Finance / Economie / Banque / Assurance
Master | Contrat d'apprentissage | RNCP 34294
Master Econométrie-Statistique Parcours Modélisations Statistiques Economiques et Financières (M_MOSEF)
PRÉSENTATION
Présentation de la formation
Former les futurs Data Scientists, Data Analysts Architectes Big Data, capables de mettre en adéquation les enjeux de la data au service des besoins du secteur de la banque, de l'assurance et de l'entreprise.
Le master MoSEF Data Science permet d'acquérir des compétences transversales indispensables. En effet, hormis le prérequis technique, les candidats doivent être spécialistes dans les métiers de l'entreprise pour comprendre les besoins spécifiques du secteur de la finance, de l'assurance.
Les différents modules seront :
- Machine Learning et Apprentissage Statistiques ;
- Langages de Programmation ;
- Big Data, Data mining et visualisation des données ;
- Gestion de base de données ;
- Économétrie et Statistiques.
En termes de savoir-faire et compétences, l'étudiant saura :
- Travailler sur un environnement BIG DATA (Cloud avec Microsoft Azure, Hadoop, Spark, Splunk), Parsing de fichiers json, csv, txt., Web scraping...
- Traiter et analyser les extractions de bases de données (y compris celles non structurées) via toutes les techniques statistiques et de datamining
- Maîtriser divers outils analytiques et de programmation : Scala, Python, JAVA, R, SAS, linux...
- Acquérir les compétences nécessaires en analyses de risques, en CRM analytics, en finances quantitatives et en économétrie financière
Partenariats:
- SAS
- Nexialog
- Aurexia
- Data Scientest
- Microsoft France
- EKIMETRICS
- OAK BRANCH
- KMPG
- ESTIA
- L'Olivier Assurance
- BNP Paribas
Métiers visés
- Data Scientist
- Data Consultant
- Big Data analyst
- Data Mining analyst
- Data Manager
- Analyste Connaissance Client
- Business Intelligence Analyst
- Consultant statisticien
- Analyste marketing relationnel
- Chargé d’études en statistiques et informatique décisionnelles
Rythme d’alternance
Durée totale de la formation
12 mois à partir de Septembre
Période de cours
De septembre à mi avril : 2 à 3 jours par semaine cours à l'université et 2 à 3 jours en entreprise .
D'avril à Septembre : 100% Apprentissage en Entreprise.
Dates de la formation et volume horaire
- 2ème année : 04/09/2023 > 10/09/2024 (1060 heures)
- Durée : 2 ans
- Nombre d’heures : 1060h
UNIVERSITE/ECOLE
Adresse administrative Composante
Université Paris 1 Panthéon - Sorbonne
12, place du Panthéon
75005 PARIS
Accès aux personnes à mobilité réduite
ADMISSION
Conditions d’admission
Pré-requis :
Les postulants doivent :
- soit être titulaires d'un Master 1 en économétrie, économie ou mathématiques appliquées en sciences sociales, ou équivalent, Ingénieurs, Grandes Ecoles, M1 MASS, M1 Ingénierie mathématique, M1 économétrie et statistiques.
- soit justifier d'une des validations prévues aux articles L613-3 (validation d'études accomplies en France ou à l'étranger), L613-4 et L613-5 (VAP) du code de l'éducation.
Modalités de candidature
Les candidats sont invités à déposer leur dossier de candidature sur le site E-candidat de l'université.
CONTACTS
Vos référents FORMASUP PARIS IDF
Fabienne HETZEL
contact@formasup-paris.com
Chamilah ILIASSE
Pour les publics en situation de handicap (RQTH ou non) : consultez notre page Alternance et Handicap
Vos contacts « École/Université »
Contact
m2mosef.ees@univ-paris1.fr
01 44 07 88 46
KAFFEL Rania
rania.kaffel@univ-paris1.fr
06 74 65 34 13
LADJYN Marie-Michèle
m2tide.ees@univ-paris1.fr
01 44 07 88 46
PROGRAMME
Direction et équipe pédagogique
Direction de la formation
- Madame Rania HENTATI KAFFEL, Directrice de la formation
- Module programmation :
Programmation SAS , Jerome Mollier
Python , Pierre-Arthur Claudé
Python Avancé, Hager Oueslati
MLops, Guillame Hochard
Devops, Marcel Elia Rahari
- Module Apprentissage Statistique & Data Science
Machine Learning et Projet Machine Learning, Edouard. Duchesnay
Deep learning, Roman Yurchak
Series tempprelles, Florian Ielpo
Modèles de prévision et Deep learning, Guillame Hochard
Machine Learning avancé, Gregory Futhazar
- Module Données & Big Data
Data Visualisation, Jerome Mollier
Data Mining, Amed Coulibaly
Scoring, Ibrahim Touré
Système d'exploitation (Linux), Marcel Elia Rahari
Systèmes répartis (Hadoop, spark, …), Antoine Monino
Gestion de bases de données multidimensionnelles et Architecture, Ibrahim Diattara
Traitement des données avancées avec Spark Scala, Bachir Sylla
- Module Business Expertise
Finance Quantitative , Rania Hentati Kaffel
Économétrie Financière, Chafic Merhy
CRM Analytics
Derivatives, Rania Hentati Kaffel
Modélisation risque de crédit, Aryan Razagui & Ranya Amahzoune
Programme détaillé de la formation
- Remise à niveau (SAS, Python..)
