Introduction à l'analyse de contenu qualitative : Voyage au pays du qualitatif
|
|
- Aurélie Truchon
- il y a 8 ans
- Total affichages :
Transcription
1 1 Introduction à l'analyse de contenu qualitative : Voyage au pays du qualitatif Narration pour présentation Prezi ( Plan 1 : introduction capsule La présente capsule se veut une introduction rapide sur une méthode d'analyse de données textuelles, soit l'analyse de contenu qualitative. Après le voyage au pays du quantitatif de la capsule précédente, celle-ci vous fera découvrir le paysage de l'analyse qualitative. Il est suggéré d'écouter cette présentation avant de plonger dans les notes de cours détaillées sur l'analyse qualitative. Il est à noter que l analyse de contenu qualitative sera mise en pratique dans le cadre de la partie 2 du Travail 2. Plan 2 : Introduction analyse de données textuelles Au cours de la vie d un chercheur, il est possible que les instruments de collecte retenus amènent sur son bureau des données textuelles, en particulier en texte libre, que ce soit des données provenant de questions ouvertes dans un document, des transcriptions d entrevue en profondeur qu il a menées, des corpus textuels qu il veut analyser. Il doit alors choisir une
2 2 méthode d analyse de données textuelles en fonction des caractéristiques des données et du type de résultats qu il recherche. Plan 3 : Objectif de l analyse de données textuelles Comme pour tout processus d analyse, l objectif de l analyse des données textuelles en est un de synthèse. Le défi est d arriver à synthétiser l essence des mots, des idées, du sens compris dans les données textuelles et ce pour apporter des réponses aux questionnements à la base de sa recherche. Plan 4 : Exemples de méthodes d analyse textuelle En fonction du volume de données ainsi que de l objectif de sa recherche, le chercheur a à sa portée différentes méthodes pour faire du sens de données textuelles. Il y a d une part des méthodes manuelles comme l analyse de discours et l analyse de contenu. Et, d autre part, des méthodes automatisées ou semi-automatisées comme la fouille de texte
3 3 Plan 5 : Exemples de méthodes d analyse textuelle (suite) L analyse de contenu qualitative consiste à associer manuellement à des segments de données textuelles des codes représentant les concepts pertinents à la recherche. L analyse de discours, quant à elle, consiste aussi en un exercice de codage manuel, mais qui vise plus particulièrement à étudier la manière dont les objets ou les idées sont présentés dans le discours ainsi que leurs effets. Finalement, la fouille de textes consiste à extraire des connaissances de données textuelles à l aide de techniques d intelligence artificielle et d analyses statistiques. Plan 6 : Analyse de contenu qualitative Introduction Portons maintenant notre regard plus particulièrement sur l analyse de transcriptions d entrevue pour mettre en exergue les grandes lignes du [Autre plan] processus d analyse de contenu qualitative. [Autre plan]. En quoi consiste exactement le travail du chercheur?
4 4 Plan 7 : Contenu manifeste Parmi les premières décisions qu il doit prendre, il doit décider de ce qu il codera. S en tiendra-til uniquement au contenu manifeste, aussi appelé contenu de surface, c est-à-dire au mot tel que prononcé par les répondants sans aucune interprétation de sa part? Plan 8 : Contenu latent Ou se permettra-t-il de s intéresser au contenu latent ou, en d autres mots, de lire entre les lignes et de se permettre d interpréter les paroles des répondants entre autres en fonction du contexte et de la connaissance que le chercheur a développée du milieu étudié? Le contenu latent est potentiellement plus riche que le contenu de surface, comme par l interprétation, le chercheur peut au-delà du premier niveau des mots prononcés pour atteindre un deuxième niveau de contextualisation des paroles des répondants. Plan 9 : Danger du contenu latent Ceci n est toutefois pas sans danger comme, si le chercheur se permet d interpréter les mots des répondants, les résultats obtenus seront plus difficiles à répliquer. Il peut introduire potentiellement un biais et ainsi amoindrir la qualité de sa recherche s il ne fait pas attention.
