Aller à : contenu haut bas recherche
 
 
EN     FR
Vous êtes ici:   UNIL > HEC Inst. > HEC App. > SYLLABUS
 
 

Management Science

  • Enseignant(s): J.Marewski
  • Titre en français: Science du management
  • Cours donné en: anglais
  • Crédits ECTS: 6 crédits
  • Horaire: Semestre de printemps 2017-2018, 4.0h. de cours (moyenne hebdomadaire)
  •  séances
  • site web du cours site web du cours
  • Formations concernées:
    Maîtrise universitaire ès Sciences en management, Orientation stratégie, organisation et leadership

    Maîtrise universitaire ès Sciences en management, Orientation business analytics

    Maîtrise universitaire ès Sciences en management, Orientation marketing

    Maîtrise universitaire ès Sciences en management, Orientation comportement, économie et évolution

 

Objectifs

La science du management (Management Science) est un environnement interdisciplinaire très excitant dans lequel sont rassemblés connaissance humaine, raisonnement critique et technologies avancées pour créer des solutions innovantes aux problèmes concrets, omniprésents dans le travail de management des entreprises.

Le cours exposera les étudiants à quelques unes des plus importantes techniques quantitatives de Management Science afin de les aider à devenir des managers compétents et aptes à gérer la complexité et l’incertitude de la prise de décision concrète. Cela implique non seulement comment utiliser des techniques quantitatives pour prendre des décisions professionnelles, mais aussi d’apprendre comment communiquer les résultats d’analyses de données, que ce soit à sa hiérarchie, à un client dans le cadre d’une mission de conseil ou à d’autres parties prenantes.

Pour aider les étudiants à développer des compétences à la fois pratiques et analytiques, le cours sera basé sur des cas réels du monde de l’entreprise, comprenant des bases de données type feuille de calculs, pour en ce sens rentrer dans la manière dont l’intelligence d’affaires fonctionne. Ce cours est axé pratique; il est basé exclusivement sur des études de cas et la méthode d’enseignement est similaire à celle des cours de EMBA (executive education).

Contenus

Management Science emprunte ses méthodes à des environnements tels que les mathématiques, les statistiques, l’intelligence artificielle, et l’informatique pour permettre aux décideurs de résoudre des problèmes concrets complexes. L’art de la modélisation est fondamental en Management Science. Pour cela, plusieurs outils peuvent être utilisés. Certains de ces outils prennent racine dans les statistiques de base, avec notamment des modèles de régressions linéaires simples et l’analyse de séries temporelles. Certains outils ont été développés explicitement pour guider la prise de décision, tels que les arbres de décision. D’autres méthodes reposent fortement sur la capacité des ordinateurs à représenter des données ou à exécuter des modèles de prévisions, des algorithmes, ou encore des modèles d’optimisation. Enfin, des simulations permettent à l’utilisateur d’explorer des scénarii et de comprendre les conséquences de certaines hypothèses dans des situations à risque.

Les étudiants vont récapituler quelques bases en statistiques et faire un premier pas dans l’exploration de la boite à outils de Management Science : analyse de régression et de séries temporelles, algorithmes de prévisions et classification, tests d’hypothèses, arbres de décision, et autres modèles simples. Les sessions sont basées sur des cas réels qui montrent comment le contenu enseigné peut être utilisé pour résoudre des problèmes en management (par ex., prévision des ventes futures, décision d’investir dans un produit risqué mais à haut rendement, etc).

Méthode d’enseignement :

Ce cours emploie la méthode basée sur des cas concrets (case-based teaching). L’idée est que les étudiants « apprennent en faisant ». Pour cela, ils prendront le rôle du décideur (par ex., un manager) qui doit résoudre un problème concret (par ex., décider dans quel projet investir). Avant chaque session, les étudiants liront le cas et essaieront de résoudre de leur côté le problème associé. Pendant le cours, le groupe d’étudiants travaillera ensemble pour arriver à la solution finale, autour de discussions animées et guidées par le professeur. Après le cours, les étudiants se retrouveront en groupe (voir ci dessous) pour récapituler le contenu discuté en classe, et corriger leurs solutions individuelles.

Exigences de préparation et de participation :

Les participants devront résoudre les cas et questions associées avant chaque cours. La préparation des cas est essentielle pour la participation orale en classe, le suivi du cours et l’acquisition des connaissances. Il est également exigé des participants de revenir sur le cas enseigné chaque semaine après le cours pour récapituler la solution donnée en classe. Revenir sur les cas après chaque classe est important puisque les cas se construisent les uns sur les autres : si un cas n’est pas bien assimilé, le suivant sera plus difficile à résoudre et par conséquent le contenu du cours moins facile à suivre.

Pour aider les participants à préparer les cas, il leur est demandé de lire des articles académiques et des chapitres du livre Albright, Zappe & Winston “Data Analysis, Optimization, and Simulation Modeling” mentionné ci-dessous. Ces articles et ces chapitres seront listés dans le programme du cours. Si les participants le souhaitent, ils peuvent bien entendu consulter d’autres lectures et – comme dans le monde réel – de nombreuses sources sur internet.

