Essec Business School

Alors que l’année touche à sa fin, il est temps de mettre en lumière les professeurs d’ESSEC qui ont obtenu des financements majeurs en 2025 ! Cinq professeurs de l’ESSEC, issus de quatre départements différents, ont bénéficié cette année d’un soutien de la part de CY Initiative. Cette collaboration entre ESSEC Business School et CY Cergy-Paris Université vise à accompagner les chercheurs de la communauté CY et à renforcer l’excellence scientifique. CY Générations a pour objectif de soutenir la recherche sur la transition sociale et écologique.  En 2025, l’appel à projets a financé 26 projets pour un montant de plus de 2 millions d’euros.

Les financements sont attribués dans le cadre de deux volets :

Programme Émergence : Pour le développement de projets innovants par des chercheurs individuels

Programme Horizon : Pour des projets de recherche portés par un centre ou une équipe de recherche pour faire montée en puissance et avec une perspective internationale

Découvrez les projets sur lesquels travaillent nos professeurs !

Diego DELLE DONNE  – Supervised Hyper-rectangular Clustering, CY Générations – EMERGENCE (2025–2027)

Les techniques de machine learning sont largement utilisées pour analyser de grands ensembles de données, générant souvent des modèles prédictifs difficiles à expliquer. Le regroupement hyperrectangulaire (HRC) offre une alternative interprétable, car les clusters sont définis par des limites sur chaque coordonnée, ce qui les rend faciles à communiquer. Ce projet se concentre sur le HRC supervisé (SHRC), une variante dans laquelle les points sont préclassés en classes et chaque cluster contient des points d'une seule classe.
Étant donné que le regroupement définit une partition des points d'entrée, les techniques de programmation entière (IP) sont bien adaptées pour traiter les problèmes de HRC. Les approches existantes, en particulier les méthodes de branchement et de prix et les algorithmes incrémentiels, ont donné des résultats prometteurs pour le HRC. Ce projet vise à faire progresser le domaine en développant des formulations IP étendues avec des procédures efficaces de branchement et de prix afin de résoudre le SHRC de manière optimale. De plus, nous concevrons des méthodes incrémentielles exactes et heuristiques pour traiter efficacement des instances SHRC de taille réelle.

À propos de Diego Delle Donne

Diego Delle Donne est professeur assistant à l’ESSEC Business School (département IDS), en France.Ses principaux domaines de recherche couvrent des sujets liés à l’optimisation combinatoire, aux mathématiques appliquées, à la programmation linéaire en nombres entiers et à la théorie des graphes. Un de ses principaux axes de recherche actuels porte sur le développement de formulations mathématiques et d'algorithmes pour les problèmes de regroupement abordés d'un point de vue purement optimisationnel.

Shanming LIU  – Optimiser les incitations pour la créativité humaine-IA, CY Initiative – EMERGENCE (2025-2027)

Ce projet s’attaque au défi qui survient lorsqu’il s'agit de motiver les salariés à collaborer efficacement avec l’intelligence artificielle dans des tâches créatives en repensant les systèmes d’incitation. Alors que l’IA excelle dans des aspects comme la faisabilité, la pertinence, l’utilité et la qualité de présentation, la génération d’idées réellement nouvelles reste une compétence humaine. Les systèmes d’incitation traditionnels, qui récompensent la créativité de manière uniforme, n’encouragent pas les employés à se concentrer sur la nouveauté — là ou leur contribution est la plus précieuse.

La solution proposée restructure les incitations pour mettre l’accent sur la dimension de nouveauté. En récompensant principalement l’originalité, les employés sont invités à investir des efforts supplémentaires dans la génération d’idées innovantes tout en utilisant l’IA pour d’autres tâches. Cela répond à deux défis principaux : la sur-dépendance à l’IA, où les employés laissent l’IA gérer entièrement les tâches et négligent leur propre créativité ; et la sous-dépendance à l’IA, où les employés ne font pas confiance à l’IA et prennent inutilement en charge des tâches mieux adaptées à celle-ci.

Une étude expérimentale testera cette approche. L’étude vise à évaluer si la mise en avant de la nouveauté permet effectivement de réorienter l’effort humain, d’améliorer les résultats créatifs et de maintenir la qualité dans les autres dimensions. En traitant la créativité comme un cadre multitâche et en alignant les incitations sur la nouveauté, le projet cherche à optimiser la collaboration humain-IA et à améliorer les performances de créativité globales. 

