MASTER 2 Sciences, Technologies, Santé - Parcours Ingénierie Statistique Numérique - Département de ...

MASTER 2 Sciences, Technologies, Santé
 Mention Mathématiques Appliquées, Statistique

Parcours Ingénierie Statistique Numérique

         Année universitaire 2019 – 2020

            http://mathematiques.univ-lille1.fr

                             1

TABLE   DES MATIERES

Présentation…………………………………………………..…………………………….page 3

Témoignages…………………………………………………………………………………page 5

Organisation des études………………………………………………………………….page 6

Contacts……………………………………………………………………………………….page 7

Admission……………………………………………………………………………………..page 8

Programme des cours……………………………………………………………………..page 9

                              2

PRÉSENTATION

OBJECTIFS

Le master 2 d’Ingénierie Statistique et Numérique (ISN) a été créé en 1990. Son contenu
est régulièrement adapté à l'évolution des moyens, des méthodes et des besoins des
entreprises, en particulier en observant les cursus professionnels des étudiants diplômés
(plus de 300). Le master ISN fournit un savoir-faire :

      En statistique (simulation, prévision, fiabilité, contrôle de qualité, analyse des
       données, credit-scoring, analyse discriminante, segmentation, etc.)
      En calcul scientifique (recherche opérationnelle, méthodes numériques, etc.)
      En informatique (construction et gestion de bases de données, langages
       correspondants, outils de bureautique, manipulation de logiciels, etc.)
      Ainsi qu'une approche de la culture générale de l'entreprise (marketing, gestion,
       anglais)

Les étudiants ont accès à tous les outils informatiques de statistique et de calcul en
accompagnement des cours. Tout se déroule (sauf l’anglais) dans un espace réservé ISN où
ils travaillent toute la semaine, avec un équipement informatique adapté.

Il est possible de suivre également le M2 ISN en alternance avec une présence régulière en
entreprise entre septembre et février, puis à temps plein à compter de mars.

EQUIPE ENSEIGNANTE

Elle se compose de personnels du laboratoire de Mathématiques Paul Painlevé de Lille ainsi
que d’autres enseignants universitaires. L’implication de nombreux intervenants issus du
milieu professionnel assure aux étudiants une ouverture d’esprit et des contacts utiles
(projets, stages, emplois) pour appréhender au plus près la palette des métiers possibles à
l’issue de leur formation.

                                            3

DÉBOUCHÉS

Les diplômés du master ISN sont typiquement recrutés avec un statut de cadre au sein des
entreprises de toutes tailles. Ils sont appréciés pour leur esprit d'initiative et pour leur
profil vite opérationnel. Les fonctions exercées sont celles de :

      Responsable (qualité, production, organisation, prospection, prévision, ciblage,
       études et scores, plan commercial)
      Chargé d'études (statistique, DataMining, Datascience, marketing, crédit)
      Ingénieur (consultant développement, informatique décisionnelle, administrateur
       bases de données, Big Data)

Le master ISN est en phase avec les débouchés offerts par les grandes entreprises
régionales et nationales :

      Dans le secteur de la vente à distance (La Redoute, les Trois Suisses, Damart…)
      Dans les administrations publiques ou territoriales (INSEE, INRETS, ASSEDIC, DRASS,
       SNCF…)
      Dans le secteur banque/assurance (Crédit Agricole, Banque Directe, CACF, La
       Poste, Cofidis, Banque Accord, Swiss Life…)
      Dans le domaine des services (Altao, Softcomputing…)
      Dans de nombreux autres secteurs d'activités (Décathlon, Leroy Merlin, France
       Télécom, ArcelorMittal, Ikea, EDF…)

Ces dernières années, il n'est pas rare de voir les étudiants contactés par les entreprises
pour un CDI avant même la soutenance de leur diplôme.

Une possibilité de poursuite d’études en doctorat existe aussi occasionnellement (en
moyenne, un étudiant par an).

