Au cours de l’année de M1, les étudiants du parcours PiSE renforcent leur bagage méthodologique et leur ouverture généraliste sur le monde contemporain, au travers des enseignements mutualisés avec les autres parcours du master MECI. Ils acquièrent également les bases d’une culture organisationnelle et technique sur les systèmes d’information par des enseignements dédiés.
Modalités de contrôle des connaissances :
Chaque enseignement est évalué selon des spécificités qui sont précisées dans son descriptif. D’une manière générale, les étudiant sont évalués sur la base d’un mélange entre contrôle continu et examen final. Sur l’année, une compensation est appliquée sur l’ensemble des UE. Les UE dites « fondamentales » et signalées ci-dessous.
NB : sauf mention contraire, tous les enseignements de chaque UE sont obligatoires
Documents utiles :
Le vade mecum du mémoire d’études (CCESE – PiSE)
Le calendrier de l’année :
Détail des enseignements
Semestre 1
UE 1 : Mutations du monde contemporain
![]() |
TODO
TODO
![]() |
TODO
TODO
UE2 : Outils et langues 1
![]() |
TODO
TODO
![]() |
TODO
TODO
UE3 : PiSE 1
![]() |
TODO
TODO
![]() |
Raynal LE BOUR Diplômé du master PiSE (2016) Reportwise Consulting Pilotage de la performance des entreprises. |
Descriptif : ce cours se propose de :
- Consolider les connaissances générales de l’environnement informatique.
- Acquérir une maîtrise avancée des tableurs, indispensable à tout cadre / manager
- Initier aux raisonnements algorithmiques dans l’optique du M2 PISE.
Plan du cours : le cours s’articule autour d’une maîtrise progressive des fonctionnalités avancées d’Excel :
- L’environnement : classeurs, feuilles, cellules, lignes, colonnes
- Mise en forme : taille des cellules, bordures, formatage de texte, de nombres (dates et heures)
- Les formules
- La copie – la recopie incrémentée : adressage relatif, absolu, externe
- Les fonctions : structure générale.
- Les fonctions : SOMME, SI, ET, OU, AUJOURDHUI, MAINTENANT, ENT, MAX, MIN, RECHERCHE
- Les fonctions : fonctions imbriquées.
- Les graphismes : types, séries de données, construction, modification.
- Liaison de documents (Word et Excel)
- Importation et exportation de données de type texte
- Les tableaux croisés dynamiques
- Valeur cible et solveur.
Téléchargez la série d’exercices proposée.
La présentation des fonctions (partie 1 – partie 2)
Modalités de contrôle des connaissances : un examen à la fin du semestre, mettant en jeu les principaux mécanismes abordés en cours.
![]() |
Frédéric LEFEBRE-NARÉ Ingénieur (Polytechnique) et économètre Formateur et ingénieur-conseil indépendant |
Objectifs pédagogiques :
Ce cours se propose d’ouvrir le capot de la chaîne de traitement de données, en abordant les data de manière pratique et « artisanale ».
Plan succinct :
Une double introduction par l’aval (la « magie » de l’IA) et l’amont (la création de data en réponse à un problème) :
- Introduction à l’intelligence artificielle et au « prédictif » (exemple de la reconnaissance d’images) : notion de modèle, descente de gradient, rétropropagation
- Approche d’ensemble de la chaîne des data
Six types de données, illustrant chacun certaines étapes de la chaîne des data :
- Données codées par l’Homme (formulaires) : codage, traitement statistique, aléas, valeurs manquantes, autocorrélation, échantillonnage (aléa et biais d’échantillonnage)
- Données de gestion (de PGI/ERP) : structuration pour le stockage, interrogation structurée, traitement statistique. Initiation à SQL.
- Données multimédia, inventaires, textes structurés. XML.
- Textes (naturels) : synthèse, biais temporels, encodage, nettoyage, tri et indexation, recherche. IRAMuTeQ, regex
- Données temporelles : visualisation (dataviz), autocorrélation, détection d’aberrations et alerte, échantillonnage dans le temps et compression, pseudo-textes.
- Images : stockage de masse, compression, transparence ou opacité des algorithmes, synthèse.
