough understanding of the key underlying concepts of CRM, for instance: relationships, satisfaction, loyalty, and commitment. Students will be able to distinguish CRM from Direct Marketing, a method with which it is often confused. 2. Understand how services and relationships cross-fertilize each other. Relationships materialize in a different manner between products and services. In the case of services, a major issue is the service relationship that exists even in a single transaction. This observation puts the focus on the quality the customer experience, the different channels of interaction and the role of contact staff, considered as a part-time marketer. Whatever the nature of the core offering – product or service – developing a relationship requires developing services. 3. Present different methods and tools key to implementing a relationship marketing strategy. For instance the development of individual customer knowledge enabling one to assess Customer Lifetime Value (CLV), customer relationship lifecycle and other Relationship Marketing Instruments (RMI) such as loyalty programs. Contenu de la matière 1. 2. 3. 4. 5. 6. Customer Relationship Management – Introduction Trust Models for Managing Relationships Relationship Marketing and Brand Communities Customer Experience Management Implementation Process Measuring and Managing to Build Customer Value Building Loyalty Pré-requis Marketing mix. Contrôle des connaissances 50% Participation & Discussion – Individual 50% Small Team Project / Case Study with oral presentation Références bibliographiques • • • • R. C. BLATTBERG and J. DEIGHTON. Manage Marketing by the Customer Equity Test, Harvard Business Review, 74.4, 1996 Harvard Business Review on Customer Relationship Management, 2001 J. DYCHE. The CRM Handbook: A Business Guide to Customer Relationship Management, 2001 S. GODIN. Permission Marketing: Turning Strangers into Friends, and Friends into Customers, 1999 23 Programme des enseignements de 3e année Ensai • • • • • • • • • • • • • • • • 2015/2016 C. GRONROOS. In Search of the New Logic for Marketing: Foundations of Contemporary Theory, Chichester, Wiley, 2007 C. GRONROOS, Service Management and Marketing: Customer Management in Service Competition, Chichester, Wiley, 2007 P. GREENBERG. CRM at the Speed of Light: Essential Customer Strategies for the 21st th Century (4 ed.), 2010 E. GUMMESSON. Total Relationship Marketing, Rethinking Marketing Management: From nd 4P’s to 30R’s (2 ed.), 2002 J. L. HESKETT, Jr SASSER, W. EARL, L. A. SCHLESINGER. The Service Profit Chain, How Leading Companies Link Profit and Growth to Loyalty, Satisfaction, and Value, 1997 J. W. KINCAID. Customer Relationship Management: Getting It Right! 2003 E. PEELEN. Customer Relationship Management, Prentice Hall, 2005 D. PEPPERS and M. ROGERS. Managing Customer Relationships, A Strategic Framework nd (2 ed.), New Jersey: John Wiley & Sons, 2011 D. PEPPERS and M. ROGERS. The One to One Manager: Real World Lessons in Customer Relationship Management, 2000 D. PEPPERS and M. ROGERS. Return On Customer, 2005 J. PINE and J. H. GILMORE The Experience Economy, Work is Theatre & Every Business a Stage, Boston: Harvard Business School Press, 1999 V. A. ZEITHAML, A. PARASURAMAN, and L. L. BERRY, Delivering Quality Service: Balancing Customer Perceptions and Expectations, New York: The Free Press, 1990 e E. PEELEN, F. JALLAT, E. STEVENS, P. VOLLE. Gestion de la relation client (2 éd.), Pearson Education, 2007. S. BROWN. CRM – Customer Relationship Management La Gestion de la Relation Client, Village Mondial, 2001 R. LEFEBURE, G. VENTURI. Gestion de la relation client, Eyrolles, 2004 Y. CLAEYSSEN, A. DEYDIER, Y. RIQUET, F. SALERNO. Le Marketing direct multicanal : e Prospection, fidélisation et reconquête du client (2 éd.), Dunod, 2006 Langue d’enseignement Anglais. 24 Programme des enseignements de 3e année Ensai 2015/2016 UE Culture marketing Introduction au marketing Introduction to marketing Cours : 12h Enseignant Correspondant : Teresa COOPER (EM Lyon et université Lyon 2) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique Ce cours a pour objectif de présenter les bases du marketing. Contenu de la matière Il sera fourni par l’enseignante. Pré-requis Aucun. Contrôle des connaissances Examen écrit d’1h30. Références bibliographiques Fournies par l’enseignante. Langue d’enseignement Anglais. 25 Programme des enseignements de 3e année Ensai 2015/2016 UE Culture marketing Marketing expérientiel Experiential marketing Cours : 12h Enseignant Correspondant : Bruno DAUCÉ (Université d’Angers) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique Ce cours a pour objectif de présenter les fondements du marketing tout en dressant un panorama large des évolutions que connaît aujourd’hui cette fonction. Dans un premier temps, nous ferons un bref rappel sur la démarche marketing avant de présenter quelques éléments du comportement du consommateur. Nous nous attacherons également à essayer de comprendre comment évolue la consommation et à identifier les lignes directrices qui guident le comportement du consommateur. Enfin, nous présenterons les mutations que connaît aujourd’hui le marketing en insistant sur le développement du marketing sensoriel et sur l’impact d’Internet sur la stratégie marketing. Contenu de la matière 1. 2. 3. 4. 5. Introduction : rappels sur la démarche marketing - Illustrations : petit bateau, Puma Le consommateur et son comportement Le consommateur d’hier, d’aujourd’hui et de demain Du marketing expérientiel au marketing sensoriel E-marketing Pré-requis Marketing mix. Contrôle des connaissances Aucun. Références bibliographiques • • • • • • • • • e J. LENDREVIE, J. LEVY, D.LINDON. Mercator : Théorie et pratique du marketing (9 éd.), 2009 e P. KOTLER, B. DUBOIS, D. MANCEAU. Marketing management (14 éd.), 2012 J.-F. LYOTARD. Le postmoderne expliqué aux enfants, Galilée, 2005 e M. MAFFESOLI. Le temps des tribus (3 éd.), Le livre de Poche, 2000 R. ROCHEFORT. La société des consommateurs, Éditions Odile Jacob, 1995 R. ROCHEFORT. Le consommateur entrepreneur, Éditions Odile Jacob, 1997 S. RIEUNIER. Marketing sensoriel du point de vente : Créer et gérer l'ambiance des lieux e commerciaux (2 éd.), Dunod, 2006 A. GIBOREAU et L. BODY. Le marketing sensoriel : De la stratégie à la mise en œuvre, Vuibert, 2007 N. GUEGUEN. 