5 5 Car, en analyse qualitative comme en analyse quantitative, le chercheur doit prendre tous les moyens nécessaires pour démontrer la qualité de sa recherche. Plan 10 : Qualité de la recherche En analyse de contenu qualitative, la qualité de l analyse se vérifie au niveau de la stabilité du codage effectué des données. [Autre plan] Stabilité dans le temps, c est-à-dire qu une même personne qui code les données à deux moments différents assez distants dans le temps pour avoir oublié le premier codage doit arriver à un taux d accord satisfaisant, c est-à-dire qu elle doit recoder le plus possible de la même manière. C est ce que l on appelle un test intra-codeur. On y vise habituellement des taux assez élevés d accord comme, par exemple, 90 %. Le test intra-codeur ne se fait pas sur l ensemble des données, mais une certaine proportion (10 % par exemple). [Autre plan] En sus de la stabilité dans le temps, on vise aussi une certaine stabilité entre les chercheurs. C est-à-dire que l on désire que deux personnes différentes qui codent le même ensemble de données avec le même ensemble de codes arrivent à un taux d accord satisfaisant. On veut ainsi démontrer que les résultats obtenus ne sont pas uniquement le fruit de l imagination du chercheur, mais que d autres, avec le même appareillage, peuvent aussi y arriver. On parle alors de tests inter-codeurs. Ici, on vise habituellement des taux d accord un peu moins grands que pour les tests-intracodeurs, comme il est plus difficile pour deux personnes différentes d arriver de manière aussi précise à être en accord. 80 % d accord par exemple est acceptable. Tout comme les tests-intracodeurs, on ne fera pas les tests sur l ensemble des données, mais sur un sous-ensemble de ces dernières (10 % par exemple). On comprendra que les tests-intercodeurs sont particulièrement vulnérables au codage du contenu latent. Si on se permet d interpréter les données dans le codage, il est plus difficile de s assurer que deux personnes différentes interprètent de la même manière. Une manière d essayer de renforcer l accord inter-codeurs est de bien documenter les codes définis, d en donner des définitions précises, des exemples d application, pour essayer d expliciter le plus possible les paramètres d interprétation du chercheur. Il arrive parfois que l on doive faire plus
6 6 d un test inter-codeur, chaque test permettant, par la verbalisation des codeurs et l explicitation des différences dans le codage, de raffiner et préciser l ensemble de codes utilisés. Dans certains contextes où la prise en compte du contexte dans le codage pour l interprétation des données est grande, on peut même parfois ne pas faire de tests intercodeurs car la différence est alors trop grande entre le chercheur qui a été en immersion dans la collecte des données et qui a développé une compréhension en profondeur du contexte et un deuxième codeur qui n aurait pas participé à la collecte. La part du contexte est alors si grande dans l interprétation et le codage qu il est très difficile d arriver à des taux d accord élevés. Plan 11 : Processus de codage Le processus de codage de l analyse de contenu qualitative peut se faire de différentes manières. Une manière intéressante de procéder, entre autres pour des entrevues en profondeur, est de commencer par un premier grand découpage par rapport aux thématiques abordées, ce que certains appellent l organisation des données. Les thématiques seront ainsi les catégories utilisées. Imaginons par exemple des entrevues avec des professionnels de l information en charge de SIW. Nous pourrions retrouver comme catégories les tâches. Donc chaque extrait des données où un répondant parle de ses tâches se verra associé la catégorie tâche. Une fois ce découpage fait, la deuxième étape consiste à analyser les données de chacune des catégories pour en extraire les différentes variantes, ce que l on appelle les valeurs de catégorie. Si nous reprenons notre exemple, l analyse de tous les segments codés avec la catégorie tâches nous permettrait de préciser les tâches dont il est question. Nous aurions comme valeurs de catégories, par exemple, l élaboration de la politique éditoriale, la programmation de page Web dynamique, la mise à jour de contenu, etc. Il est à noter que certains éléments des données peuvent ne pas être codés s ils ne portent pas sur des thèmes pertinents à nos questions de recherche. Il faut apprendre, en quelque sorte, à
7 7 faire le deuil des éléments non pertinents qui, dans le contexte entre autres d entrevues semistructurées plus ouvertes, ne sont pas rares. Plan 12 : Arbre de codage Une question légitime à se poser est d où vient l arbre de codage, c est-à-dire l ensemble des codes les catégories et les valeurs de catégories que le chercheur utilise pour analyser ses données. En fait, ces codes peuvent potentiellement provenir de deux sources. [Autre plan] Dans un premier temps, le chercheur peut prédéfinir des codes de manière déductive à partir de son cadre de référence. Si nous reprenons l exemple utilisé précédemment, le chercheur aurait pu avoir dans son cadre de référence un ensemble de tâches endossées par les professionnels de l information provenant d études empiriques antérieures. Dans une recherche où il n y a pas de cadre de référence, il n y aurait ainsi pas de codes développés de manière déductive. [Autre plan] Dans un deuxième temps, et c est ici la source principale des codes, ces codes seront développés de manière inductive à partir des données qui viendront ici enrichir, s il y en a, les codes déduits du cadre de référence. Dans une approche qualitative où le chercheur alterne la collecte et l analyse et où il procède par un échantillon théorique, il continuera sa collecte et son analyse jusqu à la saturation de ses codes, c est-à-dire jusqu à ce que l ajout de nouvelles données ne vienne pas ajouter de nouveaux codes.
