Business Analytics

IPM – 4th Term

Plan du Cours

• Collecte de données
• Exploration des données
• Tests d’hypothèses
• Analyse de données bivariées
• Régression linéaire
• Concepts de marché Bloomberg
 Grading Criteria
Two parts:

- Continuous assesment [Contrôle continu]:

Participation, exercises and Quizzes
Mid-term Exam : Expected at End of April

- Final exam 70% of the grade. Covers all course topics.

Contrôle continu CC 30 %
Participation, exercises and Quizzes 10 %
Mid-term exam 20 %

Final Exam 70 %
Total 100 %
3
Objectifs du cours
Après avoir suivi et validé ce cours, les étudiants seront capables
de :

• Utiliser l’analytique des données comme outil d’aide à la

décision face aux défis futurs en tant que managers.
• Appliquer l’analyse statistique des données et l’apprentissage
automatique dans divers domaines de l’entreprise.
• Maîtriser les outils statistiques d’Excel (exploration et analyse
de données).
• Acquérir les bases de Bloomberg et utiliser les terminaux
Bloomberg pour collecter, suivre et analyser des données
financières en temps réel.

4
Résultats d’apprentissage du cours
À l’issue de ce cours, les étudiants seront capables de :

• Comprendre l’importance de l’analytique des données dans la

gestion d’entreprise.
• Savoir utiliser les analyses statistiques comme outils d’aide à la
décision dans leur future carrière de manager.
• Observer, à travers des exemples et des exercices, comment les
statistiques sont appliquées aux données issues de différents
domaines de l’entreprise (finance, marketing, comptabilité,
management, etc.).
• Acquérir des compétences informatiques de base [logiciels +
Bloomberg] pour l’analyse de données et se familiariser avec les
logiciels statistiques et les tableurs.
5
Résultats d’apprentissage du cours

• Poser les bonnes questions pour obtenir les informations nécessaires.

• Évaluer la fiabilité des données.
• Comprendre les bases de l’analyse de régression et de la signification
statistique.
• Savoir choisir la méthode d’analyse appropriée et l’appliquer sur Excel.
• Collecter et analyser des données sur les terminaux Bloomberg pour
prendre les bonnes décisions.
• Communiquer et défendre leurs résultats auprès des parties prenantes.
• Visualiser leurs données de manière claire et percutante.

6
Contenu du Cours – Total : 42 heures

Cours 1 : Introduction et concepts de base → 4 h

Cours 2 : Collecte de données → 4 h
Cours 3 + 4 : Exploration des données → 8 h
Cours 5 + 6 : Analyses statistiques → 8 h
Cours 7 + 8 : Analyses de régression → 8 h
Cours 9 + 10 : Concepts de marché Bloomberg → 10 h

Data Analytics -- RBS -- – September 2024 – 7

 Chapitre 1

Introduction et Concepts de Base

8
 Trois compétences clés en Business Analytics
Trois compétences clés nécessaires pour être compétitif
dans le domaine du Business Analytics

Compétence 1 : Compétences en gestion de l’information pour gérer les données.

Cette compétence implique la maîtrise de diverses techniques de gestion des
données. Étant donné le rôle clé des données dans les méthodes de Business
Analytics, la qualité des données est extrêmement importante.

Compétence 2 : Compétences analytiques et outils pour comprendre les données.

Compétence 3 : Culture orientée données pour prendre des décisions basées sur
les données. Il s’agit de la culture au sein de l’organisation. Tous les acteurs, en
particulier la direction, doivent valoriser les décisions fondées sur des faits et utiliser
systématiquement les méthodes analytiques pour orienter leurs choix.

9
Données – Informations – Connaissances

Définitions et comparaison des concepts

10
Qu’est-ce que les données ?

Les données sont un ensemble important de bits codant

des nombres, des textes, des images, des sons, des vidéos,
etc. Sans y ajouter de signification, elles sont dénuées de
sens.