100 petites expériences en psychologie du consommateur : Pour mieux comprendre comment on vous influence, Dunod, 2005 Langue d’enseignement Français. 26 Programme des enseignements de 3e année Ensai 2015/2016 UE Culture marketing Marketing digital Digital Marketing Cours : 6h Enseignant Correspondant : (Solocal Group) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique En plus de renforcer leurs connaissances marketing indispensables à la compréhension des contextes professionnels dans lesquels ils vont évoluer, l'objectif de ce séminaire est avant tout de sensibiliser les étudiants aux nouvelles approches marketing liées aux canaux dits « digitaux » (site web et e-commerce, email, réseaux sociaux, mobile) et les complexités techniques adjacentes. Cet enseignement devra leur permettre d'être en pleine connaissance des KPI (Indicateurs Clé de Performance) qui servent de base de travail aux analyses de connaissance clients et mesure de la performance business. Contenu de la matière Sera fourni par l’enseignant. Pré-requis Marketing mix. Contrôle des connaissances Aucun. Références bibliographiques Seront fournies ultérieurement. Langue d’enseignement Français. 27 Programme des enseignements de 3e année Ensai 2015/2016 UE Data science, machine learning Apprentissage statistique Statistical learning Cours : 27h Atelier : 10h30 Enseignant Correspondant : Magalie FROMONT (Université Rennes 2) et Laurent ROUVIÈRE (Ensai) : Jocelyn JULIENNE Enseignement destiné aux élèves des filières « Marketing quantitatif et revenue management », « gestion des risques et ingénierie financière », « Statistique et ingénierie des données » et « Ingénierie statistique des territoires et de la santé » Objectif pédagogique Ce cours présente différents modèles d’apprentissage statistique et quelques méthodes classiques de prédiction dans ces modèles. Les méthodes algorithmiques les plus récentes sont ensuite abordées, avec un accent mis sur celles dites « à noyaux » comme les SVM, puis celles d’agrégation comme le bagging et les forêts aléatoires ou le boosting. La mise en application de ces méthodes est faite en atelier sous R principalement. Contenu de la matière 1. 2. 3. 4. 5. 6. 7. 8. 9. Modèles d’apprentissage statistique, règles et algorithmes de prédiction. Applications. Algorithmes d’apprentissage par moyennage local. Algorithmes d’apprentissage par minimisation de risque empirique. Ajustement des paramètres. Méthodes à noyaux, SVM. Mesures de la qualité de prédiction. Modèles sparses. Boosting. Bagging, forêts aléatoires. Pré-requis re e Notions de statistique vues 1 et 2 année, algèbre linéaire, optimisation, bootstrap. Contrôle des connaissances Examen sur machine et sur table. Références bibliographiques • • • • • • • • • • • P. BARTLETT and M. TRASKIN. AdaBoost is consistent, JMLR, 2007 L. BREIMAN. Bagging predictors, Machine Learning, 24.2, 1996 P. BUHLMANN, B. YU. Boosting with the L2 loss: Regression and classification, 98.462, 2003 N. CRISTIANI and J. SHAWE-TAYLOR. An introduction to support vector machines, 2000 L. DEVROYE, L. GYORFI, and G. LUGOSI. A Probabilistic Theory of Pattern Recognition, 1996 Y. FREUND and E. SCHAPIRE, Experiments with a new boosting algorithm, 1996 R. GENUER. Forêts aléatoires : aspects théoriques, sélection de variables et applications, Thèse de l'Université Paris XI, 2010 L. GYORFI, M. KOHLER, A. KRZYVAK, and H. WALK. A distribution-free theory of nonparametric regression, 2002 T. HASTIE, J. FRIEDMAN and R. TIBSHIRANI. The elements of Statistical Learning: Data nd Mining, Inference and Prediction (2 ed.), 2009 B. SCHOLKOPF and A. J. SMOLA. Learning with Kernels, Cambridge, 2002 V. VAPNIK. Statistical Learning Theory, Wiley, 2004 Langue d’enseignement Français 28 Programme des enseignements de 3e année Ensai 2015/2016 UE Data science, machine learning Introduction à la data science Introduction to data science Cours : 9h Atelier : 9h Enseignant Correspondant : Matthias OEHLER (Makazi group) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management ». Objectif pédagogique Ce cours est une introduction aux méthodes d’analyses statistiques appliquées aux grosses volumétries de données. Comprendre les outils nécessaires, les méthodologies usuelles, les concepts de parallélisation des calculs, prédictions temps réelles, auto-apprentissage, ... Contenu de la matière 1. Introduction à la data science : - Contexte et histoire - Environnement technologique - Profil du data scientists - Exemples d’application 2. Processus et fondamentaux : - Les processus efficaces - Qu’est ce que la Big Data (Hadoop, HDFS, Hive, …) - Catégorisation des algorithmes (supervisés / non supervisés / relation / recommandation) 3. SQL vs. NoSQL - Les bases de données relationnelles - Les bases de données orientées colonnes - Les bases de données orientées graph - Comparaison des langages de requêtes 4. Intégration des données (ETL) - Qualité des données - Nettoyage, enrichissement - Transformation, Factorisation - Automatisation (batch, temps réel) et processus de contrôle 5. Analyse des données - Analyse exploratoire des données - Corrélation vs. Causalité - Les modèles traditionnels (regression, …) et application dans l’environnement Big Data 6. Parallélisation et problématique associé - Que peut-on paralléliser ? - Les nouveaux modèles Big Data : Moteur de recommandation - Les nouveaux modèles Big Data : Look alike - Les nouveaux modèles Big Data : Bandit Manchot 7. Data visualisation - Qu’est ce que la Data visualisation ? - Processus de mise en place de visualisation - Bénéfices 29 Ensai Programme des enseignements de 3e année Pré-requis Bases de données relationnelles, modèles de régression, SEM. Logiciel d’appui : R. Contrôle des connaissances Examen écrit. Références bibliographiques Seront fournies ultérieurement. Langue d’enseignement Français. 