8 8 Plan 13 : Logiciel d analyse qualitative Tel que mentionné précédemment, l analyse de contenu qualitative est un processus manuel, le chercheur codant lui-même ses données. Il peut le faire sur papier, bien entendu, mais il peut aussi profiter de l aide d un logiciel d analyse qualitative. Plusieurs logiciels de ce type existent. Mentionnons par exemple Atlas/TI, QDA Miner, NVivo, Qualrus ou HyperResearch. Tous ont en commun à peu de choses près, le fait qu on puisse y développer un arbre de codage et par la suite appliquer ces codes aux données. Leurs différences résident en fait surtout dans leur capacité par la suite à traiter les codes attribués. Au-delà de pouvoir les visualiser à même le texte, un outil comme QDA Miner qui sera celui utilisé pour le Travail 2 permet de calculer par exemple la fréquence des codes dans les données, permet de croiser certains codes (par exemple pour voir le nombre de fois que deux codes sont attribués au même segment de texte). Ceci termine l introduction rapide à l analyse de contenu qualitative. La lecture des notes de cours vous permettra de découvrir plus en profondeur ce type d analyse tandis que le Travail 2 vous permettra, par l expérimentation de cette technique, d en découvrir le potentiel en général et, plus particulièrement, pour votre projet doctoral.
EXAMEN CRITIQUE D UN DOSSIER TECHNIQUE
EXAMEN CRITIQUE D UN DOSSIER TECHNIQUE (Préparation : 5 heures -- Exposé et Questions : 1 heure) Rapport établi par : P.J. BARRE, E. JEAY, D. MARQUIS, P. RAY, A. THIMJO 1. PRESENTATION DE L EPREUVE 1.1.
Plus en détailIl y a trois types principaux d analyse des résultats : l analyse descriptive, l analyse explicative et l analyse compréhensive.
L ANALYSE ET L INTERPRÉTATION DES RÉSULTATS Une fois les résultats d une investigation recueillis, on doit les mettre en perspective en les reliant au problème étudié et à l hypothèse formulée au départ:
Plus en détailARIANE. Terrains, techniques et compétences méthodologiques en sciences sociales. Mars 2014
ARIANE Terrains, techniques et compétences méthodologiques en sciences sociales Le nom que s est choisi le groupe, ARIANE, associe des références du passé et du présent, illustrant le cheminement dans
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailInstrumentation de la recherche en Education : analyse épistémologique de quelques logiciels d aide à l analyse d enregistrements vidéos
Instrumentation de la recherche en Education : analyse épistémologique de quelques logiciels d aide à l analyse d enregistrements vidéos Laurent Veillard UMR ICAR (CNRS, Université Lyon 2, ENS de lyon)
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailEvaluation des enseignements par les étudiants : que nous disent les commentaires écrits des étudiants?
Evaluation des enseignements par les étudiants : que nous disent les commentaires écrits des étudiants? Marie Bocquillon Université de Mons, Institut d Administration scolaire marie.bocquillon@umons.ac.be,
Plus en détailLIVRE BLANC Décembre 2014
PARSING MATCHING EQUALITY SEARCH LIVRE BLANC Décembre 2014 Introduction L analyse des tendances du marché de l emploi correspond à l évidence à une nécessité, surtout en période de tension comme depuis
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailTUTORIEL Qualit Eval. Introduction :
TUTORIEL Qualit Eval Introduction : Qualit Eval est à la fois un logiciel et un référentiel d évaluation de la qualité des prestations en établissements pour Personnes Agées. Notre outil a été spécifiquement
Plus en détailsentée e et soutenue publiquement pour le Doctorat de l Universitl
Du rôle des signaux faibles sur la reconfiguration des processus de la chaîne de valeur de l organisation : l exemple d une centrale d achats de la grande distribution française Thèse présent sentée e
Plus en détailAssociation pour la recherche qualitative
Guide d introduction au logiciel QSR NVivo 7 par Frédéric Deschenaux, Ph. D. Professeur à l Université du Québec à Rimouski Formateur accrédité par QSR International Association pour la recherche qualitative
Plus en détailSynthèse «Le Plus Grand Produit»
Introduction et Objectifs Synthèse «Le Plus Grand Produit» Le document suivant est extrait d un ensemble de ressources plus vastes construites par un groupe de recherche INRP-IREM-IUFM-LEPS. La problématique
Plus en détailCustomer Intelligence
Customer Intelligence Prenez le lead sur les données consommateur Partenaire Développement commercial Les 3 principaux challenges selon les Directions Marketing #1 Prise en compte du digital dans la relation
Plus en détailRapport d évaluation du master
Section des Formations et des diplômes Rapport d évaluation du master Droits de l'homme de l Université de Strasbourg Vague C 2013-2017 Campagne d évaluation 2011-2012 Section des Formations et des diplômes
Plus en détailTitle Text. Outil intégré de collecte, d'analyse et de visualisation de données de mobilité
Title Text Outil intégré de collecte, d'analyse et de visualisation de données de mobilité Contenu de la présentation Schéma général et avancement Suivi et administration Validation des entrevues Enrichissement
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailCe que doit inclure un projet de mémoire ou de thèse
Rachad ANTONIUS Sociologue, professeur, Département de sociologie, UQÀM (2007) Ce que doit inclure un projet de mémoire ou de thèse VERSION DU 26 JUILLET 2007 Un document produit en version numérique par
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailLE PROBLÈME DE RECHERCHE ET LA PROBLÉMATIQUE
LE PROBLÈME DE RECHERCHE ET LA PROBLÉMATIQUE Un problème de recherche est l écart qui existe entre ce que nous savons et ce que nous voudrions savoir à propos d un phénomène donné. Tout problème de recherche
Plus en détailANNEXE 4. Réaliser un diagnostic de sécurité Principales méthodes de collecte d information. (Module 3, partie I, section 2.5)
ANNEXE 4 Réaliser un diagnostic de sécurité Principales méthodes de collecte d information (Module 3, partie I, section 2.5) Dans les pages qui suivent, nous présentons neuf méthodes de collecte d information.
