Digital Data Analysis

mlsmm2231  2023-2024  Mons

Digital Data Analysis
5.00 crédits
30.0 h
Q2
Enseignants
Hazée Simon;
Langue
d'enseignement
Français
Préalables
/
Thèmes abordés
Le contexte digital se caractérise par une abondance de données disponibles dans les systèmes de l'entreprise, mais également à l'extérieur ses les réseaux sociaux, les sites commerciaux, les sites concurrents. Ces données une fois récoltés, assemblées, et analysées de manière appropriée peuvent nous renseigner sur le comportement des consommateurs, les activités des concurrents, ou la performance de l'entreprise.
De plus en plus, il est indispensable de pouvoir monitorer la performance de l'entreprise sur son site web, sur les réseaux sociaux, au travers de l'ensemble de ses activités digitales. L'analyse de ces données issues du digital nécessite à la fois des compétences techniques et des compétences analytiques, et surtout un sens inné du marketing et du management.
Une des compétences clés du (digital) marketer de demain sera d'être capable d'identifier les données pertinentes pouvant l'aider dans sa réflexion, de mettre en oeuvre les outils de récolte des données, de sélectionner la méthode d'analyse de données digitales spécifiques et de mettre en oeuvre cette ou ces analyses en vue de faire des recommandations managériales pertinentes.
L'objectif premier du cours sera de fournir les connaissances et les outils nécessaires afin de d'identifier, recueillir, et analyser les données utiles et pertinentes afin de mettre en oeuvre et d"utiliser ses connaissances et résultats pour créer ou adapter la stratégie marketing de l'entreprise :
  • D'une part au niveau de sa performance et de sa situation concurrentielle.
  • D'autre part, au niveau du comportement du client de façon générale et plus particulièrement dans l'environnement digital (e-comportement).
  • Le cours s'attachera également à la compréhension des opportunités et des limites des différents outils de web analyse disponible pour une entreprise. 
Au terme du cours, l'étudiant aura une compréhension rigoureuse des méthodes enseignées et sera capable de les appliquer à des problématiques de digital marketing en vue de formuler les recommandations managériales adéquates.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1 En termes d'acquis d'apprentissage spécifiques à la matière, au terme du cours, l'étudiant aura une compréhension rigoureuse des méthodes enseignées et sera capable de les appliquer à des problématiques de digital marketing en vue de formuler les recommandations managériales adéquates.
A l'issue de ce cours, l'étudiant sera capable
  • Comprendre les enjeux du Digital Data Analysis
  • Appréhender la diversité des démarches et méthodologies mises en oeuvre en digital data analyse
  • Proposer et utiliser une méthodologie d'analyse adéquate
  • Interpréter les résultats et de formuler des recommandations managériales
  • Evaluer la qualité d'une analyse et gérer la relation avec une société prestataire extérieure
En termes d'acquis d'apprentissage du programme, à l'issue de la formation, l'étudiant devrait être capable de :
  • Réussir à exploiter ces connaissances dans le traitement d'un cas et dans une situation professionnelle
  • Comprendre la rigueur exigée scientifique dans le cadre de la mise en oeuvre d'une analyse de données digitales.
  • Interpréter les résultats et de formuler des recommandations managériales
 
Contenu
Dans l'économie d'aujourd'hui, les entreprises disposent d'une quantité de données sans précédent, notamment sur la façon dont les consommateurs se sentent, se comportent, interagissent avec les marques et réagissent aux efforts des entreprises. La manière d'exploiter efficacement les données pour soutenir les décisions marketing reste cependant un défi majeur pour de nombreuses organisations. Ce cours explore donc le rôle de plus en plus important des données et la manière dont les organisations peuvent avoir un impact grâce aux (grandes) données.

Ce cours enseigne les cadres théoriques, techniques et approches analytiques communément utilisés dans le marketing digital et l'analyse de données numériques, y compris l'analyse descriptive, l'analyse prédictive et l'analyse inquisitive (expérimentation). Les étudiant·es mettent ensuite en œuvre techniques et approches au travers d'exercices, études de cas et projet pour résoudre divers problèmes liés au marketing, comme par exemple prédire le comportement des clients (e.g., customer churn), l'optimisation des publicités numériques et design du site web, la prédiction du trafic et à l'évaluation des performances, entre autres. Les étudiant·es apprendront et utiliseront ces techniques pour exploiter et transformer les données en connaissances. Une attention particulière est accordée à la responsabilité numérique des entreprises, c'est-à-dire aux questions juridiques et éthiques liées à la collecte, au stockage et à l'utilisation des données.