                                             4

TEMOIGNAGES
                               NOAMANE CHALLIOUI / PROMOTION 2017
                                    DATA SCIENTIST CHEZ MOBIVIA

                   À l'issue de la première année MAS, j'ai effectué un stage chez CEREMA. Les
                   connaissances acquises durant cette première année étaient indispensables pour
                   réussir mes missions autour de la modélisation statistique. Par la suite j'ai
                   intégré le M2 ISN en alternance chez Humanis, où j'ai pu développer mon
expérience professionnelle tout en consolidant un bagage scientifique de qualité.
J'occupe actuellement un poste de Data Scientist au sein du groupe Mobivia (Norauto, Midas, Carter-
Cash, ATU...) où je participe à la mise en place d'une architecture Big Data dans un environnement
de Cloud, et j'évolue dans un milieu avec des projets impliquant la maintenance prédictive, la
connaissance client, et la supply chain.

             AURÉLIEN MAILLET / PROMOTION 2012
           RESPONSABLE ÉTUDES ACTUARIELLES, SWISSLIFE

Après avoir passé mon Master 1 à Reims, j'étais à la recherche d'un Master 2 dans
mon domaine avec une bonne réputation et un bon réseau.
A la sortie du Master, j'ai trouvé un emploi rapidement (moins d'un mois) et j'ai
eu le choix entre 3 entreprises : Aviva à Paris, Lincoln (SSII) et Swisslife où je
travaille depuis 2 ans.
                                   PIERRE THOREL / PROMOTION 2010
                                     CHARGÉ D’ACTIVITÉS MARKETING
                                  CHEZ CRÉDIT AGRICOLE NORD DE FRANCE

                    Doté d'un goût prononcé pour les activités analytiques et attiré par le monde de
                    l'entreprise, c'est tout naturellement que j'ai opté pour le master ISN à l'issue
                    d'une licence de mathématiques. Le diplôme qu'il délivre est reconnu par les
entreprises de la région, et offre une large gamme de compétences en statistiques et en
informatique. Il permet d'exercer toute la palette des métiers analytiques, allant de l'informatique
décisionnelle au marketing analytique en passant par la gestion du risque et la recherche
opérationnelle...
A titre personnel, j'ai pu, en 4 ans, exercer les métiers de chargé d'études statistiques, de
gestionnaire de projets informatiques, puis de projets bancaires. Aujourd'hui rattaché au marketing
analytique, j'ai en charge les activités datamining du service.

           DOROTHÉE THUILLIER / PROMOTION 2011
       INGÉNIEURE D’ÉTUDES EN BIOSTATISTIQUES AU CNRS
A l'entrée en ISN, l'envie de partir dans la recherche médicale était claire. Etre à
l'écoute, se faire comprendre des différents acteurs du laboratoire (médecins,
chercheurs, biologistes, bioinformaticiens, biostatisticiens), les nombreux
projets réalisés en master permettant de développer ces qualités humaines. La
diversification des enseignements, l'ouverture aux méthodes numériques, à
l'informatique, proposées en M2 ISN me permettent d'accompagner les évolutions techniques du
laboratoire et de m'ouvrir notamment à la bioinformatique.
Sans connaissance en génétique à mon arrivée, j'ai su gagner la confiance des différents acteurs
pour mener à bien des projets de recherche. Cela par l'envie d'apprendre, l'autonomie et savoir se
remettre en question. Le master m'a appris à cultiver cette différence au sein du laboratoire
aujourd'hui.

                                                 5

ORGANISATION               DES ETUDES         2019 – 2020
La formation a un volume horaire annuel de 442 heures de présence.

                                       Semestre 3

    Analyse des données et outils statistiques (UE 1) – 8 ECTS
   -   Formation logiciels de statistique
   -   Analyse de données
   -   Apprentissage 1
   -   Apprentissage 2, Réseaux de neurones

    Modélisation : Méthodes et outils (UE 2) – 8 ECTS
   -   Chaînes de Markov, et applications
   -   Prévisions dans les séries chronologiques
   -   Méthodes numériques de l’ingénieur
   -   Recherche opérationnelle

    Outils informatiques (UE 3) – 6 ECTS
   -   Systèmes de gestion de base de données
   -   Java-Web et introduction au data warehouse
   -   Unix-web

    Langages et culture d’entreprise (UE 4) – 8 ECTS
   -   Anglais
   -   Marketing, géomarketing
   -   Initiation à la gestion, à la comptabilité et au management de projet
   -   Connaissance des métiers et conférences de connaissance de l’entreprise

                                       Semestre 4

    Projets – 6 ECTS : 3 projets en trinôme durant le mois de février pour approfondir
       chacune des thématiques des UE 1, UE 2 et UE 3 du 1 er semestre. Selon les UE, ces
       projets seront en lien direct avec des entreprises. Chacun de ces projets donnera
       lieu à une soutenance.