Auteurs utilisés
Alain Desrosières (codage, lien entre quantification et qualification), Bruno Latour (pour la notion de data comme sublata, « obtenues ») et Jérôme Denis (le travail amont pour arriver aux data), Léon Bottou (moteur universel d’apprentissage automatique, lien entre description statistique et causalité), Cathy O’Neil (biais liés aux data), Dominique Boullier (data comme répliques de l’activité sociale), Philippe Amiel (les conversations comme matériau sociologique : introduction à l’ethnométhodologie d’Harold Garfinkel)…
Blogs et revues, en anglais : techinsider, wired, datasciencecentral…
Modalités de contrôle des connaissances
50 % contrôle continu (dont 25% participation / 25% tests) et 50 % contrôle final sur table. L’évaluation continue se fera à environ 1 séance sur 2, à partir de travaux individuels ou en binôme, réalisés en séances.
![]() |
Claude GRASLAND Professeur en géographie Université Paris Cité |
Objectif pédagogique
Organisation
Plan de cours
Modalités de contrôle des connaissances
Références bibliographiques
![]() |
Claude GRASLAND Université de Paris |
![]() |
Marianne GUÉROIS Université de Paris |
![]() |
Pierre PISTRE Université de Paris |
Objectif pédagogique
Le cours a pour objet d’ouvrir les étudiants à la réflexion sur ce que sont les données : d’où viennent-elles, comment les évaluer, quel regard critique porter sur elles ? La première partie du cours examine successivement les modes de construction de trois types fondamentaux de données : quantitatives (longueur d’une côte, population d’une ville, …), catégorielles (couleur d’une voiture, catégorie sociales d’une personne, …) et textuelles (nouvelles de presse, réseaux sociaux, …). La deuxième partie du cours propose d’analyser les enjeux méthodologiques d’exploitation de bases de données comportant les trois types vus précédemment autour d’une problématique. On examinera tout d’abord le cas de données d’archive imparfaites (registres paroissiaux du 18e siècle), puis le cas de données contemporaines sur le logement mélangeant des sources publiques (recensement… ) et privées (Airbnb…).
Plan de cours
Introduction (19/09)
A . La construction des données (épistémologie)
A.1 Données quantitatives (19/09 & 26/09)
A.2 Données catégorielles (03/10 & 10/10)
A.3 Données textuelles (24/10)
B. L’exploitation des données (méthodes)
B.1 Les registres paroissiaux du 18e siècles (7/11, 14/11 & 12/12)
B.2 Données urbaines & logement (21/11, 28/11 & 5/12)
Conclusion (12/12)
Modalités de contrôle des connaissances
Le contrôle des connaissances s’établit à la fois sur la base d’un contrôle continu (exercices faits en cours) comptant pour 2/3 et d’un examen terminal comptant pour 1/3.
Références bibliographiques
- Besson, J. L., La cité des chiffres ou l’illusion des statistiques, Autrement, 1992
- Cardon D., A quoi rêvent les algorithmes. Nos vies à l’heure du big data, Seuil, La République des Idées, 2015
- Foucault, M., Les mots et les choses. Une archéologie des sciences humaines, Gallimard, 1966
- Pénombre : http://www.penombre.org/divers/publications.html
Références webographiques
- Site INSEE (méthodes) : https://www.insee.fr/fr/information/2016815
- Projet ESPON database : http://database.espon.eu/db2/resource-index
- Association Pénombre : http://www.penombre.org/divers/publications.html
UE4 : Mémoire d’études
![]() |
TODO
TODO
Semestre 2
UE5 : Mutations du monde contemporain
![]() |
TODO
TODO
UE6: Outils et langues 2
![]() |
TODO
TODO
![]() |
Lise MAETIN |
![]() |
TODO
TODO
![]() |
TODO
TODO
UE7 : PiSE 2
![]() |
Amel BEN RHOUMA Maître de Conférences en Sciences de Gestion Université Paris Cité |
Objectif pédagogique :
Ce cours autour du développement durable vise à doter les étudiants de connaissances approfondies sur les enjeux environnementaux, sociaux et économiques contemporains. Il s’agit de former les
étudiants à :
- comprendre la problématique de développement durable, connaître le processus de négociation coopérative qui a permis d’aboutir à cette valeur nouvelle et les différentes approches de son appropriation compétitive selon le type d’acteurs.
