2025-2026
Avenue Victor Maistriau 8a
7000 Mons
Fiche ects de l'unité d'enseignement #3487 intitulée :
Business intelligence
Master en Sciences de l'Ingénieur industriel / orientation Informatique / Cycle 2 Bloc 1
- option Intelligence artificielle et Big Data
- option Intelligence artificielle et Big Data - Passerelle
Master en Sciences de l'Ingénieur industriel orientation Life data technologies / Cycle 2 Bloc 1
Informations
Responsable d'UE : Samuel CREMER
Bloc : MA1 Info, MA1 LDT
Période : 1er quadrimestre
Durée : 33 h
Crédits : 3 ects
UE Prérequises : aucune
UE Corequises :
- Bases de données avancées
Activités d'apprentissage (AA)
- Analyse et extraction de données : 21 h, Samuel CREMER
- OLAP and reporting : 12 h, Samuel CREMER
Connaissances et compétences préalables
Techniques de programmation avancées 1 (BA2)
Traitement de l'information (BA3)
Contribution aux objectifs du référentiel de compétences de l'ARES
- Identifier, conceptualiser et résoudre des problèmes complexes
- Intégrer les savoirs scientifiques et technologiques afin de faire face à la diversité et à la complexité des problèmes rencontrés
- Analyser des produits, processus et performances, de systèmes techniques nouveaux et innovants
- Concevoir, développer et améliorer des produits, processus et systèmes techniques
- Modéliser, calculer et dimensionner des systèmes
- Sélectionner et exploiter les logiciels et outils conceptuels les plus appropriés pour résoudre une tâche spécifique
- Établir ou concevoir un protocole de tests, de contrôles et de mesures.
- S’intégrer et contribuer au développement de son milieu professionnel
- Travailler en autonomie et en équipe dans le respect de la culture d’entreprise
- Entreprendre et innover, dans le cadre de projets personnels ou par l’initiative et l’implication au
sein de l’entreprise
- Prendre en compte les missions, visions stratégiques et enjeux de son cadre professionnel
- Intégrer les enjeux sociétaux, économiques et environnementaux dans ses décisions
- S’impliquer dans la politique d’amélioration de la qualité
- Communiquer face à un public de spécialistes ou de non-spécialistes, dans des contextes
nationaux et internationaux
- Maitriser les méthodes et les moyens de communication en les adaptant aux contextes et aux publics
Acquis d'apprentissage spécifiques
Être capable d'automatiser des flux de données à destination de l'informatique décisionnelle en utilisants des serveurs de bases de données, des ETL (Extract Transform Load) et des solutions de reporting
Contenu des AA
Analyse et extraction de données
- Formats des données
- API
- Workflows
- Utilisation d'un ETL (Extract Transform Load)
OLAP and reporting
- Data Warehouse
- OLAP et cubes multidimensionnels
- Modélisation (Star-Schema, Snowflakes, etc.)
- Utilisation d'un outil de reporting
Répartition des heures
Analyse et extraction de données : 3 h de théorie, 18 h d'exercices/Labos
OLAP and reporting : 5 h de théorie, 7 h d'exercices/Labos
Méthodes d'enseignement
Analyse et extraction de données : cours magistral, travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche avec TIC
OLAP and reporting : cours magistral, travaux de groupes, approche par projets, approche interactive, approche par situation problème, approche avec TIC
Langues d'enseignement
Analyse et extraction de données : français
OLAP and reporting : français, anglais
Supports
Analyse et extraction de données : copies de présentations
OLAP and reporting : copies de présentations
Ressources bibliographiques
Analyse et extraction de données
- Thomas C. Hammergren and Alan R. Simon: Data Warehousing forDummies (2nd Edition). Wiley Publishing, 2009
- Paulraj Ponniah: Data Warehousing. Fundamentals for IT professionals(2nd Edition). John Wiley & Sons, 2010
- Oded Maimon, Lior Rokach (Eds.): The Data Mining and KnowledgeDiscovery Handbook (2nd Edition). Springer, 2010
OLAP and reporting
- Thomas C. Hammergren and Alan R. Simon: Data Warehousing forDummies (2nd Edition). Wiley Publishing, 2009
- Paulraj Ponniah: Data Warehousing. Fundamentals for IT professionals(2nd Edition). John Wiley & Sons, 2010
- Oded Maimon, Lior Rokach (Eds.): The Data Mining and KnowledgeDiscovery Handbook (2nd Edition). Springer, 2010
Évaluation et pondération
Méthode d'évaluation : note globale à l'UE
Langues d'évaluation : français, anglais
Modalités d'évaluation :
Les étudiants devront réaliser un projet en groupe et l'accompagner d'un rapport. Ces 2 délivrables seront évalués ainsi que la participation/implication des étudiants durant les heures dédiées au projet.
Report de note d'une année à l'autre pour l'AA réussie en cas d'échec à l'UE :
- Analyse et extraction de données : non
- OLAP and reporting : non