M2 Informatique décisionnelle - Apprentissage

Benoît GROZ.

Cours magistraux : 20h, TP : 15h, TD : 5h. Si utilisation de portables personnels, prévoir d’installer Docker. Evaluation : combine un examen sur machine (sans accès internet) et examen papier. Une présentation d’article de recherche ou une analyse d’un outil logiciel pourra contribuer de façon marginale à la note.

Le but de l’enseignement est de familiariser les étudiants avec les outils permettant de stocker et manipuler les données. Il s’agit d’étudier les grands principes, algorithmes et systèmes permettant d’organiser et analyser efficacement les grands volumes de données.

Le cours s’articule autour des sujets suivants :

1 Architectures relationnelles, et organisations spécifiques pour l’analyse de données.
-Entrepôts de données, modèle multidimensionnel, conception de schéma
-OLAP, analyse de données SQL
-Outils pour manipuler efficacement des données (regex avancées, manipulations de collections en python…)

2 Organisation au niveau physique des données :
-Partitionnement, indexation, structures de données
-Organisation physique des données
-Lien avec la gestion des mises à jour, concurrence
3 Architectures massivement distribuées
-Systèmes NoSQL : batch, streams, clés-valeurs, graphes…
-Organisation des données, calculs dans ces systèmes
4 Eventuellement :
-hachage et applications
-nettoyage de données
-visualisation de données.

Bases de SQL, algèbre relationnelle, modèle relationnel et normalisation. Bases d’algorithmique. Bases de programmation, et préférablement bases en python.

- The Data Warehouse Toolkit, R.Kimball, M.Ross -https://www.postgresql.org/ -https://docs.oracle.com/database/121/DWHSG/toc.htm -Spark, the definitive guide. Chambers, Zaharia -Designing Data-Intensive Applications. M.Kleppman.

Septembre - Octobre - Novembre - Décembre - Janvier - Février.

ORSAY

Philippe CHATALIC.

Le cours s'organise classiquement en séances de cours et de TD / TP 42h : 20h cours, 10h TD, 12h TP.

Ce cours est une introduction aux principes de formalisation et
de résolution de problèmes basés sur les méthodes de
satisfaction (et/ou d'optimisation) de contraintes logiques,
dont le champ d'application est très large.
Il décrit les principes fondamentaux et les méthodes génériques
que l'on retrouve au coeur des solveurs ce type, ainsi que les
principes méthodologiques permettant de les utiliser en pratique.

Il présente différentes notions de cohérence locale (cohérence de sommet, d'arc,...)
ainsi que des algorithmes permettant de les établir, afin de pouvoir transformer
automatiquement de tels problèmes en des problèmes plus simples.
Il introduit également les méthodes de recherche exhaustives permettant
de trouver/énumérer les solutions de tels problèmes. L'intégration
de méthodes de cohérence locale dans les méthodes de recherche exhaustive
conduit à des méthodes de recherche hybrides dont l'essence se
retrouve au coeur de la plupart des solveurs de contraintes actuels.

Le cours met aussi l'accent sur l'utilisation pratique de
des tels solveurs. Il présente les caractéristiques
d'un solveur particulier et les illustrant sur différentes
problèmes concrets, qui permettent d'aborder quelques notions plus avancées
comme le paramétrage d'heuristiques, l'utilisation de contraintes globales
et la modélisation de préférences.

Notions de base en logique, algorithmique et complexité.

Septembre - Octobre - Novembre - Décembre - Janvier - Février.

ORSAY

Pierre DESESQUELLES.

Cours magistraux 20h, TD 5h, TP informatiques 15h. Avec Deux projets tutorés.

Le but de l’enseignement est d’initier les étudiants à l’utilisation des différentes méthodes d’analyse factorielles et de classification automatique.
Le couplage des techniques d’analyse factorielle avec les méthodes de classification automatique, permettent de réaliser des typologies d’ensembles d’individus caractérisés par un grand nombre variables de différents types. Ainsi, les étudiants peuvent réaliser des segmentations de marché ou déterminer et caractériser des profils optimaux d’individus.
Bref, ce cours est une initiation aux techniques de Data Mining.
L’enseignement s’articule autour de :
1.Analyse factorielle :
.Analyse en Composantes Principales (ACP)
.Analyse Factorielle des Correspondances (AFC)
.Analyse des Correspondances Multiples (ACM)

2.Classification automatique
.Classification Ascendante Hiérarchique (CAH)
.K-MEANS (Nuées Dynamiques)
.Analyse discriminante (AFD)

3.Techniques de prévisions (éventuellement)
.Modèle linéaire simple
.Modèle linéaire multiple
.Modèle logistique

Cette UE a pour objectif de former les étudiants à l’utilisation des outils de base du Data Mining (Analyse et fouille des données).

