Filière Marketing quantitatif et revenue management

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