Introduction à la Fouille de Données (Data Mining) (8)

Dimension: px
Commencer à balayer dès la page:

Download "Introduction à la Fouille de Données (Data Mining) (8)"

Transcription

1 Introduction à la Fouille de Données (Data Mining) (8) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2008 Introduction à la fouille de données Types de données exploitées et de connaissances extraites Exemples dʼapplications de la fouille de données Quelques logiciels de fouille de données Plan 1. Introduction à la fouille de données! Extraction de connaissances à partir de données et fouille de données! La fouille de données à la rencontre de plusieurs disciplines! Un exemple de découverte dʼinformation et de connaissance 2. Types de données exploitées et de connaissances extraites! Exemple de données disponibles exploitées! Connaissances extraites 3. Exemples dʼapplications de la fouille de données! Principaux domaines d'application de la fouille de données! Ciblage dʼun mailing! Oiseux rares et moutons noirs! Ticket de caisse! Repérer les intrus 4. Quelques logiciels de fouille de données Introduction à la fouille de données - Bernard ESPINASSE - 1 Introduction à la fouille de données - Bernard ESPINASSE - 2 Références bibliographiques Ouvrages :! Franco J-M., «Le Data Warehouse et le Data Mining». Ed. Eyrolles, Paris, ISBN ! Gardarin G., «Internet/intranet et bases de données», Ed. Eyrolles, Paris, 1999, ISBN ! Han J., Kamber M., «Data Mining: Concepts and Techniques», Morgan Kaufmann Publishers, 2004.! Lefébure R., Venturi G., «Le data Mining», Ed. Eyrolles, Paris, ISBN ! Tufféry S., «Data Mining et statistique décisionnelle», Ed. Technip, Paris, 2005, ISBN ! Cours :! Cours de A. Rakotomamonjy, INSA Rouen, Lab. PSI, Rouen.! Cours de G. Gardarin, Univ. de Versailles! Cours de J. Han et M. Kamber M., Simon Fraser Univ., Vancouver BC, Canada.! Cours de M. Adiba et M.C. Fauvet, Univ. Grenoble! Cours de R. Gilleron et M. Tommasi, Univ. Charles De Gaulle-Lille 3, Lab. LIFL, équipe Grappa.! Cours de R. Rakotomalala, Univ. Lumière Lyon 2, Lab. ERIC Lyon! Introduction à la fouille de données - Bernard ESPINASSE - 3 Ressources sur le Web relatives à la fouille de données! Page de Ricco Rakotomalala :! cette page regroupe des liens très intéressant sur le Data Mining (cours, transparents, logiciels...)! Page de Stéphane Tufféry :!! cette page regroupe aussi pleins de liens très intéressant sur le Data Mining (cours, transparents, logiciels...) Introduction à la fouille de données - Bernard ESPINASSE - 4

2 Définitions! Extraction de connaissance à partir de données (Knowledge Discovery in Databases KDD) :! cycle de découverte dʼinformation regroupant la conception de grandes bases de données ou entrepôts de données (Data Warehouse) 1 Introduction à la fouille de données! Extraction de connaissances à partir de données et fouille de données! La fouille de données à la rencontre de plusieurs disciplines! Un exemple de découverte dʼinformation et de connaissance! tous les traitements à effectuer pour extraire de lʼinformation des données! lʼun de ces traitement est la Fouille de données (Data Mining)! Fouille de données (Data Mining) :! Ensemble de techniques d'exploration de données permettant d'extraire d'une base de données des connaissances sous la forme de modèles de description afin de :! décrire le comportement actuel des données et/ou! prédire le comportement futur des données Introduction à la fouille de données - Bernard ESPINASSE - 5 Introduction à la fouille de données - Bernard ESPINASSE - 6 Processus dʼextraction de connaissances à partir de données Processus ECD (Extraction de connaissances à partir de données) ou KDD (Knowledge Discovery in Databases) : La fouille de données à la rencontre de plusieurs disciplines Introduction à la fouille de données - Bernard ESPINASSE - 7 Introduction à la fouille de données - Bernard ESPINASSE - 8