    Evaluation projet entreprise – 24 ECTS
       Le stage en entreprise dure 6 mois et sera évalué par une soutenance à mi-parcours
       au courant du mois de mai, puis une soutenance finale en juillet 2019 ou septembre
       2019.

                                             6

CONTACTS

RESPONSABLES :

NICOLAS WICKER
Laboratoire Paul Painlevé UMR CNRS 8254
Université de Lille
Faculté des sciences et technologies
Cité scientifique - Bâtiment M2
59655 VILLENEUVE D’ASCQ CEDEX (France)
Mail : nicolas.wicker@univ-lille.fr

AMIR ABOUBACAR
Laboratoire Paul Painlevé UMR CNRS 8254
Université de Lille
Faculté des sciences et technologies
Cité scientifique - Bâtiment M2
59655 VILLENEUVE D’ASCQ CEDEX (France)
Mail : amir.aboubacar@univ-lille.fr

SECRETARIAT   PEDAGOGIQUE   :

AURORE SMETS
Université de Lille
Faculté des sciences et technologies
Cité scientifique - Bâtiment M2 – Bureau 010
59655 VILLENEUVE D’ASCQ CEDEX (France)
Mail : math-masters2@univ-lille1.fr
Tel : +33 (0) 3.20.43.42.33

RÉSEAUX PROFESSIONNELS :

M2 ISN sur LinkedIn : https://www.linkedin.com/school/master-isn
Association "A.I.S.N." : http://aisn.free.fr/

                                               7

ADMISSION

DOSSIER

Le dossier de candidature peut être retiré auprès du secrétariat pédagogique du
Département de mathématiques de l'université de Lille ou téléchargé en ligne sur le site de
la formation. Ce dossier est à déposer de préférence avant la mi-juin. Le nombre de places
étant limité, les candidatures sont examinées sur dossier et éventuellement entretien.

      TITRE REQUIS

Pour candidater, une première année de Master est nécessaire soit en Ingénierie
      Mathématique, soit en Econométrie, soit en Mathématiques Appliquées aux
      Sciences Sociales, soit en Mathématiques Appliquées aux Sciences Humaines. A
      défaut, les étudiants devront obtenir une validation d’études ou d’acquis
      professionnels.

FORMATION CONTINUE

Le master peut accueillir en formation continue des étudiants issus d'une entreprise ou des
demandeurs d'emploi.
S'adresser au Service de la Formation Continue (SFC) :
http://formation-continue.univ-lille.fr/
Bâtiment SUDES - Cité Scientifique
Boulevard Paul Langevin
59655 Villeneuve d’Ascq Cedex

En outre, il est possible de suivre la formation dans le cadre d’un contrat de
professionnalisation : sfc-contratdepro@univ-lille1.fr .

                                             8

PROGRAMMES DES COURS

     2019 - 2020

          9

S3-UE1 : Analyse des Données et Outils Statistiques (8 ECTS) – 66 h de cours /
54h TD-TP

- Connaissances

      Logiciels courants de statistique
      Techniques habituelles d’analyse des données
      Illustrations sur des études de cas en lien avec la réalité
      Techniques habituelles de plans d’expériences

- Compétences et Savoir-faire

      Identifier une problématique comme relevant de l’analyse des données
      Mettre en oeuvre des techniques standards par des logiciels spécialisés
      Mettre en concurrence ces méthodes pour sélectionner la plus adaptée
      Interpréter/présenter les résultats en vue d’un échange avec des non-statisticiens
      Définir un plan d’expériences en amont de l’acquisition des données

- Pré-Requis

      Probabilités : modèles et applications (S1-UE3)
      Statistique mathématique (S1-UE4)
      Traitement Informatique Statistique des Données (S1-UE5)
      Analyse des Données (S2ISN-UE5)
      Traitement Informatique de l’Analyse des Données (S2ISN-UE6)

- Programme détaillé

       A1 : Formation logiciels de statistique (24h)

    Approfondissement du logiciel SAS (18h) et du logiciel SPSS (6h).
    Illustrations à travers différentes méthodes statistiques

