La spécialisation Applied Data Science en bref
- Campus
- Paris
- Semestre
- Spring
- Langue
- Anglais
- Professeur directeur
- Mostafa Rezaei
La spécialisation Applied Data Science de l'ESCP apprend à utiliser les données pour produire des analyses utiles à l'entreprise. Son syllabus part d'un constat : les technologies de collecte et de traitement des données progressent très vite, et les entreprises de toutes tailles et de tous secteurs recherchent des professionnels du business à l'aise avec les données.
Enseignée en anglais à Paris, elle met l'accent sur l'application des méthodes à toutes les disciplines de la gestion, avec une boîte à outils complète : programmation, statistiques, modélisation, visualisation, aide à la décision et machine learning. Elle se termine par un projet de recherche appliquée sous forme de hackathon.
Pour l'entretien ESCP, c'est un choix solide si vous voulez faire le lien entre les équipes métier et les équipes techniques, à condition de montrer un premier goût réel pour les données.
Qu'est-ce que la spécialisation Applied Data Science de l'ESCP ?
La spécialisation compte huit cours, tous réservés à ses étudiants. Les premiers posent les bases : programmation en Python et en R, apprentissage statistique, modélisation des données et des systèmes d'information. Les suivants élargissent la boîte à outils, avec la modélisation analytique, la visualisation de données et les modèles d'aide à la décision.
Le cours d'introduction au machine learning approfondit les méthodes les plus avancées, et le projet final les met en pratique sur un problème réel. Le syllabus résume l'ambition : comprendre en profondeur les méthodes qui libèrent la valeur contenue dans les données.
Un hackathon final devant des entreprises partenaires
La spécialisation se termine par l'Applied Data Science Research Project, un défi de données mené en équipe. Les étudiants y travaillent pour les partenaires d'un hackathon, avec un objectif clair : créer de la valeur, économique et sociale, en appliquant leurs compétences business et techniques à des cas réels.
À la fin du projet, chaque équipe présente ses résultats devant un jury composé de professeurs de l'ESCP, de partenaires technologiques et d'entreprises partenaires, sous forme de prototypes, de solutions techniques ou de nouveaux usages. Les partenaires peuvent changer d'une année à l'autre.
Pour l'entretien, c'est un argument concret : vous montrerez que vous voulez apprendre la data science en la confrontant à de vrais commanditaires.
À quels profils / projets professionnels cette spécialisation peut servir pour l'entretien ESCP ?
Les débouchés les plus directs sont les métiers d'analyste : data analyst, business analyst, consultant en analytics ou chargé d'études quantitatives. Introduction to Python and R, Statistical Learning et Analytical Modeling vous donnent les méthodes, et Big Data Visualisation l'art de présenter des résultats à des décideurs.
Pour un projet en opérations, en supply chain ou en conseil, Data-driven Decision Making apporte les modèles d'optimisation et de simulation utilisés pour la production, les stocks ou la planification aérienne. Les profils plus techniques trouveront dans Introduction to Machine Learning une approche très pratique, jusqu'à la mise en production des modèles.
À l'entretien de personnalité, ne vous contentez pas de dire que « la data est l'avenir ». Racontez un projet réel, même modeste (une analyse Excel en stage, un notebook Python, un concours en ligne), et dites ce qu'il vous a appris : la spécialisation Applied Data Science ESCP prendra le relais.
Quels sont les cours de la spécialisation Applied Data Science ?
Les principaux cours présentés ci-dessous donnent un aperçu non exhaustif des enseignements proposés dans la spécialisation.
Non exhaustif
Introduction to Python and R
Yacine Rekik
Formuler une question business à partir des données, mener un projet d'analyse et proposer une solution qui aide la décision : ce cours pose les bases du processus d'analyse en Python et en R. Il présente les sources de données en ligne et les données d'entreprise, les modèles prédictifs, ainsi que les notions de causalité et de conception d'expériences en ligne.
Les séances alternent environnement de programmation, préparation et manipulation des données, et cas d'application, par exemple de classification.