30 2015/2016 Programme des enseignements de 3e année Ensai 2015/2016 UE Data science, machine learning Méthodes de scoring Scoring methods Cours : 6h Atelier : 18h Enseignant Correspondant : Jean-Philippe KIENNER (JPK Conseil et formation) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management ». Objectif pédagogique L’objectif de ce cours est de présenter aux élèves de troisième année l’une des méthodologies phares dans les études statistiques appliquées au marketing : le scoring. En plus de l’objectif « technique » de maîtrise de la méthodologie de scoring, l’accent sera mis sur les problèmes fréquemment rencontrés en entreprise : population éligible, période d’observation, latence, nettoyage des données, restitution aux non-statisticiens… Le fil rouge du cours consistera en la mise en œuvre complète d’un score et sera réalisé avec le logiciel SAS sur une base de données clients. Contenu de la matière 1. 2. 3. 4. 5. Panorama des études réalisées Principes du scoring Base d’étude 3.1. Population éligible 3.2. Variable à expliquer 3.3. Date de référence 3.4. Échantillons d’apprentissage et de validation 3.5. Variables explicatives Modélisation 4.1. Techniques de modélisation 4.2. Construction des modèles 4.3. Comparaison des modèles 4.4. Interprétation du modèle final Utilisation du score Pré-requis Régression sur variable catégorielle, statistique descriptive, statistique inférentielle Contrôle des connaissances Projet Références bibliographiques • • • e G. SAPORTA. Probabilités, analyse des données et statistique (3 éd.), 2011 e S. TUFFÉRY. Data Mining et statistique décisionnelle (3 éd.), 2010 S. TUFFÉRY. Étude de cas en statistique décisionnelle, 2009 Langue d’enseignement Français. 31 Programme des enseignements de 3e année Ensai 2015/2016 UE Data science, machine learning Règles d’association Association rules Cours : 12h Enseignant Correspondant : Jocelyn JULIENNE (Ensai) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management ». Objectif pédagogique Apparues au début des années, les règles d’association sont des méthodes de datamining très utilisées. Le but de ce séminaire est d’initier les élèves aux algorithmes de base ainsi qu’au logiciel de data visualisation Gephi. Contenu de la matière Sera donné en cours. Logiciels utilisés : R et Gephi. Pré-requis Cours de probabilités et d’optimisation. Contrôle des connaissances Aucun. Références bibliographiques Seront fournies ultérieurement. Langue d’enseignement Français. 32 Programme des enseignements de 3e année Ensai 2015/2016 UE Machine learning, data science Panorama du big data Overview of big data Cours : 6h Atelier : 6h Enseignant Correspondant : StéphaneTUFFÉRY (CIC-Crédit mutuel) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management » et « Statistique et ingénierie des données » Objectif pédagogique A l’issue de ce séminaire, les élèves devront avoir une vision globale du big data aussi bien dans ses dimensions socio-économiques que techniques. Contenu de la matière Introduction Les réseaux sociaux Le modèle économique des réseaux sociaux Les systèmes de recommandation Le big data pour les entreprises et les organisations Le big data pour les individus L’open data Outils informatiques pour le big data Les traitements des grands volumes de données Big data avec R : outils, programmation, régression en grande dimension, matrices sparses Big data avec Sas Méthodes statistiques et machine learning pour le big data Pré-requis e Apprentissage statistique, méthodes statistiques de 2 année, R. Contrôle des connaissances Aucun. Références bibliographiques Elles seront indiquées dans le support de cours produit par l’enseignant. Langue d’enseignement Français. 33 Programme des enseignements de 3e année Ensai 2015/2016 UE Machine learning, data science Web datamining Web datamining Cours : 7h Atelier : 17h Enseignant Correspondant : Guibert TCHINDÉ : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management » Objectif pédagogique A l’issue de ce cours, les élèves devront savoir collecter des informations issues du web, connaître la notion d’Information Retrieval, savoir constituer des corpus, et les organiser à des fins d’analyse exploratoires. Ils devront maîtriser également l’algorithme qui permet de hiérarchiser les pages web (pagerank) et les techniques de classification de documents textuels. Par ailleurs, ils devront avoir acquis les notions d’opinion mining (classification de textes, analyses de sentiments, évaluation de modèles). Toutes les applications seront traitées en R. Contenu de la matière Partie 1 – Information Retrieval : Preprocessing, Extraction and PageRank Mots clés : twitter, R, pagerank, corpus, term-document matrix, Information retrieval, tf-idf, stemming, Regex, kmeans Partie théorique (3h) Information Retrieval o Concepts & Définitions o Term Document Matrix o Tf-idf, Cosine Index, jaccard Index o Stemming - Web Search : Google o Google et le Page Rank o Pages Jaunes (Notion de tri alpha) o Notion de graphes et de vecteurs propres Partie pratique (9h) TP1 : Introduction à R pour le Web Mining (3h) o Installation de librairies de textmining disponible dans R o Collecter les informations issues du WEB : Twitter, Wikipedia o Pre-processing : Stemmatisation, Lemmatisation, o Parsing HTML, XML, o Tokenization o Introduction à la term-document matrix TP2 : Similarité de documents (Applications aux recherches utilisateurs sur le site pagesjaunes.fr (3h) o Indices de similarité : Tf, tf-idf Jaccard, Cosine o Distance de Damerau, Distance de jaro o Liens entre les recherches, Notion de graphe de recherche TP3 : Ordonnancement des résultats d’une recherche (3h) o PageRank o Détecter les mots clés o Intro à la classification des docs sur mots clés 34 Ensai Programme des enseignements de 3e année 2015/2016 Partie 2 – Opinion Mining : Textmining, analyse de sentiments, classification et évaluation des modèles. Mots clés : Facebook, R, opinion mining, corpus, sentiment analysis, annotation syntaxique. Partie théorique (4h) Introduction o Quelles applications dans quels domaines d’activités État de l’art (opinion mining, sentiment analysis, affective computing) o Quels descripteurs pour quels types de données ? Textuelles Audio Images o Sélection automatique de descripteurs (réduction de l’espace de recherche) o Quels algorithmes de classification dans quels cas ? Constitution du corpus o Réflexions générales sur la qualité des données et son impact o Annotation manuelle et automatique (schéma d’annotation, calcul d’un score d’agrément