Elle leur permet de surpasser leur niveau de connaissance en statistique descriptive et leur donne la possibilité de réaliser des analyses avancées en entreprise.

Les bases d’algèbre matriciel nécessaires au cours sont rappelées lors de la première séance. Un TP d’initiation à Matlab permet aux étudiants d’utiliser ce langage pour les TP et les projets. Bases de programmation pour la réalisation des TP.

-Wikipedia, pages ACP, AFD, AFC, ACM, k-moyennes, CHW -« Probabilités, analyse des données et Statistique », G. Saporta, Technip Paris (2011) -« Les processus de Markov », P. Désesquelles, Ellipses Paris (2016).

Janvier - Février - Mars - Avril - Mai.

ORSAY

Mondher FEKI Yves BLAKE.

- CM : 21h, TD : 21h

-Méthodes pédagogiques : enseignement magistral interactif, conférencier invité, méthode des cas, apprentissage par problèmes, etc.

Le but de cet enseignement est de développer une compréhension des enjeux des données et des logiques de création de valeur par les données pour l’entreprise. Ce cours est axé sur une approche organisationnelle de la gestion des données. La qualité des données et la gouvernance des données sont des enjeux stratégiques pour les organisations et la création de valeur par les données nécessite un processus de gestion des données efficace.

L’enseignement s’articule autour de :

-Le rôle stratégique des données pour l’entreprise: les enjeux des données pour l’entreprise, la création de valeur par les données pour les métiers, …

-Le processus de gestion du cycle de vie des données : cycle de vie des données et processus de gestion des activités associées : acquisition, stockage, traitement et restitution, …

-L’administration des données : la gestion des métadonnées, la gestion des données de références (Master Data Management), la gestion de la qualité des données, …

-La sécurité des données : les aspects réglementaires, la confidentialité des données, la stratégie de sécurité des données de l’entreprise, …

-La gouvernance des données : les principes, la méthodologie, les dimensions et les outils de la gouvernance des données.

Ce cours nécessite une connaissance générale des outils et des techniques de modélisation, de traitement et d’analyse des données.

-Márquez F.P.G. et Lev B. (2017), Big Data Management, Springer. -Fürber C. (2016), Data Quality Management with Semantic Technologies, Springer Gabler. -Corea F. (2016), Big Data Analytics: A Management Perspective, Springer. -Allen M. et Cervo D. (2015).

Septembre - Octobre - Novembre - Décembre - Janvier - Février.

ORSAY

Frédérique Blondel Serge Edouard.

Il s’agit de cours souvent interactifs et de travaux dirigés qui prennent la forme d’exercices d’application, de jeux d’économie expérimentale ou encore de cas d’entreprise.

Cette UE conçoit la décision comme un processus de résolution de problèmes individuels, collectifs et/ou organisationnels. Le cours présente donc un large panel des situations de décisions possibles et de méthodes pour les appréhender sous un angle managérial.
Comment les individus prennent-ils des décisions confrontés à l’incertitude ou à des situations risquées ? Les décideurs sont-ils rationnels ? Individuellement ? En groupe ? Comment s’organise la prise de décision en interaction avec autrui ? Quels outils ou méthodes peuvent aider cette prise de décision ?
Le cours aborde ainsi plusieurs thèmes :
1.La prise de décision (individuelle et collective)
2.La prise de décision dans l’entreprise
3.Les critères individuels de décision dans l’incertain
4.Les critères individuels de décision en avenir risqué
5.Arbre de décision, EVPI (expected value of perfect information) et critère de Bayes
6.Les biais cognitifs liés à la décision
7.Les jeux de décision coopératifs et non coopératifs
8.La prise en compte des réseaux dans la prise de décision
9.Les méthodes multicritères d’aide à la décision
10.Les outils de résolution de problèmes (Pareto, Ishikawa…).

La RO étudiée en M1 est souhaitable et complémentaire avec cette UE.