Plus en détailÉVALUATION DES CONSEILS D ADMINISTRATION/SURVEILLANCE : UN RETOUR D EXPÉRIENCE TRÈS POSITIF DES ADMINISTRATEURS
ÉVALUATION DES CONSEILS D ADMINISTRATION/SURVEILLANCE : UN RETOUR D EXPÉRIENCE TRÈS POSITIF DES ADMINISTRATEURS REGARDS CROISÉS DES ACTEURS DE LA GOUVERNANCE Administrateurs Présidents de conseil d administration/surveillance
Plus en détailStages de recherche dans les formations d'ingénieur. Víctor Gómez Frías. École des Ponts ParisTech, Champs-sur-Marne, France
Stages de recherche dans les formations d'ingénieur Víctor Gómez Frías École des Ponts ParisTech, Champs-sur-Marne, France victor.gomez-frias@enpc.fr Résumé Les méthodes de l ingénierie ont été généralement
Plus en détailLA CONDUITE D UNE MISSION D AUDIT INTERNE
1 LA CONDUITE D UNE MISSION D AUDIT INTERNE Toute mission d Audit est réalisée en trois étapes essentielles: 1 ère étape : La préparation de la mission 2 ème étape : La réalisation de la mission 3 ème
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détaild évaluation Objectifs Processus d élaboration
Présentation du Programme pancanadien d évaluation Le Programme pancanadien d évaluation (PPCE) représente le plus récent engagement du Conseil des ministres de l Éducation du Canada (CMEC) pour renseigner
Plus en détailPROGRAMME DE CRÉATION ET INNOVATION TECHNOLOGIQUES EN CLASSE DE SECONDE GÉNÉRALE ET TECHNOLOGIQUE Enseignement d exploration
PROGRAMME DE CRÉATION ET INNOVATION TECHNOLOGIQUES EN CLASSE DE SECONDE GÉNÉRALE ET TECHNOLOGIQUE Enseignement d exploration Préambule La société doit faire face à de nouveaux défis pour satisfaire les
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailEuropresse.com. Pour les bibliothèques publiques et de l enseignement. Votre meilleur outil de recherche en ligne. Guide version 1.
Europresse.com Pour les bibliothèques publiques et de l enseignement Votre meilleur outil de recherche en ligne Guide version 1.5 CEDROM-SNi Comprendre la page d accueil 1. Bandeau de navigation 2. Espace
Plus en détailQuels outils pour prévoir?
modeledition SA Quels outils pour prévoir? Les modèles de prévisions sont des outils irremplaçables pour la prise de décision. Pour cela les entreprises ont le choix entre Excel et les outils classiques
Plus en détailRédiger et administrer un questionnaire
Rédiger et administrer un questionnaire Ce document constitue une adaptation, en traduction libre, de deux brochures distinctes : l une produite par l American Statistical Association (Designing a Questionnaire),
Plus en détailLes organismes notifiés et les dispositifs médicaux : du constat aux perspectives
Les organismes notifiés et les dispositifs médicaux : du constat aux perspectives Fabien Roy 1 Dans l Union européenne, les dispositifs médicaux sont gouvernés par trois directives qui sont destinées à
Plus en détailDes données à la connaissance client. A la découverte de la plateforme de connaissance client knowlbox
Des données à la connaissance client A la découverte de la plateforme de connaissance client knowlbox Livre blanc mai 2013 A l heure du Big Data, les entreprises s interrogent davantage sur leurs données.