inter-annotateur,) o Répartition des données dans les classes Pre-processing (texte) o Quelle granularité pour mes données (mot, phrases, paragraphes) o Annotation syntaxique et sémantique (exemples de POS, WordNet-Affect, etc) Évaluation o Quelles mesures utiliser pour mesurer la qualité d’un modèle (rappel, précision, f-score, ROC, indices de confiance a 0.95) Les produits du marché (exemples) o Produit de la société TEMIS (cartouche sentiments) o Produit de la société Sinequa Partie pratique (8h) TP1 : classification de la valence d’un texte littéraire (critiques de cinéma) TP2 : classification de la valence de textes issus de réseaux sociaux (twitter, facebook) TP3 : Fusion de modèles (à partir des modèles crées dans le TP2) TP4 (optionnel) : Constructions de modèles à partir d’indices multimodaux (texte + audio) Pré-requis SQL. Contrôle des connaissances Projet par groupe d’élèves. Références bibliographiques Les * indiquent les lectures fortement conseillées. • Web DataMining, Exploring Hyperlinks, Contents, and Usage Data, Bing Liu, Springer (Chapitre 6 à 13) (*) • Information Retrieval, http://nlp.stanford.edu/IR-book/pdf/irbookonlinereading.pdf (chapitres 1-3) (*) • package tm in R, http://cran.r-project.org/web/packages/tm/vignettes/tm.pdf (*) • Infrastructure of Texmining with R, http://www.jstatsoft.org/v25/i05/paper • Webmining pluging in R, http://cran.rproject.org/web/packages/tm.plugin.webmining/vignettes/ShortIntro.pdf • PageRank, http://ilpubs.stanford.edu:8090/422/1/1999-66.pdf 35 Programme des enseignements de 3e année Ensai • • • • • • 2015/2016 Introduction to PageRank, http://www.stat.berkeley.edu/~vigre/undergrad/reports/christensonNathan.pdf (*) Mining the social web, https://github.com/ptwobrussell/Mining-the-Social-Web Pang B. and Lee L. (2008). "Opinion mining and sentiment analysis." Foundations and Trends in Information Retrieval 2(1-2). Dini L. and Mazinni G. (2002). Opinion classification through information extraction. CELI. Turin, Italy Cornuéjols A., Miclet L. and Kodratoff Y. (2002). Apprentissage artificiel : Concepts et algorithmes Ilieva L. (2004). Combining Pattern Classifiers : Methods and Algorithms (chapitre 1 “Fundamentals of Pattern Recognition”, chapitre 4 “Fusion of Label Outputs”) (*) Langue d’enseignement Français. 36 Programme des enseignements de 3e année Ensai 2015/2016 UE Pricing et revenue management Introduction au revenue management Introduction to revenue management Cours : 12h Enseignant Correspondant : Gaël DEMESSANT (Groupe Karavel) : Jocelyn JULIENNE Enseignement destiné aux élèves des filières « Marketing quantitatif et revenue management » Objectif pédagogique Ce séminaire professionnel a pour but d’initier les élèves aux principes fondamentaux du yield/revenue management (RM). Contenu de la matière 1. 2. 3. 4. 5. 6. Introduction générale Techniques fondamentales du RM Outils et processus du RM dans le secteur du tourisme (remplissages, pricing, correspondances risques aériens et hôteliers) Prospective de nouveaux secteurs pertinents pour le RM Le RM dans l’hôtellerie et la restauration Conclusion Pré-requis Notions de probabilités, d’économie. Contrôle des connaissances Examen écrit d’1h30. Références bibliographiques Seront fournies par l’enseignant. Langue d’enseignement Français. 37 Programme des enseignements de 3e année Ensai 2015/2016 UE Pricing et revenue management Méthodes de recherche opérationnelle pour le revenue management du transport aérien Operations research for revenue management in airline Cours : 24h Enseignant Correspondant : Cyrille SZYMANSKI (Air France) : Jocelyn JULIENNE Enseignement destiné aux élèves des filières « Marketing quantitatif et revenue management » Objectif pédagogique Ce cours a pour objectif d’initier les élèves aux techniques de recherche opérationnelle utilisées en RM du transport aérien dans des situations complexes. Contenu de la matière 1. 2. 3. 4. 5. Objectifs et organisation d'un système de RM (prévision de demande, suroffre, optimisation, pricing, programme, gestion des vols) Optimisation « single resource » (Littlewood, EMSR, bid price, programmation stochastique) Modélisation de la demande (limites des modèles indépendants, élasticité au prix, choix discrets, effet spiral down) Optimisation au réseau (programmation linéaire, autres approches, robustesse) Les low-costs Pré-requis er Probabilités, mathématiques du 1 cycle de l’enseignement supérieur et statistique mathématique, optimisation linéaire et dynamique. Contrôle des connaissances Examen écrit de 2h. Références bibliographiques • TALLURI, K. T., VAN RYZIN, G. J., The Theory and Practice of revenue management, Springer, 2004. Langue d’enseignement Français 38 Programme des enseignements de 3e année Ensai 2015/2016 UE Pricing et revenue management Modèles de revenue management pour l’hôtellerie Revenue management models for hospitality Cours : 15h Enseignant Correspondant : Frédéric SPECKLIN (Disneyland Paris) : Jocelyn JULIENNE Enseignement destiné aux élèves des filières « Marketing quantitatif et revenue management » Objectif pédagogique Le revenue management dans l’hôtellerie met en œuvre des pratiques spécifiques. Ce cours a pour objectif de faire acquérir aux élèves ces méthodes ainsi que la connaissance du secteur de l’hôtellerie. Contenu de la matière re 1 séance 0. Introduction / Qu’est-ce que le Revenue Management 0.1 Origines 0.2 Objectifs/fonctions/boucles de gestion/orientation des ventes 0.3 Le Revenue Management comme une gestion de risques : gâchis, refus, déchet I. Arbitrage à partir d’espérance marginale de revenu I.1 La formule de Littlewood (1972) I.2 Arbitrage en hôtellerie à l’aide d’espérance marginale de revenu par chambre I.3 Espérance marginale de revenu : généralisation à n classes II La gestion de l’inventaire en hôtellerie II.0 La segmentation / tarification différenciée en Hôtellerie II.1 La gestion opérationnelle des capacités (inventaire physique hôtel) II.2 La gestion économique des capacités (inventaire de réservation) II.3 Les principaux « Key Performance Indicators » du RM hôtelier II.4 Processus / arbitrage / système d’information / distribution III Modèles de prévision du Revenue Management de l’hôtellerie III.1 Les variables à prévoir