- connaître les origines de la RSE et ses différentes approches et comprendre ses implications pour les entreprises dans un contexte de développement durable
- connaître les outils de reporting et mesure de la performance extra-financière et savoir définir et mettre en œuvre une stratégie RSE.
Par son contenu, ce cours s’inscrit dans une perspective de développement de compétences spécifiques, telles que la capacité à identifier et dialoguer avec les parties prenantes, la gestion de projet, l’analyse du reporting, et la compréhension des enjeux et objectifs de la Responsabilité sociale des Entreprises / Organisations (RSE/RSO). Ces compétences sont essentielles pour accompagner les entreprises dans leur démarche RSE et de transitition écologique, répondre aux besoins de recrutement et contribuer à renforcer la compétitivité et l’attractivité des entreprises et organisations.
En outre, ce cours offre une formation qui s'inscrit dans une perspective de préparation aux métiers liés au développement durable et à la RSE, tels que responsable développement durable, chargé de
mission RSE, chef de projet environnement, ou consultant en réglementation environnementale.
Plan de cours :
- aux origines historiques de la RSE & ses principales approches
- Développement durable : Logique historique d’un concept négocié dans le cadre d’une approche coopérative
- Appropriation compétitive du DD: du consensus à l’éclatement des approches
- Couplage et institutionnalisation de la RSE et DD depuis les années 2000 et pourquoi les entreprises doivent-elles intégrer les enjeux RSE/DD dans leurs stratégies ?
- Comment les entreprises intègrent-elles les enjeux de RSE/DD dans leurs stratégies business et leurs reportings? (Etude de cas)
Contrôle des connaissances :
Les étudiants sont évalués par un test individuel, une étude de cas en groupes de 4 étudiants chacun et un examen final
Bibliographie indicative :
- Boutaud, A. (2005). Le développement durable: penser le changement ou changer le pansement. Saint Etienne, thèse pour l’obtention du doctorat en Sciences et Génie de l’Environnement, Ecole Nationale des Mines de Saint-Etienne.
- Brühl, V. (2021). Green Finance in Europe–Strategy, Regulation and Instruments. Center for Financial Studies Working Paper, (657).
- Crifo, P. (2023). Normes ESG et transition juste: comment prendre en compte les enjeux environnementaux et sociaux?. Servir Alumni de l’ENA et de I’INSP, 520(1), 16-20.
- Frynas, J. G., & Yamahaki, C. (2016). Corporate social responsibility: Review and roadmap of theoretical perspectives. Business Ethics: A European Review, 25(3), 258-285.
- Niestroy, I. (2005). Sustaining sustainability: A benchmark study on national strategies towards sustainable development and the impact of councils in nine EU member states (No. 2). Ingeborg Niestroy.
![]() |
Lény HARADJI
Consultant MOA et Chef de projet (Acensi) |
Objectif :
Le cours se veut une présentation générale des systèmes d’information, de leur nature et de leur articulation aux organisations qui les mettent en œuvre.
- Introduction au système d’information d’entreprise
- Les infrastructures des SI (architecture et réseaux)
- La sécurité du SI
- Le SI au quotidien : données & processus métiers
- Gestion de la connaissance, Prise de décision
- Gestion de projet SI
- La conduite du changement, Qualité au service du SI
- Les métiers de l’informatique
![]() |
Thibaud DEGUILHEM Maître de conférences en économie Université de Paris, |
Objectif pédagogique
Destiné aux étudiant-e-s de première année des Masters APE et MECI, cet enseignement offre un large panorama sur les instruments de l’analyse statistique et économétrique appliquée. Utilisant Rstudio et RMarkdown, ce cours propose aux étudiant-e-s de devenir autonome dans l’analyse quantitative en leur permettant de développer trois niveaux de compétences distincts : (i. savoir ) connaitre les outils statistiques (descriptifs, inférentiels et économétriques) adaptés afin d’apporter des réponses quantitatives à des questions spécifiques, ( ii. savoir-faire) appliquer ces outils et maîtriser les fonctionnalités essentielles du logiciel Rstudio pour produire une analyse complexe à partir d’un jeu de données, (iii. savoir-faire et savoir-être ) mettre en valeur des résultats quantitatifs
et travailler en équipe sur un rapport statistique.