       Modalités d’évaluation : Projet

       A2 : Analyse des données (48h, évaluation : exam 2h + mémoire)

    Méthodes descriptives et prédictives multidimensionnelles : Rappels sur l’analyse
     en composantes principales, l’analyse des correspondances multiples, régression
     linéaire multiple.
    Classification supervisée :
          Analyse factorielle discriminante : rappels des notions d'inertie, choix d'une
             distance, règles d'affectation géométrique
          Méthodes probabilistes : modèle de mélange Gaussien (homoscédastique et
             hétéroscédastique), régression logistique binaire et polytomique, méthode
             non paramétrique des k plus proches voisins
          Méthodes de segmentation : arbre de discrimination (construction, élagage
             de l'arbre), forêts aléatoires
    Classification non supervisée :
          Méthode des k-means ou centres mobiles : description et propriétés de
             l'algorithme, nuées dynamiques
          Classification Ascendante Hiérarchique : description, critères d'aggrégation,
             dendrogramme

                                              10

   Méthodes de partitionnement spectral : construction du graphe de
                      similarité, partitionnement du graphe, laplacien du graphe
                     Méthodes probabilistes : modèles de mélange à variables latentes,
                      estimation par algorithme EM, classification par algorithme CEM,
                      sélection du nombre de classes

       Modalités d’évaluation : 1/3 Projet + 2/3 Examen terminal

       A3 : Apprentissage 1 (18h, évaluation : exam 2h + mémoire)

Les thèmes abordés dans le cours de Machine Learning seront les suivants :

    Théorie de l'apprentissage statistique : prédicteur de Bayes, minimisation du risque
     empirique, inégalités oracles, complexité d'une classe de prédicteurs

    Algorithmes d'apprentissage : algorithmes des k-plus proches voisins, méthodes de
     régression, régularisation, arbres de décision

    Méthodes d'ensemble : forêts aléatoires et boosting

    Agrégation de prédicteurs et prédiction séquentielle : Exponentially Weighted
     Forecaster

Le cours sera constitué de 15 heures de cours/TD et de 3h de TP avec Python. La validation
s'effectuera par un examen écrit et l'évaluation des rapports de TP.

       Modalités d’évaluation : 1/2 Projet + 1/2 Examen terminal

     A4 : Apprentissage 2, Réseaux de neurones (30h, évaluation : exam 2h +
mémoire)

Les thèmes abordés dans le cours de réseaux de neurones seront les suivants :

    Éléments d'un réseau de neurones: graphe de calcul, fonctions d'activations,
       fonctions d'erreurs, types de sorties, couches cachées
    Méthodes d'entraînement: algorithmes de descente en gradient stochastique,
       rétropropagation des erreurs, régularisation, «early stopping», «dropout», «mini
       batches»
    Apprentissage de représentations: réseaux profonds, auto encodeurs, «words
       embedding» (applications au traitement de la langue)
    Architectures de réseaux spécialisées: réseaux à convolutions (applications aux
       images), réseaux adversatifs
    Retour sur l'apprentissage avec fonctions de noyaux: astuce du noyau et
       représentations implicites, SVM, régression de ridge, méthodes d'approximation du
       noyau
    Python et l'apprentissage automatique : librairies scikit-learn et PyTorch

       Modalités d’évaluation : 60 % Projet + 40 % Examen terminal

                                            11

S3-UE2 : Modélisation : Méthodes et outils (8 ECTS) – 60h de cours / 60h TD-TP

- Connaissances

      Chaînes de Markov, méthodes de type Monte Carlo et files d’attente
      Prévisions dans les séries chronologiques
      Méthodes numériques de l’ingénieur
      Recherche opérationnelle

- Compétences et Savoir-faire

    Identifier et modéliser un phénomène de file d’attente
    Identifier, modéliser et mettre en oeuvre informatiquement une prévision
     temporelle
    Résoudre numériquement des systèmes d’équations linéaires ou non
    Identifier, modéliser et résoudre un problème d’optimisation combinatoire

- Pré-Requis

      Optimisation convexe (S1-UE1)
      Modélisation et approximation par différences finies (S1-UE2)
      Traitement Informatique de l’Analyse Numérique (S1-UE6)
      Probabilités : Modèles et Applications (S1-UE3)
      Statistique Mathématique (S1-UE4)
      Traitement Informatique Statistique des Données (S1-UE5)
      Optimisation Linéraire et Discrète (S2ISN-UE7)