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
Plus en détailPosition de l ASTEE sur l innovation en matière de services d eau et de déchets
Position de l ASTEE sur l innovation en matière de services d eau et de déchets Les services publics locaux de l environnement : des services discrets mais moteurs de développement Depuis leur mise en
Plus en détailLe patrimoine des ménages retraités : résultats actualisés. Secrétariat général du Conseil d orientation des retraites
CONSEIL D ORIENTATION DES RETRAITES Séance plénière du 08 juillet 2015 à 9 h 30 «Le patrimoine des retraités et l épargne retraite» Document N 2 bis Document de travail, n engage pas le Conseil Le patrimoine
Plus en détailIBM SPSS Direct Marketing
IBM SPSS Statistics 19 IBM SPSS Direct Marketing Comprenez vos clients et renforcez vos campagnes marketing Points clés Avec IBM SPSS Direct Marketing, vous pouvez : Comprendre vos clients de manière plus
Plus en détailISTEX, vers des services innovants d accès à la connaissance
ISTEX, vers des services innovants d accès à la connaissance Synthèse rédigée par Raymond Bérard, directeur de l ABES, à partir du dossier de candidature d ISTEX aux Initiatives d excellence et des réunions
Plus en détailBusiness & High Technology
UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 8 : ID : Informatique Décisionnelle BI : Business Intelligence Sommaire Introduction...
Plus en détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailVERS UN OUTIL PRATIQUE D EVALUATION DE LA PERFORMANCE D UNE MISSION DE SERVICES
Projet Alliances & Services FNCPC VERS UN OUTIL PRATIQUE D EVALUATION DE LA PERFORMANCE D UNE MISSION DE SERVICES Livrable final IAE DE TOULOUSE / CRM - 15 juin 2013 Sandrine Fernez-Walch et Christophe
Plus en détailLe système d accréditation n est pas un système basé sur la conformité à la. de ce fait, il se différencie
Système d accreditation des organismes de formation Origine, objectifs et méthodologie du système d accréditation Carlos Capela Coordinateur du projet INOFOR - Institut pour l innovation dans la formation
Plus en détailBusiness Intelligence avec SQL Server 2012
Editions ENI Business Intelligence avec SQL Server 2012 Maîtrisez les concepts et réalisez un système décisionnel Collection Solutions Informatiques Extrait Alimenter l'entrepôt de données avec SSIS Business
Plus en détailAutonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique
L irrésistible ascension du capitalisme académique 18-19 avril 2013 Autonomie et fragilités de la recherche académique Financements sur projet et reconfigurations du travail scientifique Julien Barrier
Plus en détaile-recrutement : recherche de mots-clés pertinents dans le titre des annonces d emploi
e-recrutement : recherche de mots-clés pertinents dans le titre des annonces d emploi Julie Séguéla 1, 2, Gilbert Saporta 1, Stéphane Le Viet 2 1 Laboratoire Cédric CNAM 292 rue Saint Martin 75141 Paris
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailBaccalauréat professionnel vente (prospection - négociation - suivi de clientèle) RÉFÉRENTIEL DE CERTIFICATION
RÉFÉRENTIEL DE CERTIFICATION 16 I. COMPÉTENCES C1. PROSPECTER C11. Élaborer un projet de prospection C12. Organiser une opération de prospection C13. Réaliser une opération de prospection C14. Analyser
Plus en détailEn route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille moyenne
Présentation du produit SAP s SAP pour les PME SAP BusinessObjects Business Intelligence, édition Edge Objectifs En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille
Plus en détailLa rencontre des mondes virtuels et du web au service de puissantes applications accessibles à tous
Montrer ce qui existe ce qui n existe plus ce qui existera La rencontre des mondes virtuels et du web au service de puissantes applications accessibles à tous la-visite-virtuelle.immersivelab.fr Avec la
Plus en détailInterne Forces Faiblesses Externe Opportunités Menaces
L ANALYSE SWOT 1 Pourquoi utiliser cet outil en évaluation? L'analyse SWOT (Strengths Weaknesses Opportunities Threats) ou AFOM (Atouts Faibses Opportunités Menaces) est un outil d'analyse stratégique.