- Python
- Machine Learning et Projet Machine Learning
- Deep learning
- Modèles de prévision et Deep learning
- Series tempprelles
- Challenges Hackathon
- Séminaires professionnels
- Certifications Professionnelles
- Insertion professionnelle/Stage/Mémoire
- Machine Learning avancé
- Data Visualisation
- Data Mining
- Scoring
- Système d'exploitation (Linux),
- Systèmes répartis (Hadoop, spark, …)
- Gestion de bases de données multidimensionnelles et Architecture
- Traitement des données avancées avec Spark Scala
- Finance Quantitative
- Modélisation risque de crédit
Modalités pédagogiques
- Cours mêlant apports théoriques et pratiques
- Projets par petits groupes
- Projet individuel tutoré
- Séminaires professionnels
- Journée data & Voyage d'études
- Challenges et Hackaton
- Certificats à valider et cours en ligne
- Alternance
Contrôle des connaissances
- Toutes les évaluations se font sous forme de projets pratiques
- Rendus de dossiers
- Sessions d'examens
- Soutenances
Diplôme délivré
Diplôme de Master. Domaine Droit, économie et gestion ; Mention Econométrie, statistiques ; Parcours Modélisations Statistiques Economiques et Financières (MOSEF Data Science). Diplôme national de niveau 7 du Ministère de l'Enseignement supérieur, de la Recherche et de l'Innovation délivré par l'université Paris 1 Panthéon-Sorbonne.
COMPÉTENCES
- Utilisation intense de langages et de logiciels de traitement de données
- Analyser des données massives - Big data, réaliser un modèle de prévision et mettre en place des outils d'aide à la décision (Outils de Business Intelligence)
- Analyse des données (financière, statistiques) et restitution en une information opérationnelle et stratégique d'aide à la décision pour l'entreprise
- Élaboration de diagnostics et de préconisation
- Assister une structure dans l'interprétation et l'analyse d'une étude via des analyses multivariés à partir de données structurés et non structurés
- Participation aux projets de développement intégrant des méthodes de Machine Learning ;
- Concevoir des modèles de détection des insights consommateurs
- Veille technologique et juridique sur l'usage des big data
- Assurer le développement d'outils, notamment de visualisation des données, pour optimiser l'utilisation et la diffusion des données.
- Participation aux projets transverses avec la DSI
Prétraiter et analyser des données structurées pour répondre à un problème métier
- - Effectuer une analyse statistique univariée & multivariée à partir de données structurées et nettoyées.
- - Participation aux projets techniques et commerciaux en lien avec le ciblage Data (DMP, scoring, profiling, retargeting etc.).
- - Elaboration d'études clients (validation de la méthodologie, présentation des résultats et élaboration de la synthèse) afin de mettre en lumière les enseignements clés (tendances, opportunités) selon les différentes problématiques stratégiques de l'entreprise.
Déployer un modèle d'apprentissage automatique à l'échelle en utilisant les technologies du Big data
- - Participer à la définition de la stratégie optimale de données (structuration, processus, achats de données externes), et à sa mise en place dans les outils de Business Intelligence.
- - Prétraiter, analyser et modéliser des donnés dans un environnement Big data en utilisant les outils du Cloud.
- - Sélectionner, transformer et créer les variables pertinentes pour la modélisation (feature engineering).
Présenter et déployer un modèle d'apprentissage automatique auprès de ses utilisateurs finaux
- - Production de KPI et de reportings industrialisés sur la fidélisation clients.
- - Réalisation d'études (scoring, projections de churn, etc.).
- - Réaliser un tableau de bord (dashboard) pour présenter son travail de modélisation.
Appui à la transformation Digitale en contexte professionnel
- - Détecter les smart data (génératrices de valeur) de l'entreprise pour identifier les fondements de la stratégie digitale et data science.
- - Suivre les projets d'implémentation de nouveaux systèmes, en particulier sous l'angle des données, afin de défendre de manière opiniâtre l'amélioration de ces données.
- - Créer des datamarts détaillés et automatisée.