- Programme détaillé

       M1 : Chaînes de Markov et applications (30h, exam 3h + mémoire)

     Chaînes de Markov tps discret
        1. états discrets (rappels)
        2. Classification des états, lois invariantes, comportement limite (rappels)
        3. états continus (en vue de Metropolis-Hastings)
     Processus de Poisson et comptages :
     Rappels sur les méthodes de probabilités numériques
     Algorithmes stochastiques :
        1. Metropolis-Hastings
        2. Recuit simulé
     Chaînes de Markov cachées

        Modalités d’évaluation : 1/2 Projet + 1/2 Examen terminal

       M2 : Séries Chronologiques (30h, exam 2h + mémoire)

Prévoir est devenu indispensable dans des domaines aussi divers que l'industrie, la
gestion, le marketing et l'économie. Cet enseignement est une initiation aux principales
méthodes probabilistes de prévision.

    Désaisonnalisation, méthodes de lissage et de prédiction non paramétriques.

    Processus stationnaires au second ordre. Autocorrélations (directes, inverses,
     partielles), densité spectrale...

                                            12

 Processus ARMA :
         existence d’une solution stationnaire au second ordre, polynôme retard,
            inversion des polynômes retard, applications.
         propriétés des fonctions d’autocorrélation
         identification, prévision.

    Processus non stationnaires et tests de non stationnarité

    Processus vectoriels : VAR, VECM, Cointégration.

Travaux pratiques permettant d’implanter et de tester les méthodes sur des données
réelles ou simulées

        Modalités d’évaluation : 1/2 Projet + 1/2 Examen terminal

      M3 : Méthodes Numériques pour le Traitement du Signal (30h, exam 2h)
Dans de nombreux domaines (image, séries temporelles, etc.), la manipulation, la
compression ainsi que l’extraction d’informations d’un signal sont vitales pour
comprendre ses caractéristiques. Ce cours présentera les bases des principales méthodes
numériques pour cela, ainsi que des applications concrètes.

    Méthodes spectrales :
      Rappels sur les séries de Fourier ;
      Transformées de Fourier Discrète, puis rapides ;
      Introduction à la méthode des ondelettes.
    Décomposition en valeur singulière de grandes matrices :
      Détection du rang ;
      Méthodes QR ;
      Factorisation de matrices positives.
    Applications :
      Résolution d’équations aux dérivées partielles ;
      Compression de données ;
      Détection de formes.

       Modalités d’évaluation : 1/2 Projet + 1/2 Examen terminal

       M4 : Recherche Opérationnelle (30h, exam 2h + mémoire)

L'aide à la décision s'appuie sur des modèles mathématiques de l'activité de l'entreprise.
Ils représentent le plus souvent des phénomènes d'organisation impliquant un très grand
nombre de facteurs sur lesquels l'intuition humaine réagit difficilement. Ce caractère
combinatoire des problèmes impose, pour atteindre des décisions optimales, l'usage
d'outils mathématiques capables d'aider l'ingénieur à traiter la multiplicité des
combinaisons et capables de lui fournir des schémas de réflexion. L'objectif de l’UE est de
compléter la formation des étudiants de master 1ère année en introduisant les techniques
capables de modéliser les phénomènes combinatoires.

    Optimisation linéaire en nombres entiers :
          Modélisation et interprétation économique de l'optimisation linéaire
          Traitement numérique par logiciels : AMPL, Scilab,...
          Modélisation par nombres entiers et valiables bivalentes
          Techniques de branch and bound (séparation et évaluation)
                                            13

 Bases de la théorie des graphes :
         Définitions : chemins, circuits, stabilité, composantes fortement connexes,
          graphe réduit
        Exemples de graphes : fortement connexes, complets, sans circuit,
  planaires…
        Représentations informatiques.
 Algorithmes sur les graphes :
        Cheminement sur un graphe : marquage, chemins optimaux
         Problème d'ordonnancement classique et extension sur les problèmes avec
          utilisation de moyens
        Flots sur un graphe
        Applications aux réseaux de transports
 Optimisation combinatoire :
        Méthodes exactes, approchées
        Techniques de relaxation lagrangienne
         Problèmes classiques et introduction à la complexité : affectation simple et
          généralisée, arbres optimaux, voyageur de commerce, postier chinois