III.2 Les courbes de montée en charge III.3 Les modèles de prévision fréquemment utilisés III.4 Décontrainte de la demande III.5 Mesure de performance III.6 Performances des modèles e 2 séance I. Modèles d’allocation de capacité du Revenue Management hôtelier I.0 Expected Marginal Room Revenue : EMRR premier cours I.1 Threshold curve (Relihan 1989) I.2 Nested Deterministic Shadow Prices (Weatherford 1995) I.3 Hotels bid prices (based on Williamson1992) I.4 Scenario based stochastic programming (Lai and Ng 2005) II Le traitement de la dilution II.1 qu’est-ce que la dilution ? II.2 L’impact de la « spiral down » 39 Ensai Programme des enseignements de 3e année 2015/2016 II.3 Modèle de type hybride (product oriented and price oriented) III Le traitement des demandes de groupes III.1 La problématique des demandes de groupes III.2 Règles de décision et arbitrage (Choi 2006) III.3 Le traitement des groupes en pratique e 3 séance 0. Modèles d’allocation de capacité du Revenue Management hôtelier (complément cours 2) 0.1 Modèle déterministe versus modèle stochastique 0.2 Modèle qui combine optimisation globale (déterministe) à des règles de décision locales (stochastique) 0.3 Exemples de gestion des groupes dans le Revenue Management hôtelier I Les modèles de surréservation du Revenue Management hôtelier I.1 La problématique de la surréservation I.2 Approches statiques versus dynamiques de la surréservation I.3 La surréservation comme la minimisation de l’espérance d’un coût total I.4 La surréservation comme la maximisation de l’espérance de revenu ou de la marge I.5 La surréservation intégrée dans la règle de décision de type EMRR I.6 La surréservation intégrée dans le programme linéaire I.7 La surréservation avec inventaire substituable I.8 La surréservation comme le respect d’un standard de qualité I.9 La surréservation en pratique I.10 La surréservation et la perception client II Le Revenue Management à Disneyland Paris II.1 Zoom sur la gestion des 7 hôtels Disney II.2 Autres activités éligibles au Revenue Management Pré-requis Cours d’introduction au revenue management, optimisation linéaire et dynamique. Contrôle des connaissances Examen écrit d’1h30, sans document, calculatrice fournie par l’école. Références bibliographiques Fournies en séance. Langue d’enseignement Français. 40 Programme des enseignements de 3e année Ensai 2015/2016 UE Pricing et revenue management Politique tarifaire Pricing Cours : 12h Enseignant Correspondant : Julien KAUFFMANN (Disneyland Paris) : Jocelyn JULIENNE Enseignement destiné aux élèves des filières « Marketing quantitatif et revenue management » Objectif pédagogique Le pricing est un des leviers fondamentaux du revenue management, au même titre que l’inventaire, le marketing et les canaux de distribution. A l’issue de ce cours, les élèves devront avoir une vision globale du pricing et être capables de mettre en place une stratégie tarifaire. Contenu de la matière 1. Fixer le prix de votre produit • Fondamentaux du pricing • Définir le juste prix • Mesurer l’élasticité 2. Définir une stratégie tarifaire • Différentiation tarifaire • Construction des gammes • Bundling • Nouveaux modèles tarifaires • Organisation 3. Gérer le pricing au quotidien • Concurrence et pricing • Promotions et remises • Pricing 2.0 • Conclusion Pré-requis Cours d’introduction au revenue management. Contrôle des connaissances Examen écrit d’1h30, sans document, calculatrice fournie par l’école. Références bibliographiques Fournies en séance. Langue d’enseignement Français. 41 Programme des enseignements de 3e année Ensai 2015/2016 UE Pricing et revenue management Principes économiques du revenue management : théorie et pratique Economical principles of revenue management: theory and practice Cours : 9h Atelier: 6h Enseignant Correspondant : Christophe BONTEMPS (Gremaq-Inra) : Jocelyn JULIENNE Enseignement destiné aux élèves des filières « Marketing quantitatif et revenue management » Objectif pédagogique L’objectif de ce séminaire est d’une part de présenter les principes économiques du revenue management, et d’autre part, de permettre aux élèves de mettre en œuvre des stratégies RM de compagnies aériennes via le logiciel de simulation AirECONsim. Il alternera donc séances de cours et séances de jeux durant lesquelles les élèves se répartiront par groupe et devront entrer en compétition, en prenant le rôle de compagnies aériennes concurrentes. Contenu de la matière 1. Principes économiques du RM a. Price discrimination b. The mechanics of RM c. Overview of the problems 2. Simulation 1 a. Jeu d’introduction b. Principes du management d’une compagnie aérienne d. Competition & RM under uncertainty 3. Cases studies on RM in practice 4. Practical and theoretical aspects of RM a. Single flight capacity control (EMSR) b. Demand and quota determination : theoretical and practical issues c. Bid prices & extensions 5. Simulation 2 a. Competition & RM when things go wrong b. Debriefing du jeu Pré-requis Cours d’introduction au revenue management. Contrôle des connaissances Aucun. Références bibliographiques • TALLURI, K. T., VAN RYZIN, G. J., The Theory and Practice of revenue management, Springer, 2004. Langue d’enseignement Français. 42 Programme des enseignements de 3e année Ensai 2015/2016 UE Optimisation Optimisation linéaire Linear optimization Cours : 18h Enseignant Correspondant : Denis MONTAUT (Eurodecision) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique A l’issue de ce cours, les élèves devront être capables de résoudre un problème d’optimisation linéaire sous contrainte que l’on retrouve fréquemment aussi bien en marketing (mise en portefeuille, optimisation de la gamme de produits sous contrainte, optimisation des tournées de distribution, optimisation des espaces publicitaires, gestion des stocks) qu’en revenue management (optimisation de revenu). Le logiciel utilisé est Xpress-Ive. L’apprentissage de ces méthodes sera réalisé à partir de cas concrets. Contenu de la matière Chapitre Date Contenu 04/09/2015 Introduction, Définitions, Exemples Méthodologie, outils, Programmation mathématique, Simplexe 1.1 Pourquoi faire de l'optimisation et de l'aide à la décision? 