À propos de Shanming Liu

Shanming Liu est professeur assistant en comptabilité et contrôle de gestion à l’ESSEC Business School. Ses recherches portent sur les systèmes de contrôle de gestion, la génération et la sélection d’idées créatives, ainsi que sur la créativité au sein des équipes entrepreneuriales. Il utilise des expériences en laboratoire et sur le terrain, ainsi que des méthodes qualitatives, pour étudier ces thématiques.

Sofia Ramos – Analyses comportementales dans la prise de décision liée aux PRIIPs, CY Initiative – Programme EMERGENCE (2025-2027)

La prise de décision des investisseurs s’écarte souvent des stratégies optimales en raison de biais comportementaux et de limites cognitives, tels que l’effet de disposition, la surconfiance, l’attention limitée ou encore des erreurs de traitement de l’information. Ces facteurs conduisent à des résultats financiers sous-optimaux, susceptibles d’éroder considérablement les rendements à long terme. Des mesures réglementaires comme le UCITS KIID et le PRIIPs KID visent à améliorer la transparence et à renforcer la capacité des investisseurs à prendre de bonnes décisions ; néanmoins, aligner leur comportement sur des stratégies financièrement efficientes demeure un défi.

Cette recherche examine l’impact des fonctionnalités innovantes de divulgation du PRIIPs KID sur le comportement des investisseurs. Contrairement aux cadres traditionnels centrés sur la performance passée, le PRIIPs KID introduit une approche prospective reposant sur des projections de performance basées sur des scénarios, une ventilation détaillée des coûts et des analyses sur différents horizons temporels.

L’étude explore la manière dont les investisseurs allouent leurs ressources cognitives, réagissent aux scénarios et traitent les informations détaillées sur les coûts, tout en examinant le rôle de la littératie financière et des préférences liées à l’asymétrie (skewness). En utilisant des PRIIPs KIDs réels dans un environnement expérimental contrôlé, les participants prendront des décisions d’investissement, permettant ainsi d’analyser les facteurs comportementaux à l’origine de leurs choix. Les hypothèses testables traitent des principaux défis, notamment la surcharge cognitive et l’attention limitée.

Cette recherche contribue à la finance comportementale et à la politique réglementaire en évaluant l’efficacité de formats de divulgation enrichis et en améliorant la compréhension de la manière dont la conception des documents influence la prise de décision. Elle éclaire également les effets de la complexité des documents, des limites cognitives et des biais, fournissant des recommandations concrètes pour aider les décideurs publics et les institutions financières à optimiser les dispositifs d’information, améliorer les résultats pour les investisseurs et soutenir de meilleures décisions financières.

À propos de Sofia Ramos

Sofia Ramos est professeure associée de finance à l’ESSEC Business School. Ses intérêts de recherche portent principalement sur les fonds mutuels, la gestion de portefeuille, l’investissement ESG, la finance de l’énergie et la finance internationale.  Elle est co-titulaire de la chaire « Shaping the Future of Finance » et conseillère académique de la chaire ESSEC–Amundi en Asset & Risk Management.

Angela SUTAN – Revise Intergenerational Values for Sustainability, CY Générations – HORIZON (2025–2028)

Ce projet étudie la conception et la survie d’incitations systémiques de type S-frame, afin d’assurer l’adoption intergénérationnelle de pratiques durables par les organisations. Nous mettons en œuvre une approche interdisciplinaire pour examiner la manière dont les institutions se transforment tout en maintenant un sentiment de connexion intra et intergénérationnelle, dans lequel des valeurs telles que la coopération, l’altruisme, la diversité et l’équité sont soutenues par des incitations légitimes et se transforment en normes organisationnelles. La protection des ressources naturelles, mais aussi de la diversité du capital social, ainsi que l’égalité pour les générations futures — que nous considérons tous comme des « biens publics » — constitue un impératif de durabilité et une justification des efforts sociétaux coûteux consentis aujourd’hui.