Statistical Learning
Nabil Kahale
Nabil Kahale présente les outils modernes de l'apprentissage statistique et leurs applications d'inférence et de prédiction dans plusieurs disciplines de la gestion. Les étudiants analysent des données réelles avec Excel et Stata, et apprennent à savoir quand et quel outil appliquer.
Le programme va de la régression linéaire simple et multiple aux tests d'hypothèses, puis à la classification (régression logistique, k plus proches voisins, analyse discriminante, maximum de vraisemblance) et à la sélection de modèles, avec la validation croisée et la régularisation (ridge, lasso). Le cours insiste aussi sur la capacité à présenter des résultats statistiques à un public non spécialiste.
Data Modeling
Vincent Lawson
Les entreprises ont besoin de systèmes d'information pour soutenir leurs processus, qu'elles les développent sur mesure ou qu'elles achètent des solutions existantes. Data Modeling enseigne les bases de l'analyse et de la conception de systèmes, pour comprendre les besoins précis d'une entreprise et livrer une solution adaptée.
Le cours présente le cycle de vie du développement des systèmes, les différentes sources de logiciels (sociétés de services informatiques, progiciels, ERP, cloud, open source, développement interne) et la façon de choisir entre elles, puis le lancement et la planification d'un projet.
Analytical Modeling
Yaqiu Li
L'objectif est double : savoir lire une étude analytique avec un œil critique, puis mener ses propres analyses. Une partie en laboratoire apprend à utiliser R.
Le cours couvre la régression standard et non paramétrique, les k-moyennes et les k plus proches voisins, l'analyse du panier d'achat et les règles d'association, l'analyse de sentiment, l'analyse ROC, l'analyse factorielle et les données de réseau.
Big Data Visualisation
Marwan Elkhalil et Olivier Leroy
Comme Excel au début des années 1990, les outils de data visualisation comme Tableau, QlikSense ou Power BI se diffusent dans toutes les entreprises : même un non-spécialiste peut y trouver des enseignements dans ses données. Le cours apprend les notions de base (dimensions et indicateurs, données discrètes et continues, graphiques courants) et la création d'indicateurs de décision à partir de données brutes.
La pratique se fait sur Tableau : connexion aux données, graphiques, tableaux de bord et « story points », champs calculés et cartes.
Data-driven Decision Making
Hamed Jalali
Comment un manager peut-il appliquer des modèles de décision pour améliorer ses choix ? Très orienté vers l'application et appuyé sur des logiciels, ce cours traite de la programmation linéaire et de l'analyse de sensibilité, des modèles de transport, d'affectation et de réseau, de l'analyse de décision et de la simulation.
Ces méthodes s'appliquent largement dans l'industrie : supply chain, optimisation de la production, gestion des stocks ou planification des vols et des aéroports.
Introduction to Machine Learning
Tobias Laemmle
Le cours propose une approche pratique du machine learning et de la data science, sur des jeux de données réels : préparation des données, sélection et évaluation des modèles, SVM, forêts aléatoires, gradient boosting et réseaux de neurones.
Le programme couvre aussi les données déséquilibrées, l'interprétation des modèles, la réduction de dimension, le clustering, le traitement du texte (modèles de sujets, représentations vectorielles des mots) et les séries temporelles. Il aborde enfin les outils et les pratiques de développement qui servent à mettre un modèle en production.
Applied Data Science Research Project
Hao Zhong
Le projet final applique l'ensemble de la spécialisation à un défi de données mené pour les partenaires d'un hackathon. Les équipes collectent et organisent les données, repèrent des tendances par la visualisation, l'analyse statistique et le data mining, puis proposent des solutions.
Elles présentent leurs résultats devant un jury de professeurs, de partenaires technologiques et d'entreprises partenaires.
Comment se déroule la spécialisation ?
La spécialisation associe cours, études de cas, exercices et travaux individuels et collectifs. Selon les cours, vous rencontrerez :
- Des cours et des études de cas
- Des séances pratiques sur Python, R, Stata, Excel et Tableau
- Des exercices sur des jeux de données réels
- Des projets de groupe
- Un hackathon final devant un jury d'entreprises
À l'entretien ESCP, ce dispositif vous aide à montrer que vous voulez apprendre la data science en la pratiquant plutôt qu'en l'écoutant.