1 Exemple simple introductif Complexité des processus de décision dans l'entreprise, décider = affecter des ressouces aux besoins 1.2 Définitions : modèle, Optimisation, PL, MIP 1.3 Exemple spots - solver XL 1.4 Méthode du simplexe 04/09/2015 Flots et affectation + 0/1, de la PL au MIP Dualité 2 2.1 présentation du Pb de flots via exemple transport 2.2 présentation du Pb d'affectation via exemple transport PMédiane et exemple speed dating 2.3 MIP : présentation de la méthode 04/09/2015 Dualité 3.1 Rappel méthode du simplexe 3 3.2 Application au problème de transport 3.3 Exemple formulation 11/09/2015 Coûts non linéaires Initiation aux SOS 2 MIP+Quadratique 4 4.1 Présentation du cas multi-canal NL croissant, NL décroissant, NL qq 4.2 Utilisation des SOS type 2 4.3 Approche de pb quadratiques : CRM 43 Programme des enseignements de 3e année Ensai 2015/2016 11/09/2015 Multicritère et localisation de sites Goal Programming (capacités) 5 5.1 Approche multicritère : présentation 5.2 Cas localisation de boutiques 6 11/09/2015 Résolution de pbs infaisables : goal programming 6.1 Résoudre un problème infaisable, application au problème de transport ( à développer en exercice) 6.2 Cas : sac à dos : utilisation/répartition d'un budget marketing répartition par thèmes, cibles, ct de pption 21/09/2015 Optimisation combinatoire 7 5.1 Définition 5.2 Optimisation de la diversité d'une gamme de produits 21/09/2015 Ordonnancement et courbe de capacité 8 8.1 Planification de tâches 8.2 Modèles directs : exemple planification de campagnes 8.3 Introduction à la génération de colonnes (à développer) Pré-requis Algèbre linéaire. Contrôle des connaissances Projet commun avec Optimisation dynamique. Références bibliographiques e R. Faure, B. Lemaire, C. Picouleau, Précis de recherche opérationnelle, Dunod, 6 édition. Langue d’enseignement Français. 44 Programme des enseignements de 3e année Ensai 2015/2016 UE Optimisation Optimisation dynamique Dynamic optimization Cours : 18h Enseignant Correspondant : Benoît ROTTEMBOURG (Eurodecision) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique L’objectif de ce cours est d’initier les élèves aux méthodes d’optimisation (en général sous contraintes) en tenant en compte le facteur temps (dynamique). Les élèves devront être capables de mettre en œuvre de telles méthodes à partir de cas concrets. Logiciel utilisé : Xpress-Ive. Contenu de la matière 1. Programmation dynamique (sac à dos, sac à dos multi-D) 2. Processus de décisions markoviens (PDM) à horizon fini : exemple 2048 (avec discoiunted reward sur le temps passé à résoudre) 3. Résolution par backward induction (Bellman) et/ou par programmation linéaire 4. Application au calcul de niveau de surbook optimal (hôtel) 5. Calcul du mix tarifaire optimal (par PDM, sans parler de Littlewood ou Belobaba que je laisse aux aéro) 6. Introduction au Bid Price 7. Calcul du Bid Price par dualité de la programmation linéaire (DLP, Dynamic DLP, Randomized DLP) 8. Relaxation lagrangienne et décomposition lagrangienne 9. Application au traitement de gros PDM par décomposition (application au RM en optimisation d'une offre de formation) 10. Sensibilité à une mauvaise prévision 11. Multi-scénario planning Pré-requis Chaînes de Markov. Optimisation linéaire. Contrôle des connaissances Projet commun avec Optimisation linéaire. Références bibliographiques e R. Faure, B. Lemaire, C. Picouleau, Précis de recherche opérationnelle, Dunod, 6 édition. Langue d’enseignement Français. 45 Programme des enseignements de 3e année Ensai 2015/2016 UE Optimisation Optimisation stochastique Stochastic optimization Cours : 18h Enseignant Correspondant : Daniel GOURION (Université d’Avignon) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique Les fonctions à optimiser sont rarement convexes dans la pratique. A l’issue de ce cours, les élèves devront être capables de mettre en œuvre des algorithmes permettant d’optimiser de telles fonctions. Logiciel utilisé : R. Contenu de la matière 1. Introduction Optimisation locale et globale. Situation des métaheuristiques dans l'optimisation. Spécificités, cadre d'application. Typologie des métaheuristiques. Paysage d'énergie. No free lunch theorem. Liste de méthodes. 2. Le recuit simulé Rappel sur les algorithmes de voisinage. Sortir d'un minimum local. Algorithme de Metropolis Hastings - équilibre de Gibbs Boltzmann Réglage des paramètres : choix et taille du voisinage ; longueur des paliers de température ; schéma de décroissance de la température. Cas de l'optimisation discrète et de l'optimisation continue. 3. Algorithmes génétiques Algorithmes de population. Sélection, croisement, voisinage. Réglage des paramètres : taille de la population, probabilité de sélection, définition du croisement, probabilité de mutation, ... 4. Autres méthodes Courte introduction à la méthode tabou et aux colonies de fourmis. 5. Application (et évaluation) a- Application en TP du recuit simulé à deux cas simples : voyageur de commerce ; une fonction-test classique de l'optimisation continue. b- Application en TP des algorithmes génétique à deux cas simples : problème de sac à dos ; une fonction-test classique de l'optimisation continue (la même que dans a). c- Application à un cas issu des statistiques ou du revenue marketing Pré-requis re Optimisation de 1 année, statistique computationnelle. Optimisation linéaire et dynamique. 46 Ensai Programme des enseignements de 3e année 2015/2016 Contrôle des connaissances Projet. Références bibliographiques e R. Faure, B. Lemaire, C. Picouleau, Précis de recherche opérationnelle, Dunod, 6 édition. Langue d’enseignement Français. 