Plus en détailStructure typique d un protocole de recherche. Préparé par Johanne Desrosiers dans le cadre d une formation au réseau FORMSAV
Structure typique d un protocole de recherche Préparé par Johanne Desrosiers dans le cadre d une formation au réseau FORMSAV Introduction Planification et développement d une proposition de recherche Étape
Plus en détailRapport : Base de données. Anthony Larcher 1
Rapport : Base de données Anthony Larcher 1 1 : Laboratoire d Informatique d Avignon - Université d Avignon Tél : +33 (0) 4 90 84 35 55 - Fax : + 33 (0) 4 90 84 35 01 anthony.larcher@univ-avignon.fr 14
Plus en détaildestiné à: - faciliter la constitution des groupes - mieux vous connaître
DOCTORIALES franco-belges 20112 QUESTIONNAIRE DE PRE-EVALUATION destiné à: - faciliter la constitution des groupes - mieux vous connaître L accès au questionnaire se fera en vous identifiant sur le site
Plus en détailLes dessous des moteurs de recommandation
Les dessous des moteurs de recommandation La personnalisation est un enjeu majeur du e-commerce aujourd hui. Elle réveille l esprit commerçant dans les boutiques en ligne en remettant le visiteur au cœur
Plus en détailLutin Laboratoire des Usages en Technologies
Lutin Laboratoire des Usages en Technologies d Information Numérique (à la Cité des Sciences) Offres à destination des entreprises (club d entreprises) Le principe de la plate-forme RNRT Le laboratoire
Plus en détailLE CONGÉ SOLIDAIRE DEUX SEMAINES POUR AGIR AU SERVICE DE LA SOLIDARITÉ INTERNATIONALE
LE CONGÉ SOLIDAIRE DEUX SEMAINES POUR AGIR AU SERVICE DE LA SOLIDARITÉ INTERNATIONALE Renforcer l'autonomie des populations et la protection de leur environnement le partenariat continu pour apporter un
Plus en détailN 334 - SIMON Anne-Catherine
N 334 - SIMON Anne-Catherine RÉALISATION D UN CDROM/DVD CONTENANT DES DONNÉES DU LANGAGE ORAL ORGANISÉES EN PARCOURS DIDACTIQUES D INITIATION LINGUISTIQUE A PARTIR DES BASES DE DONNÉES VALIBEL Introduction
Plus en détailSMALL DATA DANS LA VEILLE
SMALL DATA DANS LA VEILLE Collecte et valorisation de l information stratégique dans l entreprise OCP El Jadida 25 Septembre 2014 25 Septembre 2014 OCP - El Jadida 2 Ordre du jour Définitions Etat de la
Plus en détailCATALOGUE DES FORMATIONS
CATALOGUE DES FORMATIONS COURS THEMATIQUES MIGRATION À WINDOWS 10... 1 WORD: LES TABLEAUX... 2 WORD: MODÈLES ET FORMULAIRES... 3 WORD: PUBLIPOSTAGE... 4 WORD: LES LONGS DOCUMENTS... 5 WORD: PUBLICATION...
Plus en détailPar Akoété Ega AGBODJI FASEG/Université de Lomé
CSI- Afrique Renforcement des interventions dans le domaine de la politique économique et sociale Atelier de développement des compétences des chercheurs des syndicaux Session 6 Les méthodes et procédures
Plus en détailLA BASE DE DONNÉES PATRIMOINE IMMOBILIER, MOBILIER ET
LA BASE DE DONNÉES PATRIMOINE IMMOBILIER, MOBILIER ET IMMATÉRIEL DU QUÉBEC ET LE RÉPERTOIRE DU PATRIMOINE CULTUREL DU QUÉBEC. ÉTAT DES LIEUX ET PERSPECTIVES POUR L INVENTAIRE DU PATRIMOINE IMMATÉRIEL.
Plus en détailVotre outil pour vous démarquer sur le terrain de l interactivité. www. Moteurs de recherche. Médias Sociaux. Web. Mobilité. Assurance automobile
Votre outil pour vous démarquer sur le terrain de l interactivité. www Web Mobilité Médias Sociaux Moteurs de recherche Assurance automobile Votre nouveau terrain de concurrence: l interactivité On parle
Plus en détailRAPPORT SYNTHÈSE. En santé après 50 ans. Évaluation des effets du programme Les médicaments :
S A N T É P U B L I Q U E RAPPORT SYNTHÈSE Évaluation des effets du programme Les médicaments : Oui Non Mais! En santé après 50 ans Depuis janvier 1997, la Direction de santé publique s est associée à
Plus en détailPour diffusion immédiate. Nouveau sondage CROP : LES AIRES PROTÉGÉES, UNE PRIORITÉ SELON LES QUÉBÉCOIS
COMMUNIQUÉ Pour diffusion immédiate Nouveau sondage CROP : LES AIRES PROTÉGÉES, UNE PRIORITÉ SELON LES QUÉBÉCOIS Montréal, le 6 mars 2007 Un sondage réalisé du 28 février au 4 mars 2007 par la maison CROP
Plus en détailNom-Projet MODELE PLAN DE MANAGEMENT DE PROJET
Nom-Projet MODELE PLAN DE MANAGEMENT DE PROJET Glossaire La terminologie propre au projet, ainsi que les abréviations et sigles utilisés sont définis dans le Glossaire. Approbation Décision formelle, donnée
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailTâche complexe produite par l académie de Clermont-Ferrand. Mai 2012 LE TIR A L ARC. (d après une idée du collège des Portes du Midi de Maurs)
(d après une idée du collège des Portes du Midi de Maurs) Table des matières Fiche professeur... 2 Fiche élève... 5 1 Fiche professeur Niveaux et objectifs pédagogiques 5 e : introduction ou utilisation
