Code
MGYF STR 5941
Niveau
M2
Discipline
Stratégie
Langue
Français/French
Crédits ECTS
2
Heures programmées
28
Charge totale étudiant
40
Coordonnateur(s)
Département
- Management, Marketing et Stratégie
Equipe pédagogique
Introduction au module
À l'ère des transitions multiples – numérique, écologique, géopolitique – les directions stratégiques des entreprises doivent transformer les données massives en avantages concurrentiels durables. Ce cours d'Analyse de Données Stratégiques forme les futurs Data Strategists à être capables de diagnostiquer des disruptions, cartographier des écosystèmes et anticiper des signaux faibles via des outils gratuits et des données publiques. Sur 4 jours intensifs, les étudiants maîtriseront les fonctions élémentaires de Power BI, Data Studio, Google Trends pour appliquer les cadres classiques – Porter 5 Forces, SWOT data-driven, PESTEL quantitatif, S-curves – à des mini cas français concrets. Ce cours aligne les compétences d'analyses de données sur les ODD prioritaires (9.3 Innovation, 7.2 Énergie propre, 13.2 Climat). À l'issue, chaque étudiant livrera un dashboard interactif et pitchera son analyse et ses recommandations dans un contexte de prise de décision data-driven. Ce cours participe à la formation de managers hybrides combinant littératie data stratégique et vision transitionnelle pour la compétitivité française 2030.
Objectifs d'apprentissage (compétences mères)
- 6.3 - Produire et analyser les principaux documents de synthèse, dans le but de s'assurer d'une gestion optimale, durable, en veillant à son alignement sur la vision, mission et les valeurs de l'organisation.
Traits de compétences
Data Literacy Stratégique : Maîtrise des cadres classiques (Porter 5 Forces, SWOT, PESTEL) appliqués à des datasets réels pour diagnostiquer les transitions sectorielles.
Visualisation Executive : Conception de dashboards interactifs (Power BI, Data Studio) traduisant analyses complexes en recommandations.
Anticipation Disruption : Analyse prédictive S-curves (Google Trends), brevets (Orbis/Google Patents), écosystèmes (Gephi) pour identifier signaux faibles.
Storytelling Data-Driven : Transformer insights data (market share, R&D spend, subventions) en pitch décisionnel aligné ODD/RSE
Contenu : structure du module et agenda
Sessions 1-2 : Fondations stratégiques des données + Cas d'étude : Renault vs Tesla – Bataille du VE en Europe (2020-2025) ODD 7.2
Sessions 3-4 : Compétitivité globale & écosystèmes + Cas d'étude : Capabilities stratégiques d'Airbus (2018-2025) ODD 9.3
Sessions 5-6 : Transitions macro & sectorielles + Cas d'étude : Énergies renouvelables France – Diagnostic PESTEL quantitatif (2015-2025) ODD 7.2 / 13.2
Sessions 7-8 : Décision & action stratégique + Cas d'étude : Adoption IA dans le Retail français (2020-2025) ODD 9.3
Contribution à l'atteinte des ODD (Objets du Développement Durable)
ODD 7, 9, 13
Justification for SDGs 7, 9 & 13
Sessions 1–2: Strategic Data Foundations + Renault vs Tesla Case (SDG 7.2)
Foundations in data strategy and the Renault-Tesla electric vehicle (EV) battle in Europe (2020–2025) directly target 7.2 ("substantially increase renewable energy share").
Data-driven Porter/SWOT analyses reveal EV ecosystem shifts, supporting clean energy adoption and energy efficiency.
This equips students to quantify transitions toward sustainable mobility.
Sessions 3–4: Global Competitiveness & Ecosystems + Airbus Case (SDG 9.3)
Focus on capabilities and ecosystems via Airbus (2018–2025) aligns with 9.3 ("increase SME access to financial services/markets, integrate into value chains").
Quantitative PESTEL/S-curves map industrial innovation, fostering resilient infrastructure for aerospace competitiveness.
Students build dashboards highlighting technological upgrading for sustainable industrialization.
Sessions 5–6: Macro/Sectoral Transitions + Renewables PESTEL Case (SDG 7.2 & 13.2)
Quantitative PESTEL on French renewables (2015–2025) supports 7.2 (renewable energy growth) and 13.2 ("integrate climate measures into policies/planning").
Trend analysis anticipates signals in energy/climate shifts, enabling data-informed adaptation strategies.
This links energy security with climate resilience.
Sessions 7–8: Strategic Decision & Action + AI Retail Adoption Case (SDG 9.3)
AI adoption in French retail (2020–2025) reinforces 9.3, emphasizing SME innovation via data ecosystems.
Interactive dashboards and pitches demonstrate how AI signals drive scalable, sustainable retail transformation.
Final outputs promote industrial agility in transition contexts.
SDGs 7, 9 & 13 anchor the course's hybrid data-strategic training: participants deliver actionable insights for France's 2030 competitiveness, turning big data into tools for clean energy (7), innovative infrastructure (9), and climate action (13).
Nombre d'ODD abordés parmi les 17
3
Apprentissage
synchrone
Méthode pédagogique
Seminar / lecture(s): Yes
Case study(ies): Yes
Practical work : Yes
Presentation(s): Yes
Online learning component: Yes
Coaching: Yes
Debate(s): Yes
Système de notation et modalités de rattrapage
Evaluation en Groupe : 40% (exercices théoriques et pratiques)
Examen Individuelle : Questions de cours et mini étude(s) de cas 60%
La note finale peut être ajustée en fonction de la participation individuelle (retards, absences injustifiées, etc.).
Rattrapage (CF2) : Questions de cours / Mini-Étude de cas. La note est plafonnée à 10/20.
En cas de non-validation du CF2, une prolongation de scolarité peut être accordée par le jury des études.
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 tout 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.
Les apprenants s’engagent à respecter strictement les horaires des cours figurant sur leur planning.
● 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.
Chaque demi journée d'absence non justifiée ou liée à des retards conduit à un malus de -1 sur la note finale du 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
Provost, F., & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O'Reilly Media.
Davenport, T. H., & Harris, J. G. (2007). Competing on analytics: The new science of winning. Harvard Business School Press.
Mots-clés
Data-Driven Strategy , Strategic Analytics , Business Intelligence , Disruption, Forecasting , Competitive Data Analysis