   Modalités d’évaluation : 1/2 Projet + 1/2 Examen terminal

                                        14

S3-UE3 : Outils informatiques (6 ECTS) – 45h de cours / 45h TD-TP

- Connaissances

     Systèmes de gestion de bases de données
     Java-Web et introduction au data warehouse
     Unix-Web
    
- Compétences et Savoir-faire

      Utiliser, créer et gérer une base de données relationnelle
      Manipuler le langage SQL et intégrer les bases de données dans une application web
      Utiliser la technologie Java en lien avec les bases de données internet ou intranet
      Connaître les fondamentaux d’Unix et du Web

- Programme détaillé

       I1 : Systèmes de Gestion de Bases de Données (36h, exam 4h)

Ce cours présente de manière détaillée le modèle relationnel d'organisation des bases de
données, donnant à la fois le formalisme théorique de ce modèle ainsi que les principaux
outils de conception d'une base de données. L'objectif est de savoir bien manipuler le
langage SQL et aussi de savoir intégrer les BD dans une application web.

    Formalisme théorique :
         Création/description du schéma conceptuel d'une base de données : UML –
            Relation/Entités, approche orientée objet, Merise
         Modèle relationnel : théorie, opérateurs algébriques, tables, liens
         Langage de requêtes, algorithme pour la construction de requêtes optimales
    Aspects appliqués :
         Le langage SQL et son extension PL/SQL
         Architecture du serveur de bases de données relationnelles mySQL
         Gestion d'une instance de base de données
         Programmation PHP

              Modalités d’évaluation : 1/4 CC + 3/4 Examen terminal

       I2 : Java-Web et introduction au data warehouse (36h)

Le but de cette UE est de présenter la programmation d'applications reposant sur des
bases de données dans un contexte internet ou intranet d'entreprise. La technologie Java
est choisie comme support support de développement.

    Introduction a Java :
          La machine virtuelle Java et le compilateur
          Syntaxe de base du langage
          Concepts objets et mise en oeuvre
          Collections
          Exceptions
          API complémentaires
          Servlets et JSP
          Les applications web
          Présentation de Tomcat
          Développement de servlets et JSP

                                            15

 Structurer une application web
            Déployer une application web
            Connexion Java SGBDR
            Connexion à une base de données
            Sélection d'enregistrements
            Insertions et mises à jour
            Intégration dans Tomcat
            Frameworks de persistance
Environnement : Java SDK 1.4.2, Eclipse, Tomcat.
Pré-requis : connaissance d'un langage de programmation, connaissance de HTML
Évaluation : sous forme de l'implémentation d'un projet commun avec le cours base de
données.

    Introduction au datawarehouse

      Modalités d’évaluation : Projet

   I3 : Unix-Web (18h)

    Notions de sécurité sous UNIX :
           Mot de passe et droit d'accès
           Connexions à distance
           Arborescence des fichiers
    Les "shells" UNIX :
           Principales commandes
           Redirection des entrées et sorties
           Exemples de "scripts shell"
           Personnalisation d'un environnement de travail aux niveaux UNIX et X
     WINDOW
    Notions sur les langages structurés :
           SGML, HTML, XML
           Utilisation pour le balisage d'informations sur le WEB
           Conception et traitement de formulaires en HTML

                                         16

S3-UE4 : Langages et Culture d’Entreprise (8 ECTS) – 60h de cours / 60h TD-TP

- Connaissances

      Anglais
      Marketing, géomarketing
      Initiation à la gestion, à la comptabilité et au management de projet
      Connaissance des métiers et conférences de connaissance de l’entreprise

- Compétences et Savoir-faire

    Avoir un niveau B2 en Anglais
    Comprendre l’objectif du marketing et faire le lien avec les cours liés à la
     statistique
    Connaître les fondamentaux en gestion et en comptabilité
    Adopter une démarche standardisée pour appréhender une gestion de projet
    Mettre en perspective les cours théoriques et les besoins de l’entreprise
    Avoir une vue claire et synthétique des métiers accessibles à l’issue de la formation
    Se projeter dans le futur quant à l’évolution de carrière

- Pré-Requis

    Anglais (S2-UE1)

- Programme détaillé

       LC1 : Anglais (40h, 2 examens de 2h + 1 oral de 20 min)

    Anglais intensif (15h) :

Placé en début d'année universitaire, il offrira une courte immersion en vue de révisions en
anglais général avec présentation du Centre de Ressources en Langues (CRL). Il permettra
ainsi aux étudiants de connaître puis de se familiariser avec les outils et le matériel
disponibles au CRL pour s’entraîner aux certifications en Langues.