N. Claret (dir.), Management, Nathan (coll. DCG 3ème éd.), 2017. dont « La prise de décision » (chapitre 17). R. Reix, B. Fallery, M. Kalika, F. Rowe, Systèmes d’information et management des organisations, dont le chapitre « Aide à la décision », Vuibert, 6ème éd. 2011. O. Jokung-Nguéna, Microéconomie de l’incertain – Risques et décisions -, Dunod, 1998. H.A. Simon, On how to decide what to do, The bell journal of economics, 1978. Travaux du laboratoire de recherches du LAMSADE (B. Roy), Université Paris Dauphine.

Janvier - Février - Mars - Avril - Mai.

ORSAY

Catherine SEXTON.

Il s'agit de développer les qualités de communication des étudiants tant sur un plan personnel que sur un plan professionnel, à l'écrit comme à l'oral. Un focus est réalisé sur l'animation d'équipe et la gestion des conflits.

ORSAY

Karen BERGER-BERNIER.

Deux groupes de niveaux d'anglais :
- faible pour ceux qui doivent repasser le TOEIC qu'ils n'auraient pas valider en M1 ;
- fort pour ceux qui renforcent leur niveau d'anglais en pratiquant l'anglais sur des cas d'actualité économique.

ORSAY

Salem DAKHLI.

Cours et td.

Le but de cette UE est de définir le concept d'urbanisation d'un système d'information (SI), d'en décrire les fondements théoriques, les instruments et les ressources. Elle décrit les principales facettes d'un SI, ses apports et ses contraintes.

L'enseignement s'articule autour des points suivants :
- Définitions : urbanisation, projet d'urbanisation, feuille de route de l'urbanisation...
Utilité et principes de base de l'urbanisation
- Analyse systémique de l'urbanisation d'un SI
- Les ressources de l'urbanisation d'un SI
- L'architecture fonctionnelle d'un SI
- L'architecture applicative d'un SI
- L'architecture logicielle d'un SI
- L'architecture des processus
- L'intégration d'un SI urbanisé.

Les cours d'ACSI et de Management des SI sont souhaitables.

Janvier - Février - Mars - Avril - Mai.

ORSAY

Salem DAKHLI.

Cours et TD.

L'objectif de l'UE est d'exposer les principaux aspects de l'architecture d'un SI (système d'information) et de décrire les instruments de base permettant d'analyser et de définir une architecture cible du SI organisationnel.

Le cours décrit :
- l'architecture d'un SI : définition, utilité, complexité.
- la notion et les building blocks qui la composent : composants, connecteurs, patterns et frameworks.
- les modèles d'architecture de Si : Zachman, en couches, client/serveur, ETL...
- les propriétés d'une bonne architecture de SI
- les parties prenantes de l'architecture d'un SI
- l'architecture d'un SI dans la pratique : Si décisionnel, ERP, application web...
- les problèmes inhérents à l'architecture d'un SI.

Les UE d'ACSI et de Management des SI sont souhaitables.

Janvier - Février - Mars - Avril - Mai.

ORSAY

Frédérique BLONDEL Serge EDOUARD Mondher FEKI Jean-Gilles MBIANGA.

Le jeu a lieu pendant une semaine avec un premier jour de présentation et d'appropriation du jeu et un dernier jour de présentation des résultats en équipes du jeu. Il alterne prises de décision et documents à remettre sur la plateforme de jeu. Il est encadré par deux animateurs.

La simulation d'entreprise prend la forme d'un jeu d'entreprise (business game) qui place les étudiants, organisés en équipes de 4-6, en situation de décideurs dans une entreprise plongée dans un marché concurrentiel. Ils doivent s'organiser en équipes, être capables d'analyser une situation, faire des choix et en rendre compte oralement en AG (assemblée générale) fictive des actionnaires.

Cette UE a recours au savoir-faire acquis par les étudiants en management au cours de leur cursus : comptabilité, contrôle de gestion, stratégie, aide à la décision, gestion de projets... ainsi qu'à leur savoir-être : communication, présentation orale, créativité...

Les bases de gestion acquises dans le cursus.

Mai.

ORSAY

Benoît GROZ Serge EDOUARD.

Les étudiants rédigent un mémoire de diplôme MIAGE inspiré de leurs missions réalisées en entreprise et soutiennent oralement ce mémoire. Le tuteur enseignant encadre ce travail et visite l'apprenti pour veiller à la bonne réalisation de ses missions et de son intégration dans son entreprise d'accueil.

ORSAY