Pour faciliter le processus d’apprentissage et homogénéiser au mieux l’éventuelle différence de niveau technique parmi le groupe d’étudiants, les participants seront divisés en groupes pendant toute la durée du cours. Les groupes devront se rencontrer après chaque session pour discuter et mettre en commun la solution du cas du jour. Les membres du groupe s’aideront si besoin. Les groupes auront également des travaux de groupe à produire.

La note de participation est basée sur la préparation des cas avant chaque session. Afin de recevoir une bonne note, les participants doivent démontrer qu’ils ont travaillé sur le cas du jour (en utilisant Excel) et qu’ils ont essayé de le résoudre de façon sérieuse en étant actifs oralement (i.e., en parlant durant la discussion en classe).

Les notes des travaux sont basées sur la préparation en profondeur des cas assignés. En plus de rédiger et de soumettre un rapport écrit de leur solution, tous les participants devront se tenir prêts à présenter leur travail s’il leur est demandé (voir ci-dessous).

Références

Logiciels exigés :

Pendant la classe, les étudiants résoudront des problèmes actuels en utilisant Microsoft Excel. A chaque session, ils devront amener leur ordinateur portable. Sur cet ordinateur, Microsoft Excel devra être installé. L’utilisation d’un PC (contrairement au MAC) est vivement conseillée car quelques paramètres d’Excel ne fonctionnent pas bien sur MAC. Ce cours requière l’utilitaire d’analyse de données que les étudiants devront activer sur leur logiciel (cela se fait dans les options d’Excel). L’accès à des logiciels plus élaborés (par ex., Matlab, R) est utile, mais pas nécessaire.

Documentation des cas exigée :

Il est demandé de résoudre les cas réels avec Microsoft Excel. Les références aux cas and les fichiers de données Excel seront donnés en classe.

Articles académiques obligatoires:

Les lectures obligatoires pour ce cours sont des articles académiques sélectionnés. Les références pour ces articles seront données en cours.

Livre exigé :

Des lectures obligatoires seront issues du livre Albright, Zappe & Winston “Data Analysis, Optimization, and Simulation Modelling” (2011, Fourth international edition, voirhttp://edu.cengage.co.uk/catalogue/product.aspx?isbn=0538476761).

Autres lectures non-obligatoires :

Mis à part le livre mentionné ci-dessous, les participants sont bien entendu libres de consulter d’autres matériaux – comme dans le monde réel. Ces livres se sont révélés utiles dans le passé :

- Newbold, Carlson, Thorne “Statistics for Business and Economics” (2010, seventh, global edition; Pearson).

- Milton “A brain-friendly guide: Head first Excel” (2010, O’Reilly)

Pré-requis

Des connaissances préalables en statistiques descriptives (par ex., calcul de moyennes, écarts-types, etc) sont utiles, mais pas exigés. Des connaissances préalables pour l’utilisation de Microsoft Excel sont utiles, mais pas exigés. Cependant, les étudiants qui n’ont jamais utilisé Excel devront rapidement se familiariser avec ce logiciel.

Evaluation

1ère tentative

Examen:
Sans examen (cf. modalités)  
Evaluation:

La note finale dépend de la participation orale en classe (1/3), de deux travaux de groupe (chacun 1/6), et de deux travaux individuels (chacun 1/6). Sauf pour les notes des travaux de groupe, toutes les notes assignées sont en fonction de la performance individuelle. Les travaux de groupe doivent être préparés en groupe. La note de groupe s’applique à tous ses membres.

Les travaux consistent à préparer des rapports écrit avec la solution des cas. Ces rapports contiennent un court résumé du raisonnement méthodologique, des analyses, des résultats, et des conclusions (2-5 pages max par cas) ainsi que les bases de données correspondantes avec le détail des calculs Excel (c’est à dire 2-5 pages selon le cas). Tous les calculs importants dans Excel doivent être mis en valeur et commentés en détail dans la feuille Excel. En plus, tous les participants doivent se tenir prêts à présenter à la classe leur travail si cela leur est demandé.

La note de participation (1/3) est basée sur la préparation en profondeur des cas pour chaque session. Pour obtenir une bonne note, il est demandé aux participants de démontrer qu’ils ont travaillé sur le cas (en utilisant Excel) et qu’ils ont essayé de le résoudre de façon sérieuse en participant activement à l’oral (i.e., en parlant durant la discussion en classe). Le simple fait d’être présent en classe (i.e., suivre le cours sans parler) ne compte pas comme une participation active.



Rattrapage

Examen:
Sans examen (cf. modalités)  
Evaluation:

En cas de rattrapage, 2/3 de la note (participation orale, travaux de groupe) sera retenue. Les deux travaux individuels (1/3) seront remplacés par de nouveaux travaux.

Dans la situation exceptionnelle où l’étudiant ne réussit pas la session de rattrapage en refaisant les deux travaux individuels, les deux travaux de groupe pourront être refaits. Dans ce cas, les deux travaux de groupes seront remplacés par deux travaux individuels. Les notes de ces travaux individuels ne s’appliquent alors qu’à l’étudiant faisant les rattrapages, pas aux autres membres du groupe.



[» page précédente]           [» liste des cours]
 
Recherche


Internef - CH-1015 Lausanne - Suisse  -   Tél. +41 21 692 33 00  -   Fax +41 21 692 33 05
Swiss University