Enseignants
Langue
d'enseignement
d'enseignement
贵谤补苍莽补颈蝉
笔谤茅补濒补产濒别蝉
Notions de marketing
Base des 茅tudes march茅
Le(s) pr茅requis de cette Unit茅 d鈥檈nseignement (UE) sont pr茅cis茅s 脿 la fin de cette fiche, en regard des programmes/formations qui proposent cette UE.
Base des 茅tudes march茅
Le(s) pr茅requis de cette Unit茅 d鈥檈nseignement (UE) sont pr茅cis茅s 脿 la fin de cette fiche, en regard des programmes/formations qui proposent cette UE.
Th猫mes abord茅s
Introduction
Analyser et conna卯tre son march茅
Analyser et conna卯tre son march茅
- Analyse factorielle - Analyse en composante principales (ACP)
- Mesure et d茅veloppement d'un instrument de mesure en marketing
- Internet : M茅thodologies d'茅tude sp茅cifiques
- Etude d'image de marque (M茅thode Duale)
- Analyse MDS et cartes perceptuelles
- Exp茅rimentation en laboratoire
- Exp茅rimentation sur le terrain
- ANOVA
- Analyse des donn茅es de Panel
- R茅gression simple
- R茅gression multiple
- Analyse discriminante
- Analyse typologique
- Analyse conjointe
Acquis
d'apprentissage
d'apprentissage
A la fin de cette unit茅 d鈥檈nseignement, l鈥櫭﹖udiant est capable de : | |
| 1 |
|
Contenu
L鈥檕bjectif de ce cours est de pr茅senter un ensemble de m茅thodes, mod猫les et outils avanc茅s particuli猫rement utiles 脿 l鈥櫭╮e digitale lorsqu鈥檌l s鈥檃git de collecter et/ou traiter et analyser des donn茅es primaires et secondaires.
Ce cours concerne diverses approches de prise de d茅cisions en marketing, et pr茅sente les m茅thodes et outils avanc茅s disponibles pour la collecte et/ou le traitement de donn茅es : m茅thodes qualitatives versus quantitatives ; 茅tudes exploratoires, descriptives (dont web-analytics) et causales (exp茅rimentation) ; probl猫mes de mesure et de mod茅lisation. Les m茅thodes et mod猫les choisis sont abord茅s de mani猫re 脿 d茅montrer leur pertinence dans la d茅finition, la formulation, l鈥檃nalyse et la r茅solution de probl猫mes marketing. Le cours est structur茅 en fonction des grandes d茅cisions marketing pr茅sentant un besoin d鈥檌nformation important. Chaque probl茅matique d鈥櫭﹖ude permettra de pr茅senter une ou plusieurs m茅thodologies. L鈥檈xpos茅 th茅orique de la m茅thode sera suivi par la mise en 艙uvre d鈥檃nalyses, trait茅es 脿 l鈥檃ide du logiciel SPSS.
Il vise en outre 脿 sensibiliser les participant(e)s 脿 la n茅cessit茅 de se montrer exigeant(e)s - et leur en donner les moyens - 脿 l鈥櫭ゞard des soci茅t茅s d鈥櫭﹖udes de march茅 et de conseil en marketing, aux services desquelles elles/ils peuvent 锚tre amen茅(e)s 脿 faire appel.
Plan
Ce cours concerne diverses approches de prise de d茅cisions en marketing, et pr茅sente les m茅thodes et outils avanc茅s disponibles pour la collecte et/ou le traitement de donn茅es : m茅thodes qualitatives versus quantitatives ; 茅tudes exploratoires, descriptives (dont web-analytics) et causales (exp茅rimentation) ; probl猫mes de mesure et de mod茅lisation. Les m茅thodes et mod猫les choisis sont abord茅s de mani猫re 脿 d茅montrer leur pertinence dans la d茅finition, la formulation, l鈥檃nalyse et la r茅solution de probl猫mes marketing. Le cours est structur茅 en fonction des grandes d茅cisions marketing pr茅sentant un besoin d鈥檌nformation important. Chaque probl茅matique d鈥櫭﹖ude permettra de pr茅senter une ou plusieurs m茅thodologies. L鈥檈xpos茅 th茅orique de la m茅thode sera suivi par la mise en 艙uvre d鈥檃nalyses, trait茅es 脿 l鈥檃ide du logiciel SPSS.
Il vise en outre 脿 sensibiliser les participant(e)s 脿 la n茅cessit茅 de se montrer exigeant(e)s - et leur en donner les moyens - 脿 l鈥櫭ゞard des soci茅t茅s d鈥櫭﹖udes de march茅 et de conseil en marketing, aux services desquelles elles/ils peuvent 锚tre amen茅(e)s 脿 faire appel.
Plan
- Introduction (syst猫me d鈥檌nformation marketing 脿 l鈥櫭╮e num茅rique, types d鈥櫭﹖udes, etc.)
- Analyser et conna卯tre son 茅co-syst猫me et son march茅, 茅valuer sa position
- Conna卯tre son 茅co-syst猫me et son march茅
- Probl猫me de la mesure li茅e 脿 un instrument de mesure en marketing
- Analyse en composantes principales (ACP)
- Pr茅voir sa performance
- Exp茅rimentation en laboratoire
- Exp茅rimentation sur le terrain
- ANOVA
- Evaluer sa performance
- R茅gression simple
- R茅gression multiple
- Repenser son produit
- Analyse typologique (vs Analyse discriminante)
- Analyse conjointe
- TP1 = ACP avec SPSS 聽
- TP2 = ANOVA dans le cadre d鈥檜ne exp茅rimentation / Pr茅sentation du travail de Contr么le Continu (CC)
- TP3 = R茅gressions simples et multiples avec SPSS
- TP4 = Analyse de donn茅es d鈥櫭﹖ude avec SPSS (travail de CC)
M茅thodes d'enseignement
Le cours combine les s茅ances en classe et des s茅ances de TP en salle informatique. Les 茅tudiants doivent en outre r茅aliser un parcours relatif au webanalytics en auto-apprentissage et r茅aliser un travail de groupe.