Plus en détailEntrepôt de données 1. Introduction
Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de
Plus en détailFormation PME Etude de marché
Formation PME Etude de marché Fit for Business (PME)? Pour plus de détails sur les cycles de formation PME et sur les business-tools, aller sous www.banquecoop.ch/business L étude de marché ou étude marketing
Plus en détailLES DECIMALES DE π BERNARD EGGER
LES DECIMALES DE π BERNARD EGGER La génération de suites de nombres pseudo aléatoires est un enjeu essentiel pour la simulation. Si comme le dit B Ycard dans le cours écrit pour le logiciel SEL, «Paradoxalement,
Plus en détailDocument d accompagnement pour le référentiel national du C2i niveau 2 Métiers de l environnement et de l aménagement durables
Document d accompagnement pour le référentiel national du C2i niveau 2 Métiers de l environnement et de l aménagement durables A - Compétences générales et transversales liées à l exercice des métiers
Plus en détailNobody s Unpredictable
Connaissance qu a le public de la Banque du Canada (Comparaison des résultats de l enquête téléphonique et de l enquête en ligne) Enquête de décembre 2010 commandée par la Banque du Canada Nobody s Unpredictable
Plus en détailFormation Août 2013 Michèle Garello, IEN économie gestion Caroline Natta, professeur
Formation Août 2013 Michèle Garello, IEN économie gestion Caroline Natta, professeur Déroulement des deux journées Mardi 26 Matin : Intervention des IEN Jeudi 29 Matin : Production en binôme. Après-midi
Plus en détailCommerce International. à référentiel commun européen
Brevet de technicien supérieur Commerce International à référentiel commun européen Référentiel de formation SEPTEMBRE 2011 RÉFÉRENTIEL DE FORMATION Unités de formation UF1 Culture Générale et Expression
Plus en détailLe Programme «Archives Audiovisuelles de la Recherche»
1 Maison des Sciences de l Homme (MSH) Equipe Sémiotique Cognitive et Nouveaux Médias (ESCoM) Le Programme «Archives Audiovisuelles de la Recherche» L édition de CD/DVD Rapport rédigé par Peter Stockinger
Plus en détailDes consultants forment des consultants Comment créer ma boite de consultant
Des consultants forment des consultants Comment créer ma boite de consultant Ce document a comme objectif de présenter le contenu d'un cycle d ateliers de formations à la création d entreprise, spécifique
Plus en détailLA COMMUNICATION A QUATRE CERVEAUX
1 LA COMMUNICATION A QUATRE CERVEAUX Les neurosciences au service du marketing et de la communication des marques La communication à 4 cerveaux 2 Néo Pharma a développé une méthodologie permettant à une
Plus en détailMASTER LPL : LANGUE ET INFORMATIQUE (P)
MASTER LPL : LANGUE ET INFORMATIQUE (P) RÉSUMÉ DE LA FORMATION Type de diplôme := Master Domaine : Arts, Lettres, Langues Mention : LITTERATURE, PHILOLOGIE, LINGUISTIQUE Spécialité : LANGUE ET INFORMATIQUE
Plus en détailUtiliser un tableau de données
Utiliser un tableau de données OBJECTIFS : - Définir une Base de Données. - Présentation : tableau de données. - Création d un tableau de données - Gestion d un tableau de données. - Trier et Filtrer des
Plus en détailDoctorate of Business Administration Programme francophone
Mis à jour le 11-10-13 Doctorate of Business Administration Programme francophone 1. Présentation du programme DBA(F) Le programme Doctorate of Business Administration (DBA) assuré à distance par l American
Plus en détailLes bonnes résolutions
Les bonnes résolutions Contact : Philippe Le Magueresse plemagueresse@opinion-way.com Janvier 2015 Méthodologie 22 602 286 extraits collectés du 29 Décembre 2014 au 7 Novembre 2014 Sur Janvier 2015 le
Plus en détailL INTELLIGENCE D AFFAIRE DANS LA VIE QUOTIDIENNE D UNE ENTREPRISE
2009 L INTELLIGENCE D AFFAIRE DANS LA VIE QUOTIDIENNE D UNE ENTREPRISE Chapitre 1 : BI Une introduction La plupart des administrateurs de bases de données (DBA) ont rencontré une certaine forme de business
Plus en détailPlateforme de capture et d analyse de sites Web AspirWeb
Projet Java ESIAL 2A 2009-2010 Plateforme de capture et d analyse de sites Web AspirWeb 1. Contexte Ce projet de deuxième année permet d approfondir par la pratique les méthodes et techniques acquises
Plus en détailL ANALYSE COUT-EFFICACITE
L ANALYSE COUT-EFFICACITE 1 Pourquoi utiliser cet outil en évaluation? L analyse coût-efficacité est un outil d aide à la décision. Il a pour but d identifier la voie la plus efficace, du point de vue
Plus en détailThibault Denizet. Introduction à SSIS
Thibault Denizet Introduction à SSIS 2 SSIS - Introduction Sommaire 1 Introduction à SQL Server 2008 Integration services... 3 2 Rappel sur la Business Intelligence... 4 2.1 ETL (Extract, Transform, Load)...
