Témoignage Client

L’analytique à la portée de toutes les disciplines

Un professeur de l’Université de Genève prépare des étudiants de premier et deuxième cycles à relever les défis qui les attendentdans un monde obnubilé par les données

Le XXIe siècle est en passe de devenir l’ère de l’analytique, et le monde professionnel exige désormais des jeunes diplômés des connaissances élémentaires en statistiques. Qu’ils soient appelés à réaliser des calculs complexes ou à devenir des créatifs examinant chaque matin l’analyse adressée par un consultant, les compétences analytiques sont tout sauf accessoires. Elles sont indispensables.

Les compétences analytiques sont deplus en plus importantes dans nombrede disciplines

L’Université de Genève prend l’omniprésence des données très au sérieux. L’administration admet d’ailleurs que l’aisance analytique donne un coup de pouce aux étudiants pour leur future carrière – qu’ils soient doctorant sou recherchent un emploi dans la finance et la gestion.

« Les étudiants sont conscients que les données et l’analytique sont incontournables », affirme Christian Hildebrand, maître de conférences en analyse marketing au département Geneva School of Economics and Management de l’Université de Genève. « Ils savent pertinemment qu’ils doivent apprendre l’analytique pour se distinguer sur le marché du travail. Et ce sentiment, loin d’être propre à ceux qui suivent un cursus statistique classique, est partagé par les étudiants en mathématiques, sciences, finance, économie et gestion », ajoute-t-il.

Dans le même ordre d’idée, l’Université de Genève a lancé un master de Business Analytics multidisciplinaire. Christian Hildebrand s’est associéà ses collègues des facultés d’informatique, de statistique et de finance pour lancer un nouveau cursus abordant de nombreux thèmes – principes fondamentaux de l’apprentissage automatique, data mining appliqué, stratégie d’entreprise pour l’analyse des big data, gestion d’équipes descience des données, etc.

La visualisation des données aide les étudiants à comprendre des méthodologies et concepts fondamentaux

Christian Hildebrand dispense lui-même des cours magistraux en data mining appliqué, Business Analytics et implémentation informatique d’expériences, et encadre des travaux dirigés sur les données web. « En cours, nous étudions différentes techniques d’analyse de données– modèles linéaires à facteurs mixtes, arbres de décision, modèles d’ensemble ou réduction d’estimations – liées à la création de modèles pour les méthodes supervisées et non supervisées. Mais la visualisation estessentielle », explique-t-il. « Sans visualisation, les enseignants doivent se contenter de présenter des concepts et d’expliquer comment fonctionne un algorithme en théorie. Il faudrait beaucoup de motivation aux étudiants pour suivre patiemment les cours sans voir ces concepts à l’oeuvre. »

Il souligne qu’à l’inverse, « si les étudiants peuvent visualiser le résultat final dès le départ, puis approfondir la méthodologie, ils s’en font une idée précise et veulent produire la même analyse, assortie d’un puissant graphique statistique. Ils sont par ailleurs curieux de savoir comment cette méthodologie fonctionne réellement. »

Avec le logiciel adéquat, l’analytique devient plus attrayante et plus accessible

Comment obtenir ces résultats ? Selon Christian Hildebrand, un logiciel adapté permet d’illustrer les concepts les plus ardus, ce dont il peut d’ailleurs témoigner personnellement : Il explique avoir été totalement conquis la première fois qu’il a vu JMP dans le cadre d’un cours sur le data mining, alors qu’il était lui-même étudiant à l’University of Michigan il y a quelques années. « Je me suis alors dit qu’un jour, je voudrais utiliser JMP pour enseigner à mon tour. » Et c’est exactement ce qu’il fait aujourd’hui à l’Université de Genève.

« Je commence souvent mes cours par un exemple dans JMP, qui illustre à merveille un concept statistique donné. Les étudiants voient ainsi le résultat final du modèle visualisé, puis nous revenons au début pour détailler la méthodologie, qu’ils comprennent immédiatement, puisqu’ils en ont un aperçu visuel. »

« Seul JMP permet d’apprendre et d’observer des modèles de données au cours du processus de visualisation. Les étudiants peuvent ainsi produire un graphique et se demander s’ils avaient jusqu’à présent envisagé tous les modèles de données. » Ce qui différencie vraiment JMP, c’est la possibilité d’apprendre tout en créant un graphique ou une figure. Avec la visualisation, tout devient parfaitement limpide. »

L’évaluation des cours de Christian Hildebrand par les étudiants amis en évidence le fait qu’ils comprenaient ces concepts analytiques.« C’était visible dans les commentaires formulés dans leurs évaluations », se souvient-il. « Il se félicitaient surtout d’avoir appris un nouveau programme statistique qui contribuait réellement à accélérer le workflow analytique. Nombre d’entre eux étaient ravis d’avoir pu mettre au point des visualisations efficaces en si peu de temps… et ont indiqué que JMP les avait vraiment aidés à mieux cerner le volet statistique. » Les réponses des étudiants étaient éloquentes, ce dont les administrateurs de l’université ont pris note pour permettre à d’autres membres du département d’adopter une approche pédagogique similaire.

Tirer parti du potentiel pédagogique de l’intégration entre JMP^® et R

Même si nombre des étudiants de Christian Hildebrand découvrent JMP pendant leurs cours à l’Université de Genève, certains maîtrisent d’autresout ils tels que R. Pour cet enseignant, il est indispensable d’avoir des compétences dans plusieurs outils statistiques – notamment R ou Python.

« J’ai hâte de pouvoir enseigner l’intégration de JMP avec d’autres programmes comme R », insiste-t-il. « Même si je suis un inconditionnel de JMP, que j’intègre à tous mes cours, n’enseigner qu’un seul progiciel statistique serait un non-sens. » Il est persuadé qu’utiliser JMP avec R ne peut être que bénéfique. Les étudiants tirent parti de la richesse de R sans être freinés par la puissance de calcul nécessaire. De son côté, JMP offredes possibilités d’analyse exploratoire des données et fait gagner énormément de temps.

« Les étudiants sont convaincus [de l’utilité de JMP] dès qu’ils génèrent un graphique multivarié plus complexe, et avouent que l’opération aurait été bien plus longue avec R », se réjouit Christian Hildebrand.« Il est toujours ennuyeux de faire des compromis lorsque l’on travaillesur un problème analytique en temps réel. On doit apprendre les données le plus vite possible, avant d’estimer un modèle. Et la visualisation dans JMP est vraiment rapide – sans parler de la possibilité d’ajouter un jeu de données volumineux en un temps record. Les étudiants issus de domaines plus quantitatifs étaient ravis de pouvoir le faire avec JMP, et ils faisaient plaisir à voir ! »

Selon Christian Hildebrand, l’adoption de cette approche interdisciplinaire prête à l’emploi par l’Université de Genève pourrait fort bien devenir« un facteur de différenciation du système éducatif suisse ».