Organisation
Trois parties structurent ce cours depuis le data management, jusqu’à l’introduction de l’économétrie de la causalité en passant par les statistiques descriptive et inférentielle. Tout au long du semestre, les étudiant-e-s auront à réaliser un rapport statistique en groupe sous RMarkdown. A partir d’un modèle fourni lors de la première séance, les étudiant-e-s seront accompagné-e-s par la mise à disposition de jeux de données originaux, la mise en place d’un forum dédié aux questions de script, de chunk ou de compilation (muut) et leur travail sera guidé par différents rendus intermédiaires.
Plan de cours
Partie I Data management, description et inférence
(a) Gestion de jeux de données et statistique descriptive
Fusion, suppression, modification de données, distributions, indicateurs de tendance centrale, de position et de dispersion
(b) Statistiques bivariée et inférentielle I
Tests de conformité, d’homogénéité, de normalité et d’association entre deux variables qualitatives
(c) Statistiques bivariée et inférentielle II
Analyse de la variance (ANOVA et tests post-hoc), corrélation, régression linéaire simple et principe d’estimation par les MCO
Partie II Économétrie appliquée I
(a) Régression linéaire multiple
Caractéristiques de l’estimateur MCO, qualité de l’ajustement, tests et fonctions non linéaires
(b) Régression avec variable dépendante binaire
Modèles LOGIT et PROBIT, estimateur EMV, qualité des ajustements et tests
(c) Modèle non-paramétrique et premiers pas vers l’étude de la causalité
Régressions quantile, qualité des ajustements, tests et corrélation vs. causalité
Partie III Économétrie appliquée II
(a) Modèles de médiation et en deux étapes
Correction du biais d’échantillonnage (2-Step Heckman et IMR) et variable indépendante médiatrice
(b) Mesurer un eet causal à partir de données non-expérimentales : Propensity Score Matching (PSM)
Principes des méthodes de matching, étapes du PSM, caractéristiques des estimations, qualité et tests
Modalités de contrôle des connaissances
Les étudiant-e-s sont évalué-e-s individuellement et collectivement en 50% CC et 50% ET.
– Évaluation en contrôle continu
Test individuel en ligne au terme de chaque partie (20%)
Rapport collectif (30%)
– Évaluation terminale
Examen final de 3h (50%)
Références bibliographiques
- Agresti, A. (2017). Statistical methods for the social sciences. Pearson, Boston, 5th edition.
- Cornillon, P.-A., Guyader, A., Husson, F., Jégou, N., Josse, J., Kloareg, M., Matzner-Lober, E., and Rouvière,
L. (2012). Statistiques avec R. Presses Universitaires de Rennes, Rennes, 3rd edition. - Greene, W. (2011). Econométrie. Pearson, Paris, 7th edition.
- Leite, W. (2016). Practical propensity score methods using R. Sage Publications.
- Li, M. (2013). Using the Propensity Score Method to Estimate Causal Eects : A Review and Practical Guide.
Organizational Research Methods, 16(2) :188226. - MacKinnon, D. P., Fairchild, A. J., and Fritz, M. S. (2007). Mediation Analysis. Annual Review of Psychology,
58(1) :593. - Stock, J. H. and Watson, M. (2014). Principes d’économétrie. Pearson, Paris, 3rd edition.
Prérequis
Afin d’aborder ce cours dans de bonnes conditions, les étudiants doivent impérativement maîtriser diverses notions de bases en statistiques et en économétrie. Ils peuvent auto-évaluer leurs compétences en réalisant ce test en ligne.
En cas de résultats insuffisants, il est très vivement conseillé de procéder à une auto-formation, au moyen des ressources suivantes :
- Révisions. Statistiques descriptives (cours en ligne) : Décrivez et nettoyez votre jeu de données
- Révisions. Inférence statistique (cours en ligne) : Initiez vous à la statistique inférentielle
- Économétrie. Stock, J. H. et Watson, M. (2014). Principes d’économétrie, Pearson, Paris, chapitre 1 [disponible en ligne]. Manuel complet disponible à la BU des Grands Moulins : 330.4 STO.
![]() |
TODO
TODO
UE8 : Ouverture
Un enseignement au choix parmi Alter’Actions, Sport, Engagement étudiant, UE libre
UE9 : Mémoire d’études
TODO