Lorsqu’on leur ajoute de l’information, en leur donnant un

sens, ces données se transforment en connaissances.

Avant de devenir des connaissances, les données passent

généralement par plusieurs étapes où elles sont encore
considérées comme des données, bien qu’un peu plus
organisées et associées à certaines informations.

11
 Mesures du volume des données

Bits et octets sont tous deux

des unités de données, mais
quelle est la différence réelle
entre eux ?

Un octet équivaut à huit bits. Le

bit est considéré comme la plus
petite unité de mesure des
données et peut prendre la
valeur 0 ou 1.

12
Mesures du volume des données

[Link]
13
 Statistics – Data Science – Data Analytics

Statistiques –Science de Données – Data Analytics

Définitions et comparaison des concepts

14
Catégories du Business Analytics

Le Business Analytics se divise en quatre types fondamentaux.

1. Descriptive Analytics (Analyse descriptive): décrit ce qui s’est passé dans le

passé à partir des données historiques.

2. Diagnostic Analytics (Analyse diagnostique): explique pourquoi quelque

chose s’est produit en identifiant les causes et les corrélations.

3. Predictive Analytics (Analyse prédictive): utilise les données passées pour

prévoir des événements futurs ou des tendances.

4. Prescriptive Analytics (Analyse prescriptive): recommande des actions

optimales à prendre pour atteindre des objectifs précis en se basant sur les
analyses descriptives, diagnostiques et prédictives.
15
Types of Data Analytics

Type Question Answered Focus Example

Descriptive What happened? Past events Monthly sales report

Analyzing sales drop

Diagnostic Why did it happen? Causes & explanations
causes

What is likely to Forecasting next

Predictive Future outcomes
happen? quarter sales

Optimizing inventory
Prescriptive What should we do? Recommended actions
levels
Data Science Related to: - Data Mining
- Machine Learning
- Big Data

17
 Chapitre 2

Collecte et Échantillonnage des Données

18
Chapitre 2 : Contenu

1. Concepts de base (population, échantillon, individu)

2. Types de variables

3. Méthodes de collecte des données

4. Logiciels d’analyse de données

19 19
2. Types of variables

Nominal Ordinal

Source Lind et al. 2018 20 20

3. Méthodes de collecte des données

21 21
 Types de méthodes d’échantillonnage

Sélectionner un échantillon probabiliste ou un échantillon non

probabiliste

• Échantillon non probabiliste : sélectionner les éléments ou les individus

sans connaître leurs probabilités de sélection.

• Échantillon probabiliste : sélectionner les éléments sur la base de

probabilités connues.

• Dans la mesure du possible, il est recommandé d’utiliser un échantillon

probabiliste, car celui-ci permet de réaliser des inférences sur la
population étudiée.

Source Levine 2016

22
Types de méthodes d’échantillonnage

méthodes d’échantillonnage les plus répandues

Simple random sampling

Quota sampling
23
Échantillonnage par Quotas

Une méthode d’échantillonnage non probabiliste utilisée pour constituer un

échantillon reflétant les proportions de certaines caractéristiques (comme le
sexe ou l’âge) au sein d’une population, en fixant des quotas spécifiques
pour chaque caractéristique.

24 24
Échantillonnage Aléatoire Simple

Les chercheurs doivent :

1. préparer d’abord une liste de tous les membres de la population, puis

attribuer à chacun un numéro spécifique

2. À partir de cette population, les chercheurs choisissent des échantillons

aléatoires selon deux méthodes :

• tables de nombres aléatoires

• ou logiciels générateurs de nombres aléatoires

EXCELfr
=[Link](1;30)

EXCELeng
=RANDBETWEEN(1;30) 25
Simple random sampling

EXCEL
=[Link](1;30)

26
Échantillonnage Aléatoire Simple sans Doublons
EXCEL
=INDEX($A$2:$A$35; RANG(D2;$D$2:$D$35);1)
Eng→RANK

ALEA (fr) ou RAND (eng)

27