Ce cours couvre des sujets et des techniques tels que
  • Le concept de "marketing funnel" (e.g., SEO, Google Analytics, paid Ads)
  • Le content marketing
  • Les types d'analyse de données (descriptive, prédictive, prescriptive) et les principales tâches traitées par les algorithmes d'analyse de données (e.g., régression, classification)
  • Le modèle de processus d'analyse de données
  • Visualisation des données et création de rapports avancés à l'aide d'outils de veille stratégique
  • Prise de décision quantitative à l'aide d'analyses statistiques multivariées
Méthodes d'enseignement
Le cours alterne exposés théoriques (par l’enseignant et par les étudiant·es), exercices pratiques, études de cas, observation de la réalité du terrain et interventions de professionnel·es.
 
L’étudiant·e est amené·e à réaliser un travail préparatoire, en amont de certaines sessions.
 
 
Modes d'évaluation
des acquis des étudiants




Les performances des étudiant·es sont évaluées de manière continue. La note finale est basée sur les études de cas, les exercises pratiques, la participation en classe et un projet (ce dernier comprend un rapport de projet et une présentation orale).

Notes importantes:
  • La note attribuée aux travaux réalisés en groupe peut être individualisée, en fonction de l'investissement individuel de chacun
  • En soumettant un travail pour évaluation, l'étudiant·e affirme : (i) qu'il reflète fidèlement le phénomène étudié, et pour cela elle/il doit avoir vérifié les faits, surtout s'ils sont prétendus par une IA générative (dont elle/il doit mentionner explicitement l'utilisation en tant qu'outil de soutien à la réalisation du travail) ; et (ii) avoir respecté toutes les exigences spécifiques du travail qui lui est confié, notamment les exigences pour la transparence et la documentation de la démarche scientifique mise en oeuvre. Si l'une de ces affirmations n'est pas vraie, que ce soit intentionnellement ou par négligence, l'étudiant·e est en défaut de son engagement déontologique vis-à-vis de la connaissance produite dans le cadre de son travail, et éventuellement d'autres aspects de l'intégrité académique, ce qui constitue une faute académique et sera considéré comme tel
Autres infos
Ce module de cours est accessible uniquement après acceptation de l'étudiant sur dossier dans l'option Digital Marketing Immersion professionnelle.
Bibliographie
Recommended readings
Textbooks:
  • Stokes, R. (2023), "eMarketing- The Essential Guide to Marketing in a Digital World", Red and Yellow Creative School of
    Business, LibreTexts.
  • Evans, J. (2020), “Business Analytics”, 3rd edition, Pearson Educations.
  • Provost, F., & Fawcett, T. (2013), “Data Science for Business – What You Need to Know About Data Mining and Data-Analytic Thinking”, O'Reilly Media Inc.
Scientific and managerial articles (exhaustive list available on Moodle):
  • Balducci, B., & Marinova, D. (2018), "Unstructured data in marketing", Journal of the Academy of Marketing Science, 46, 557-590.
  • Bradlow, E., Gangwar, M., Kopalle, P., & Voleti, S. (2017), “The Role of Big Data and Predictive Analytics in Retailing”, Journal of Retailing, 93(1), 79-95.
  • Gupta, S., Leszkiewicz, A., Kumar, V., Bijmolt, T., & Potapov, D. (2020), "Digital Analytics: Modeling for Insights and New Methods", Journal of Interactive Marketing, 51, 26-43.
  • Lobschat, L., Müller, B., Eggers, F., Brandimarte, L., Diefenbach, S., Kroschke, M. and Wirtz, J. (2020), “Corporate digital responsibility”, Journal of Business Research, forthcoming.
  • Van Auken, S. (2015), “From Consumer Panels to Big Data: An Overview on Marketing Data Development”, Journal of Marketing Analytics, 3(1), 38-45.
  • Villarroel Ordenes, F. and Silipo, R. (2021), "Machine learning for marketing on the KNIME Hub: The development of a
    live repository for marketing applications", Journal of Business Research, 137, 393-410.
  • Wedel, M., and Kannan, P.K. (2016), “Marketing Analytics for Data-Rich Environments”, Journal of Marketing, 80(6), 97-121
Faculté ou entité
en charge
CLSM


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en sciences de gestion

Master [120] : ingénieur de gestion

Master [120] en sciences de gestion

Master [120] : ingénieur de gestion