    Cours (25h) :
         Consolidation et approfondissement des bases acquises en anglais général
         Apport de bases en anglais professionnel donnant une dimension
            internationale à leur connaissance du monde de l'entreprise et du travail :
            courrier professionnel, téléphone, vocabulaire relatif aux carrières, CV,
            lettres de motivation, entretiens, etc.
         Synthèse de documents courts (écrite et orale)
         Entretien en langue étrangère.

       Modalités d’évaluation :
       CC (pour CO et Ecrit et/ou Entraînement Test TOEIC)
       + Présentation Orale

       LC2 : Marketing (28h)

L’ensemble de ce module est assuré par différents intervenants extérieurs spécialistes du
marketing par secteur d’activité et disposant d’une grande expérience dans ce domaine.

                                            17

 Marketing bancaire (14h) :
         Les fondements du marketing : saut dans le marché, concept marketing,
            démarche marketing, définitions
         Connaître et comprendre le marché, la concurrence, le consommateur
         La place du marketing bancaire
         Études de marchés : segmentation et typologie de clients; 'information
            marketing
         Marketing stratégique : choisir et décider, concept et modèles stratégiques,
            stratégies et outils d'aide à la décision, planification marketing, organisation
            de la fonction marketing
         Marketing opérationnel : agir et action commerciale, produits, services et
            offre bancaire, prix, facturation, taux, communication externe, distribution,
            communication interne
         Marketing management : le monde change, management du marketing
    Marketing client et vente à distance (VAD) (8h) :
         Objectifs du marketing client
         Les éléments constitutifs des bases de données clients
         Segmentation clients
    Géomarketing (6h)
         Les principes fondateurs
         Exemples d’utilisation du géomarketing
         Les principes de fonctionnement d’un SIG (Mapinfo)

              Modalités d’évaluation : Examen

      LC3 : Initiation à la gestion, à la comptabilité et au management de projet (26h)

L’ensemble de ce module est assuré par différents intervenants extérieurs disposant
d’une grande expérience dans chacun des sujets abordés.

    Initiation à la gestion (14h) : « Approche de l’Entreprise »
           Vision extérieure : l’Entreprise et son environnement
           Vision intérieure : Organisation et fonctions
           Compréhension des processus d'organisation et de gestion en entreprise
           Systèmes d'informations de l'entreprise
           Situation de l'entreprise dans les domaines économique, juridique
           Éléments d'organisation de l'entreprise : principales structures,
              fonctionnement (approche
           systémique)…
    Initiation à la comptabilité financière (6h) :
           Principes fondamentaux et élaboration des principaux documents
              comptables (livre comptable, bilan, compte de résultat)
           Enregistrement d’opérations (opérations courantes et de fin d’exercice)
           L’analyse des documents financiers : performance et trésorerie
    Initiation au management de projet (6h) :
           Définitions et règles de la gestion de projet
           Planifier, contrôler et suivre un projet
           Étude de cas
           Mettre en place le contrôle de gestion dans un projet

              Modalités d’évaluation : Examen

                                            18

LC4 : Connaissance des métiers et conférences d'intervenants venant
d'entreprise (26h)

Tout au long de ce semestre, des cadres viennent présenter leur entreprise et leur
travail. Ces conférences sont l'occasion d'échanges entre les étudiants et les
professionnels. Des liens privilégiés sont entretenus avec les entreprises suivantes :
service/décisionnel (Altao, Soft Solutions, Marketespace, Keyrus, Velvet Consulting,
Avisia, Lincoln), industrie (ArcelorMittal, Cargill), crédit/recouvrement (CACF, Banque
Accord, Cofidis, Contentia), vente à distance (La Redoute, Damart), banques (Crédit
Agricole Nord de France), immobilier (Nord de France Immobilier),webmining (Oxygem),
etc.

                                          19