Quelles compétences développe-t-on ?
Vous apprendrez à formuler une question business à partir des données, à préparer et analyser ces données en Python et en R, et à choisir la bonne méthode, de la régression au machine learning. Vous saurez aussi bâtir un modèle d'optimisation ou de simulation pour éclairer une décision.
Côté restitution, vous saurez construire un tableau de bord et présenter des résultats statistiques à un public non spécialiste, une compétence très utile pour faire le lien entre data et management.
Le jour de l'entretien de personnalité, ces compétences rendent votre projet crédible : vous pourrez dire quels outils vous maîtriserez et à quels problèmes vous comptez les appliquer.
Professeurs notables de la spécialisation
Mostafa Rezaei
Professeur directeur de la spécialisation
Mostafa Rezaei est Assistant Professor of Operations Management and Information Systems à l'ESCP Business School. Docteur en systèmes d'information et opérations de l'University of Alberta, il enseigne le business analytics, le machine learning et le big data.
Ses recherches analysent empiriquement des questions d'opérations, en particulier dans la santé et la gestion des feux de forêt. Il a par exemple publié en 2024 dans Health Care Management Science un article sur les prévisions utiles à la planification des services médicaux d'urgence, et en 2020 un article dans MIS Quarterly.
Pour l'entretien ESCP
Ses travaux appliquent les données à des services très concrets, comme les urgences médicales. Si votre projet a une dimension sociale ou publique, dites-le à l'entretien : la data science n'est pas réservée au marketing ou à la finance.
Pour aller plus loin
Hao Zhong
Professeur du cours Applied Data Science Research Project
Hao Zhong est Associate Professor of Business Analytics à l'ESCP Business School, où il codirige le MSc in Business Analytics & AI. Docteur de Rutgers University, il a d'abord été cofondateur et Chief Data Scientist d'une start-up FinTech en Chine, rachetée depuis par Duxiaoman Financial (groupe Baidu).
Ses recherches portent sur le data mining, le machine learning et le capital-risque, et il a reçu en 2024 le prix d'excellence pédagogique de l'ESCP pour un jeune enseignant.
Pour l'entretien ESCP
Son parcours d'entrepreneur de la donnée parle aux candidats qui hésitent entre data et entrepreneuriat. Si c'est votre cas, préparez une idée de produit fondé sur les données et dites quelles compétences il vous manque pour la réaliser.
Pour aller plus loin
Nabil Kahale
Professeur du cours Statistical Learning
Nabil Kahale est Associate Professor of Finance à l'ESCP Business School. Avant de rejoindre l'école, il a mené des recherches en informatique théorique, puis travaillé dans les produits dérivés et la gestion des risques.
Spécialiste des méthodes de Monte-Carlo, de l'optimisation et du machine learning, il publie dans des revues comme Management Science ou Mathematics of Operations Research.
Pour l'entretien ESCP
Son cours insiste sur un point que les jurys apprécient : savoir expliquer un résultat statistique à quelqu'un qui n'est pas statisticien. Entraînez-vous à présenter en une minute une analyse que vous avez faite, sans jargon.
Pour aller plus loin
Pourquoi choisir la spécialisation Applied Data Science et en parler pendant son entretien ESCP ?
Applied Data Science donne une boîte à outils complète, de la programmation au machine learning, avec un souci constant de l'application business et un hackathon final devant des entreprises. Elle convient aux candidats qui veulent travailler avec les données sans quitter le terrain de la gestion.
À l'entretien ESCP, montrez votre premier contact réel avec les données, puis expliquez ce que la spécialisation vous apportera pour passer à l'échelle supérieure.
Exemple : « En stage, j'ai automatisé un reporting sous Excel et j'ai compris tout ce qu'on pouvait tirer de données bien organisées. Avec Introduction to Machine Learning et Data-driven Decision Making, je veux apprendre à construire des modèles qui aident vraiment à décider, avant de rejoindre une équipe d'analytics dans le conseil. Le hackathon final sera mon premier vrai test. »