Plus en détailÉtude auprès de la génération X. Le paiement virtuel et la gestion des finances personnelles
Étude auprès de la génération X Le paiement virtuel et la gestion des finances Rapport Présenté à Madame Martine Robergeau Agente de Développement et des Communications 11 octobre 2011 Réf. : 1855_201109/EL/cp
Plus en détailCollège Sainte-Gertrude de Nivelles 7 ème Gestionnaire de Très Petites Entreprises. Vade-mecum
Collège Sainte-Gertrude de Nivelles 7 ème Gestionnaire de Très Petites Entreprises Vade-mecum Guide de l étudiant pour la réalisation d un travail de qualification Table des matières Fiche 1 : OBJECTIF
Plus en détailThèmes et situations : Agenda et Emploi du temps. Fiche pédagogique
Ressources pour les enseignants et les formateurs en français des affaires Activité pour la classe : CFP Crédit : Joelle Bonenfant, Jean Lacroix Thèmes et situations : Agenda et Emploi du temps Fiche pédagogique
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailANNEXE 1 RÈGLEMENTS GÉNÉRAUX 1 ASSOCIATION DES ARCHÉOLOGUES PROFESSIONNELS DU QUÉBEC (AAQ) CODE D ÉTHIQUE ET DES NORMES PROFESSIONNELLES
ANNEXE 1 RÈGLEMENTS GÉNÉRAUX 1 ASSOCIATION DES ARCHÉOLOGUES PROFESSIONNELS DU QUÉBEC (AAQ) CODE D ÉTHIQUE ET DES NORMES PROFESSIONNELLES Ce code fait partie intégrante du règlement de l'association des
Plus en détailTP 2 Réseaux. Adresses IP, routage et sous-réseaux
TP 2 Réseaux Adresses IP, routage et sous-réseaux C. Pain-Barre INFO - IUT Aix-en-Provence version du 24/2/2 Adressage IP. Limites du nombre d adresses IP.. Adresses de réseaux valides Les adresses IP
Plus en détail2 nd semestre. Synthèse de l étude D3 Parcours Analyse de la fidélité des clients par marque. En partenariat avec
2 nd semestre 2014 Synthèse de l étude D3 Parcours Analyse de la fidélité des clients par marque En partenariat avec Note de synthèse 1 +33 6 87 70 31 12 1. Cadre général L étude D3 Parcours est réalisée
Plus en détailL évaluation de la performance de la communication media
L évaluation de la performance de la communication media Pascal ROOS Enseignant en BTS Management des Unités Commerciales Lycée Edmond Rostand, Saint Ouen l Aumône (95) «Je sais qu un dollar de publicité
Plus en détailFORMATION DE COACH CERTIFIÉ
FORMATION DE COACH CERTIFIÉ Les publics ciblés : Toute personne souhaitant intégrer ce métier d accompagnement auprès des particuliers (coaching de vie), dans les Entreprises. Toute personne ayant déjà
Plus en détailLa Chaire Accenture Strategic Business Analytics de l ESSEC
La Chaire Accenture Strategic Business Analytics de l ESSEC La création de nouvelles opportunités par l analyse des données Dans le monde numérique actuel, l analyse des données est au cœur des réseaux
Plus en détailLecture critique et pratique de la médecine
1-00.qxp 24/04/2006 11:23 Page 13 Lecture critique appliquée à la médecine vasculaireecture critique et pratique de la médecine Lecture critique et pratique de la médecine Introduction Si la médecine ne
Plus en détailCOMMUNIQUÉ LA CULTURE AUTREMENT. Pour diffusion immédiate
COMMUNIQUÉ Pour diffusion immédiate Télé-Québec lance une plateforme culturelle sur le Web La Fabrique culturelle : le seul espace public collectif dédié à la culture au Québec 11 mars 2014 Montréal La
Plus en détailLA SEGMENTATION DANS LES WEB ANALYTICS
Online Intelligence Solutions LA SEGMENTATION DANS LES WEB ANALYTICS Une approche des concepts fondamentaux Par Jacques Warren WHITE PAPER WHITE PAPER A PROPOS DE JACQUES WARREN Jacques Warren évolue en
Plus en détail