Nous pensons qu’en utilisant des visualisations appropriées, la data physicalisation (telle que la matérialisation de chiffres et de graphiques sur la qualité de l’air, l’état des inégalités, les standards de diversité ou une cartographie des pratiques RSE…) et des simulations de multiples états du monde, nous pouvons concevoir des expériences contrôlées dans lesquelles les liens intra et intergénérationnels peuvent être envisagés conjointement et perçus globalement — ce qui constitue l’une des principales innovations méthodologiques de notre projet.

Explorer l’utilisation de meilleures visualisations concernant les normes, les régulations, les routines, la conception institutionnelle, leur adoption, diffusion, évolution et, in fine, leur survie et amélioration, permettra de surmonter les limites liées à des capacités mémorielles restreintes, à des perspectives rétrospectives et prospectives incomplètes, ainsi qu’à la disponibilité limitée des données, en cartographiant de manière intuitive les comportements passés et les données, et en les rendant saillants. Ce dispositif permettra des calculs stratégiques relatifs à l’adoption conjointe de normes et à la modélisation de leurs interactions.

À propos de Angela Sutan

Angela Sutan est professeure (HDR) en développement durable au sein du département Droit, Science Politique et Société à l’ESSEC Business School. Elle est directrice scientifique de l’ESSEC Experimental Lab et directrice académique de l’Executive Master in Strategies for Sustainability (EMS²). Ses recherches mobilisent principalement l’économie comportementale et expérimentale pour étudier la durabilité, les comportements prosociaux et antisociaux, ainsi que le raisonnement de niveau-k. 

Emiliano TRAVERSI – Learning to Optimize : A Sustainable Approach, CY Initiative – HORIZON (2025–2027)

Le projet vise à développer un nouveau cadre méthodologique intégrant l’apprentissage automatique (machine learning, ML) aux méthodes classiques d’optimisation afin de résoudre des problèmes complexes en temps réel dans des environnements décentralisés. Il aborde le compromis entre l’exactitude des solutions et la rapidité, un enjeu crucial pour les applications en temps réel où les méthodes exactes traditionnelles sont coûteuses en calcul et nécessitent beaucoup de temps de mise en place. En utilisant l’apprentissage supervisé et par renforcement, le cadre permet d'approcher des solutions optimales en apprenant à partir de problèmes déjà résolus, ce qui rend possible une résolution efficace sous de fortes contraintes temporelles.

Un défi majeur traité par ce projet concerne la préservation de la confidentialité dans les systèmes décentralisés, essentielle dans des secteurs tels que la santé, la finance ou la gestion des chaînes d’approvisionnement. Les données sensibles ne peuvent souvent pas être centralisées en raison de contraintes de confidentialité. L’approche décentralisée proposée permet de résoudre localement des sous-problèmes sur différents nœuds du réseau, tout en garantissant la protection des données et en permettant les transitions d’échelles. Diviser les problèmes en sous-problèmes plus petits et parallélisables réduit significativement le temps de résolution global.

Le cadre s’appuie sur des techniques de décomposition comme la génération de colonnes et la décomposition de Benders, divisant les grands problèmes en problèmes maître et sous-problèmes plus petits et plus faciles à gérer. Dans une configuration décentralisée, chaque nœud résout ses sous-problèmes de manière indépendante grâce à une optimisation enrichie par le ML. Les modèles d’apprentissage automatique, entraînés sur des données historiques d’optimisation, prédisent des variables de décision ou des contraintes, fournissant des solutions quasi optimales plus rapidement que s’il fallait résoudre chaque sous-problème depuis le début. En intégrant le ML à la décomposition, le système obtient des résolutions plus rapides et s’adapte aux nouvelles instances au fil du temps. L’apprentissage continu améliore progressivement l’efficacité, éliminant la nécessité d’algorithmes de recherche exhaustive et rendant ce cadre idéal pour la prise de décision en temps réel. Cette approche combine rapidité, passage à l’échelle et confidentialité, offrant une solution robuste pour les défis d’optimisation à grande échelle.

À propos de Emiliano Traversi

Emiliano Traversi est professeur associé au Département des Systèmes d’Information, de l’Analyse de Données et des Opérations à l’ESSEC. Ses domaines de recherche incluent l’optimisation mathématique, les méthodes de décomposition et l’apprentissage automatique.

Les projets sont classés par ordre alphabétique selon le nom de famille du professeur.