47 Programme des enseignements de 3e année Ensai 2015/2016 UE Compléments de statistique et d’économétrie Compléments de sondages et méthodologie d’enquête Advanced survey theory Cours : 12h Enseignant Correspondant : Éric LESAGE (Insee) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique L'objectif de ce séminaire est de présenter la théorie des sondages basée sur la modélisation statistique des variables d’intérêt. Cette approche est qualifiée d’approche basée sur le modèle et le modèle statistique est appelé modèle de superpopulation. Ce paradigme est foncièrement différent de l’approche basée sur le plan de sondage. Il présente l’intérêt d’être cohérent avec le reste de la statistique paramétrique et non paramétrique. Il permet également de traiter des problèmes mal pris en compte par l’approche basée sous le plan de sondage comme l’ajustement de la non-réponse (imputation). Contenu de la matière 1. Approche basée sur le modèle en sondage a. La sélection non-informative de l’échantillon (ou sélection ignorable) b. Les différents modèles de superpopulation et leurs estimateurs (BLUP) c. Biais, efficacité et robustesse d. Double protection 2. Modélisation du mécanisme de non-réponse Pré-requis Théorie des sondages 1 et 2, modèles de régression, régression sur variables catégorielles. Contrôle des connaissances Aucun. Références bibliographiques • Raymond L. Chambers and Robert G. Clark, An Introduction to Model-Based Survey Sampling with Applications, Oxford Statistical Science, 2012 • Sharon L., Sampling : Design and Analysis, Duxbury Press, 1999 • C.-E. SÄRNDAL, S. LUNDSTRÖM, Estimation in Surveys Sampling with Nonresponse, Wiley, 2005 • C.-E. SÄRNDAL, B. SWENSSON, WRETMAN, Model Assisted Survey Sampling, New York, Springer Verlag, 1992 • Richard Valliant, Alan H. Dorfman and Richard M. Royall, Finite population sampling and inference, aprediction approach, Wiley, 2000 Langue d’enseignement Français 48 Programme des enseignements de 3e année Ensai 2015/2016 UE Compléments de statistique et d’économétrie Économétrie des données de panels Econometric analysis of panel data Cours : 21h Enseignant Correspondant : Serge GARCIA (Inra Nancy) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique L’objectif de ce cours est de fournir les outils utiles à l’estimation de modèles économétriques sur données de panel. Ce cours décrit les méthodes et leur mise en application pratique. Des exemples numériques ainsi que des travaux de recherche empiriques sont présentés tout au long du cours pour illustrer l’utilisation de ces méthodes. Contenu de la matière 1. 2. 3. 4. Introduction 1. Illustration 2. Définitions 3. Notations 4. Ecritures du modèle de panel 5. Les opérateurs Modèle linéaire statique 1. Le modèle à effets fixes 2. Le modèle à effets aléatoires Le modèle linéaire dynamique 1. La Méthode des Moments Généralisés : rappel 2. Le modèle dynamique de panel : spécification et hypothèses 3. L'estimation du modèle dynamique de panel 4. Exemples Extensions 1. Double effet, individuel et temporel 2. Panel non cylindré 3. Modèles de panel non linéaires 4. Systèmes de régression avec erreurs composées Pré-requis Micro-économétrie avancée. Contrôle des connaissances Examen écrit. Références bibliographiques • • • nd B. H. BALTAGI. Econometric Analysis of Panel Data (2 ed.), J. Wiley, 2001 P. SEVESTRE. Économétrie des données de panel , Dunod, 2002 nd J. M. WOOLDRIDGE. Econometric Analysis of Cross Section and Panel Data (2 ed.), 2010, MIT Press Langue d’enseignement Français. 49 Programme des enseignements de 3e année Ensai 2015/2016 UE Compléments de statistique et d’économétrie Modèles à équations structurelles Structural equations modeling Cours : 15h Atelier : 9h Enseignant Correspondant : Christian DERQUENNE (EDF) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique Les modèles à équations structurelles (SEM) sont d’un usage important dans de nombreux champs disciplinaires tels que la psychométrie, la sociologie, l’économétrie et aussi les sciences de gestion. Le but de ce cours est d’acquérir les bons réflexes méthodologiques et les connaissances théoriques nécessaires pour la mise en œuvre des modèles SEM. La mise en pratique se fera sous SAS essentiellement. Contenu de la matière 1. 2. 3. 4. Modélisation du comportement du consommateur : satisfaction et fidélité. Méthodes d’estimation de modèles à équations structurelles : la méthode LISREL, l’approche PLS et l’approche RFPC. La création de modèles : les modèles libres. Construction de modèles structurels sur données de nature différente. Pré-requis Contrôle des connaissances Travaux pratiques notés Références bibliographiques • • • • • • B. S. EVERITT. An introduction to latent variable models, 1984 K. A. BOLLEN. Structural Equation with latent variables, 1989 P. ROUSSEL et al. Méthodes d’Équations Structurelles : recherche et application en Gestion, 2002 L. HATCHER. A step-by-step approach to Factor Analysis and Structural Equation Modelling using SAS System. SAS Institute Inc. 1994 M. TENENHAUS, V. ESPOSITO VINZI, Y. M. CHATELIN and C. LAURO, PLS Path Modelling, Computational Statistics and Data Analysis, vol. 48 n°1, jan. 2005 H. WOLD. Soft Modelling : The Basic Design and Some Extensions, in Jöreskog K.G. and Sörbum D., Editors, Systems under Indirect Observation, 1982 Langue d’enseignement Français. 50 Programme des enseignements de 3e année Ensai 2015/2016 UE Compléments de statistique et d’économétrie Modèles de choix discret Discrete choice models Cours : 18h Enseignant Correspondant : Pascal BOUYAUX (Université de Rennes 1) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique Ce cours présente les principaux aspects pratiques des modèles micro-économétriques de choix discret. Après une description détaillée de la structure générale d'une analyse des comportements de choix discrets, il étudie une spécification opérationnelle spécifique : le modèle logit emboîté. Contenu de la matière 1. 2. 3. 4. 5. 6. 7. 8. 9. Structure d'une analyse en choix discret Des préférences aux probabilités de choix Les conditions d'intégrabilité Le problème de la substitution entre éventualités Développements méthodologiques Le problème du recueil des données Écriture de la fonction d'utilité La question de l'identification Une spécification opérationnelle : le Logit emboîté Pré-requis Économétrie, modèles de régression. Contrôle des connaissances Examen écrit sous la forme d'une analyse synthétique d'articles. Références bibliographiques • • L. CECCHINI, Les déterminants des choix individuels de produits différenciés : une application au marché automobile français, p. 37-59, Stratégies, concurrence et mutations industrielles, M. Catin, J.Y. Lesueur, Y. Zénou (eds), L'Harmattan, Paris, 1999 K. TRAIN, Qualitative Choice Analysis : Theory, Econometrics and an Application to Automobile Demand, the MIT Press, 1986 Langue d’enseignement Français. 