Code
MGFE MIS 5203
Niveau
M2
Discipline
Systèmes d’information
Langue
Anglais/English
Crédits ECTS
3
Heures programmées
18
Charge totale étudiant
60
Coordonnateur(s)
Département
- Technologies, Information et Management
Equipe pédagogique
Introduction au module
L'informatique décisionnelle (ou Business Intelligence - BI) désigne la collecte, l'analyse et l'interprétation des données afin d'obtenir des informations exploitables et de prendre des décisions éclairées au sein d'une organisation.
Ce cours vise à développer la capacité des étudiants à évaluer comment la BI peut être générée via l'utilisation des systèmes d'information. Il inclut une connaissance globale des divers outils analytiques créateurs de valeur, ainsi que la maîtrise technique de certains outils numériques. Ce module introduit également les fondamentaux de l'analyse prédictive et de l'apprentissage automatique (Machine Learning).
Finalité d'apprentissage (Bloc de compétences)
- 1. S’approprier les usages avancés et spécialisés des outils de l’intelligence digitale en s’assurant de leur impact durable et responsable
Objectifs d'apprentissage
- 1.1 - Auditer les usages avancés et spécialisés des outils de l'intelligence digitale, afin de les mobiliser avec pertinence, en tenant compte du contexte stratégique des organisations.
- 1.2 - Actionner les outils de l'intelligence digitale de manière efficiente, pour accompagner les transformations sociétale, numérique, énergétique et environnementale des organisations, en s'assurant de leur impact durable et responsable.
- 2.3 - Conduire une analyse réflexive et distanciée prenant en compte les enjeux, les problématiques et la complexité d'une demande ou d'une situation afin de proposer des solutions adaptées et/ou innovantes en respect des évolutions de la règlementation.
Traits de compétences
-Expliquer les principes de la visualisation de données et illustrer leur utilité avec des exemples
-Choisir et adapter des types de graphiques en fonction des données et du message à transmettre
-Créer et organiser des rapports interactifs simples avec Power BI
-Analyser des données et identifier des tendances pertinentes
-Comparer les rôles, missions et outils du Data Analyst et du Data Scientist
Contenu : structure du module et agenda
Qu’est-ce que la visualisation de données
Outils et techniques de visualisation de données
Présentation de Power BI, ses avantages et ses principaux composants (Power BI Desktop, Power BI Service, Power BI Mobile)
Création de valeur grâce à la Business Intelligence
Analyste de données vs Data Scientist : quelle est la différence ?
Contribution à l'atteinte des ODD (Objets du Développement Durable)
Goal 9 - Industry, innovation and infrastructure
The course teaches advanced techniques and tools for developing innovative data-based solutions in all sorts of industries
Nombre d'ODD abordés parmi les 17
1
Apprentissage
synchrone
Méthode pédagogique
Lectures
Practical exercises
Case study and project development
Système de notation et modalités de rattrapage
CF1: 100 % basé sur un projet avec une composante d’évaluation individuelle.
CF2 : Session de rattrapage sous forme de développement d’un mini-projet. plafonné à 12/20
Règlement du module
Communication Professeur-Apprenant
● Le professeur contactera les apprenants via leur adresse mail scolaire (IMT-BS/TSP) et le portail Moodle. Aucune communication via les adresses mails personnelles n’aura lieu. Il est de la responsabilité de l’étudiant de consulter régulièrement sa boîte mail IMT-BS/TSP.
● Les apprenants peuvent communiquer avec le professeur en envoyant un mail à son adresse institutionnelle. Au besoin, il est possible de le rencontrer dans son bureau durant les heures de bureau ou sur rendez-vous.
Apprenants avec des besoins d’accommodement
Si l’apprenant a un handicap qui empêche d’accomplir le travail décrit ou qui nécessite toute sorte d'accommodement, il est de sa responsabilité d’en informer le directeur des études (avec justificatifs) dès que possible. Aussi, l’apprenant ne doit pas hésiter à en discuter avec son professeur.
Comportement en classe
● En guise de courtoisie envers le professeur et les autres apprenants, tous les téléphones portables, jeux électroniques ou autres appareils générant du son doivent être désactivés pendant les cours.
● L’apprenant doit éviter out comportement perturbateur et irrespectueux tel que: arriver en retard en classe, partir tôt, comportement inconsidéré (ex. dormir, lire un document non lié au cours, utiliser un langage vulgaire, parler excessivement, manger, boire, etc.). Un avertissement peut être donné à la première infraction de ces règles. Les contrevenants seront pénalisés et pourront être expulsés de la classe et/ou subir d'autres procédures disciplinaires.
● Le retard toléré est de 5 minutes. La présence sera déclarée sur Moodle durant ces 5 minutes via un QR code fourni par le professeur à chaque démarrage de cours.
● L’apprenant doit arriver à l'heure pour les examens et autres évaluations. Personne ne sera autorisé à entrer en classe une fois que la première personne aura terminé l'examen et quitté la salle. Il n'y a absolument aucune exception à cette règle. Aucun apprenant ne peut continuer à passer un examen une fois le temps écoulé. Aucun apprenant ne peut quitter la salle pendant un examen à moins qu'il / elle ait terminé et ait remis tous les documents.
● En cas de cours à distance, l'apprenant doit maintenir sa caméra allumée sauf en cas d'indications contraires données par l'enseignant.
Code éthique
IMT-BS est engagée dans une politique d'honnêteté dans le milieu académique. Toute conduite compromettant cette politique peut entraîner des sanctions académiques et/ou disciplinaires. Les apprenants doivent s'abstenir de tricher, de mentir, de plagier et de voler. Ceci consiste à accomplir un travail original et à reconnaître toute autre personne dont les idées et les documents imprimés (y compris ceux provenant d’Internet) sont paraphrasés ou cités directement. Tout apprenant qui enfreint ou aide un autre élève à enfreindre les normes de comportement scolaire sera sanctionné conformément aux règles de l'IMT-BS.
Références obligatoires et lectures suggérées
1. Anouncia, S. M., Gohel, H. A., & Vairamuthu, S. (Éds.). (2020). Data Visualization : Trends and Challenges Toward Multidisciplinary Perception. Springer. https://link.springer.com/book/10.1007/978-981-15-2282-6
2. Godfrey, P., Gryz, J., & Lasek, P. (2016). Interactive Visualization of Large Data Sets. IEEE Transactions on Knowledge and Data Engineering, 28(8), 2142‑2157. https://doi.org/10.1109/TKDE.2016.2557324
3. Post, F. H., Nielson, G., & Bonneau, G.-P. (Éds.). (2002). Data Visualization : The State of the Art. Springer Science & Business Media. https://link.springer.com/book/10.1007/978-1-4615-1177-9
Mots-clés
Business Intelligence, BI tools, data analytics, data driven decisions, data and organisational value.
Prérequis
None