Modes d'茅valuation
des acquis des 茅tudiants
des acquis des 茅tudiants
L鈥櫭﹙aluation comprendra聽:
- 聽une partie en contr么le continu (50% de la note finale) bas茅e sur聽:
- Un projet relatif 脿 une exp茅rimentation, 脿 r茅aliser en groupe avec remise d鈥檜n rapport (dans ce cadre, la participation active au cours est vivement recommand茅e et la participation aux TP obligatoire), repr茅sentant 40% de la note finale聽;
- Le parcours de Google Analytics, 脿 r茅aliser en auto-apprentissage et individuellement, repr茅sentant 10% de la note finale聽;
- 聽un examen 茅crit 脿 pr茅senter pendant les sessions officielles (50% de la note finale).
Note: Dans les travaux de groupe de ce cours, les sources d鈥檌nformation doivent 锚tre syst茅matiquement cit茅es, en respectant les normes de r茅f茅rencement bibliographique. Dans le cas o霉 l鈥櫭﹖udiant路e aurait fait appel 脿 une IA聽g茅n茅rative, il(elle) est tenu路e d鈥檌ndiquer syst茅matiquement les parties ayant fait l鈥檕bjet d鈥檜ne utilisation de cet outil, en ajoutant une note de bas de page pr茅cisant si l鈥橧A a 茅t茅 utilis茅e et dans quel but elle l鈥檃 茅t茅 (recherche d鈥檌nformation, r茅daction de texte et/ou correction de texte). L鈥櫭﹖udiant路e reste par ailleurs responsable du contenu de sa production, ind茅pendamment des sources utilis茅es. Ainsi, en soumettant un travail de groupe pour 茅valuation, l'茅tudiant路e聽 affirme : (i) qu'il refl猫te fid猫lement le ph茅nom猫ne 茅tudi茅,聽et pour cela elle/il doit avoir v茅rifi茅 les faits ; (ii) avoir respect茅 toutes les exigences sp茅cifiques du travail qui lui est confi茅, notamment les exigences pour la transparence et la documentation de la d茅marche scientifique mise en 艙uvre. Si l'une de ces affirmations n'est pas vraie, que ce soit intentionnellement ou par n茅gligence, l'茅tudiant路e est en d茅faut de son engagement d茅ontologique vis-脿-vis de la connaissance produite dans le cadre de son travail, et 茅ventuellement d鈥檃utres aspects de l鈥檌nt茅grit茅 acad茅mique, ce qui constitue une faute acad茅mique et sera consid茅r茅 comme tel.
Ressources
en ligne
en ligne
Les supports de cours et l'ensemble du mat茅riel de cours seront mis 脿 disposition sur Moodle.
Bibliographie
R茅f茅rence principale:
DELACROIX E., JOLIBERT A., MONNOT E., et JOURDAN P. (2021), Marketing Research聽: M茅thodes de recherche et d鈥櫭﹖udes en marketing (ouvrage collectif), 2猫me 茅dition, Dunod.
R茅f茅rences compl茅mentaires utiles:
BRUNER II G., (2009, 2012, 2015, 2016, 2017, 2019, 2021, 2023, 2024), Marketing Scales Handbook, Vol 5, Vol 6, Vol 7, Vol 8, Vol 9, Vol 10, Vol 11, Vol. 12, Vol. 13.
CHARRY K., COUSSEMENT K., DEMOULIN N., HEUVINCK N., (2016), Marketing Research with IBM SPSS Statistics, 978-1-4724-7745-3 , Routledge, London, 264 pages.
HAHN C. & MACE S. (2016), M茅thodes statistiques appliqu茅es au management, 2猫me 茅dition, Pearson.
MALHOTRA N., DECAUDIN J.M., BOUGUERRA A., BORIES D. (2014), Etudes Marketing, 6猫me 茅dition, Pearson.
DELACROIX E., JOLIBERT A., MONNOT E., et JOURDAN P. (2021), Marketing Research聽: M茅thodes de recherche et d鈥櫭﹖udes en marketing (ouvrage collectif), 2猫me 茅dition, Dunod.
R茅f茅rences compl茅mentaires utiles:
BRUNER II G., (2009, 2012, 2015, 2016, 2017, 2019, 2021, 2023, 2024), Marketing Scales Handbook, Vol 5, Vol 6, Vol 7, Vol 8, Vol 9, Vol 10, Vol 11, Vol. 12, Vol. 13.
CHARRY K., COUSSEMENT K., DEMOULIN N., HEUVINCK N., (2016), Marketing Research with IBM SPSS Statistics, 978-1-4724-7745-3 , Routledge, London, 264 pages.
HAHN C. & MACE S. (2016), M茅thodes statistiques appliqu茅es au management, 2猫me 茅dition, Pearson.
MALHOTRA N., DECAUDIN J.M., BOUGUERRA A., BORIES D. (2014), Etudes Marketing, 6猫me 茅dition, Pearson.
Facult茅 ou entit茅
en charge
en charge