51 Programme des enseignements de 3e année Ensai 2015/2016 UE Compléments de statistique et d’économétrie Modèles de prévision avec séries temporelles Forecasting using times series Cours : 13h30 Atelier : 13h30 Enseignant Correspondant : Christophe RAULT (Université d’Orléans & IZA) : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique L’objectif principal du cours est la présentation des techniques d’analyse des séries temporelles multivariées couramment utilisées dans les applications. Les concepts théoriques seront illustrés sur des données réelles traitées à l’aide du logiciel E-views. Contenu de la matière 1. 2. 3. 4. Processus stationnaires (rappels/extensions) 1.1. Modélisation de l'espérance conditionnelle, processus ARMA et extensions SARIMA. 1.2. Modélisation de la variance conditionnelle, processus (G)ARCH et extensions. Processus non stationnaires univariés : 2.1. Différentes formes de non stationnarité : tendance déterministe et racine unité. 2.2. Tests de racine unité. Processus stationnaires : les modèles VAR 3.1. Stationnarité. 3.2. Estimation et tests. 3.3. Causalité, exogénéité, propagation des chocs, décomposition de la variance. 3.4. Les modèles espace d’état et le filtre de Kalman. Processus non stationnaires: les processus à racine unité et cointégration. Pré-requis e Cours de séries temporelles de 2 année. Contrôle des connaissances Examen écrit et projet pour la partie atelier. Références bibliographiques • • • • • • • • • A. BANERJEE, J. J. DOLADO, J. W. GALBRAITH, and D. F. HENDRY. Co-integration, Error Correction, and the Econometric Analysis of non-stationnary data, 1993 T. BOLLERSLEV, R. ENGLE and D. NELSON « ARCH Models », Handbook of Econometrics, 1993 nd P. J. BROCKWELL and R. A. DAVIS. Time Series : Theory and Method, (2 ed.), 1998 nd P. J. BROCKWELL and R. A. DAVIS. Introduction to Time Series and Forecasting, 2 ed, 2002. R. ENGLE, ARCH, Selected Readings, 1995 G. GOURIEROUX et A. MONFORT. Séries temporelles et modèles dynamiques (2e éd.), 1995 J. D. HAMILTON. Time Series Analysis, 1994 nd H. LÜTKEPOHL. Introduction to Multiple Time Series Analysis (2 ed.), Springer Verlag, 1993 G. S. MADDALA et I. M. KIM, Unit Roots, Cointegration and Structural Change, 1998 Langue d’enseignement Français. 52 Programme des enseignements de 3e année Ensai 2015/2016 UE Projets d’entreprise et de recherche Projet d’entreprise Enterprise Project Atelier : 12h Enseignant Correspondant : Divers intervenants : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management » Objectif pédagogique L’objectif de ce projet d’entreprise est de faire travailler les élèves, répartis en binômes ou trinômes, sur des problématiques soumises par le service data science d’une entreprise et e qui devront être traitées à l’aide de méthodes quantitatives enseignées en 3 année. Contenu de la matière Les différents thèmes seront présentés par les tuteurs. A ce jour, les entreprises cibles seront Accor, Eurodisney SCA, Solocal, Worldline. Les sujets seront attribués à partir des vœux des trinômes. Pré-requis Datamining, scoring, apprentissage statistique, séries temporelles, revenue management. Contrôle des connaissances Rapport écrit et soutenance orale (devant tous les castmembers et les autres groupes). Références bibliographiques Fournies le cas échéant. Langue d’enseignement Français. 53 Programme des enseignements de 3e année Ensai 2015/2016 UE Projets d’entreprise et de recherche Projet de recherche Research project Atelier : 6h Enseignant Correspondant : Divers intervenants : Jocelyn JULIENNE Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management » Objectif pédagogique L’objectif de ce projet est d’initier les élèves, au travers d’articles de recherche, à des méthodes statistiques innovantes qu’ils n’auront pas vues en cours. Ce sera l’occasion pour eux d’apprendre à construire une bibliographie sur le thème qu’ils traiteront. Les projets seront réalisés par trinôme. Contenu de la matière Les intervenants seront des spécialistes de l’apprentissage statistique, un domaine de recherche très en vogue actuellement. Pré-requis Apprentissage statistique. Contrôle des connaissances Un mini-rapport écrit (5 à 10 pages maximum) et une soutenance orale de 20 à 30 minutes. Références bibliographiques Fournies par les intervenants. Langue d’enseignement Français. 54 Programme des enseignements de 3e année Ensai 2015/2016 UE Conférences métiers Conférences métiers Professional conferences Atelier : 15h Enseignant Correspondant : Divers intervenants : Jocelyn JULIENNE (Ensai) Enseignement destiné aux élèves de la filière « Marketing quantitatif et revenue management» Objectif pédagogique Les conférences métiers ont pour objectif de présenter aux élèves les activités d’entreprises de secteurs variés ainsi que des problématiques auxquelles ils seront confrontés dans leur environnement professionnel. Elles sont assurées par des professionnels, parfois anciens élèves de l'Ensai, issus d'entreprises représentatives du marché de l'emploi. Elles donnent également aux entreprises, l’occasion de présenter leurs offres de stages. Elles durent en général 1h30 à 2h. Liste prévisionnelle des entreprises ACCENTURE, Julie Lestienne (consultante senior – Ensai 2009) ACOMMEASSURANCE.COM, Arnaud Giraudon (PDG – Centrale Paris) ACCOR, Anthony Barré (data scientist – PhD statistique) ALLIANZ FRANCE, Pauline Bouard (statisticienne – Ensai 2011) CARREFOUR, Adeline Thiercy (statisticienne – Ensai 2013) CLARA VISTA, Jacky Cuogo (directeur associé – Telecom ParisTech) COMPAGNIE DU PONANT, Benoît Carassou-Maillan (revenue manager – Supélec) DISNEYLAND PARIS, castmembers de Team Disney HAVAS MEDIA – 2MV, Thierry Fontaine (directeur général-adjoint – Ensae) et Karima Bendali (directrice data science et data solutions – DESS Statistique de l’université de Toulouse) SNCF – CENTRE OPERATIONNEL DU REVENUE MANAGEMENT, Barbara Juillet (directrice-adjointe – X-AgroParistech). SOFT COMPUTING, Marlène Baque (manager – Master statistique et économétrie de l’université de Toulouse) et Marjorie Fonteneau (manager – Ensai 2010) SOLOCAL GROUP, Guillaume Pénigaud (directeur data, études d’audience et performance media – X-Mines) TELMAR PEAKTIME, Mathieu Floirat (directeur général, Master de mathématiques) 55