3 Fouille de données = grande quantité de données + algorithmes efficaces La fouille de données = processus qui sʼappuie sur :! La disponibilité de grandes quantités de données :! Si lʼensemble est trop petit, les structures peuvent ne résulter que du hasard! On peut espérer quʼun gros volume de données représente bien lʼunivers (échantillon...)! Des algorithmes sûrs et efficaces :! Algorithmes sûrs : fondés théoriquement (recherche)! Efficaces en temps! Efficaces en espace! Résultats interprétables! Paramètres ajustables (en temps réel ou à peu près). Un exemple de découverte dʼinformation et de connaissance Exemple issu du livre de P. Adriaans et D. Zantige [Adriaans & Zantige 96] - Un éditeur vend 5 sortes de magazines : sport, voiture, maison, musique et BD - Il souhaite mieux étudier ses clients pour découvrir de nouveaux marchés ou vendre plus de magazines à ses clients habituels Quelques questions qu'il peut se poser : Q1 : Combien de personnes ont pris un abonnement à un magazine de sport cette année? Q2 : A-t-on vendu plus d'abonnements de magazines de sport cette année que l'année dernière? Q3 : Est-ce que les acheteurs de magazines de BD sont aussi amateurs de sport? Q4 : Quelles sont les caractéristiques principales de mes lecteurs de magazines de voiture? Q5 : Peut-on prévoir les pertes de clients et prévoir des mesures pour les diminuer? Questions de natures différentes mettant en jeu des processus différents Introduction à la fouille de données - Bernard ESPINASSE - 9 Introduction à la fouille de données - Bernard ESPINASSE - 10 Un exemple de découverte dʼinformation et de connaissance Q1 : Combien de personnes ont pris un abonnement à un magazine de sport cette année?! réalisable en SQL à partir des données opérationnelles sous réserve d'indexations suffisantes des tables concernées! seule difficulté : ne pas pénaliser le serveur transactionnel par des requêtes trop longues Q2 : A-t-on vendu plus d'abonnements de magazines de sport cette année que l'année?! nécessite de conserver toutes les dates de souscription même pour les abonnements résiliés! l'utilisateur devrait poser de nombreuses requêtes de ce type! elles devraient être résolues par des requêtes multidimensionnelles de type OLAP. Q1 et Q2 :! Réponse par simples requêtes SQL : les données recherchées sont que le résultat d'un calcul simple sur un ou des groupes d'enregistrements! ce qui distingue Q1 et Q2, c'est la notion de temps et la comparaison Un exemple de découverte dʼinformation et de connaissance Q3 : Est-ce que les acheteurs de magazines de BD sont aussi amateurs de sport?! exemple simplifié de problème où l'on demande si les données vérifient une règle! réponse formulée par une valeur estimant la probabilité que la règle soit vraie! en général des outils statistiques sont utilisés! cette question peut être généralisée, on pourrait ainsi :! chercher des associations fréquentes entre acheteurs de magazine pour effectuer des actions promotionnelles! introduire une composante temporelle pour chercher si le fait d'être lecteur d'un magazine implique d'être, plus tard, lecteur d'un autre magazine Introduction à la fouille de données - Bernard ESPINASSE - 11 Introduction à la fouille de données - Bernard ESPINASSE - 12

4 Un exemple de découverte dʼinformation et de connaissance Q4 : Quelles sont les caractéristiques principales de mes lecteurs de magazines de voiture?! question beaucoup plus ouverte : il sʼagit de trouver une règle et non plus de la vérifier ou de l'utiliser c'est pour ce type de question que sont mis en oeuvre des outils de fouille de données Q5 : Peut-on prévoir les pertes de clients et prévoir des mesures pour les diminuer?! question ouverte : Il faut disposer d'indicateurs comme : durées d'abonnement, délais de paiement,...! question (classique dans le bancaire) avec une forte composante temporelle et nécessite des données historiques 2 Types de données exploitées et de connaissances extraites! Exemple de données disponibles exploitées! Connaissances extraites Introduction à la fouille de données - Bernard ESPINASSE - 13 Introduction à la fouille de données - Bernard ESPINASSE - 14 Exemple de données disponibles (1)! Transactions :! Tickets de caisse : liste dʼarticles.! Factures : produit, client.! Communications téléphoniques : interlocuteurs, durée, lieux.! Connexions informatiques : fichier «log»! Bases de données des entreprises :! Factures.! Commandes.! Suivi.!...! Téléphone portable :! Obligation légale de conservation des données.! Durée des communications.! Numéros appelés (type, localisation).! Abonnement, changements.! Mobilité.! Utilisation des services annexes. Exemple de données disponibles (2)! Satellites : Espace! Photos (différentes longueur dʼonde) de corps célestes! Les photos sont créées plus vite quʼelles ne peuvent être exploitées! Chaque photo contient un très grand nombre dʼinformations potentielles! Accumuler, classer et mémoriser! Histoire dʼun objet céleste (orbite brillance )! Satellites : La Terre! Militaires! Météo! Géographiques (Cartographie)! Reconnaissance automatique :! De forme (cartographie)! De mouvement (militaire, météo : nuages)! Type de terrain (cartographie)! Type de culture, état de la végétation (subvention ). Introduction à la fouille de données - Bernard ESPINASSE - 15 Introduction à la fouille de données - Bernard ESPINASSE - 16

5 Exemple de données disponibles temporelles (1)! Données temporelles :! On suppose quʼil existe une relation de cause à effet entre la donnée au temps t et les données aux temps t i < t :! Suivre une donnée dans le temps.! Une donnée par rapport à toutes les autres.! Chaque donnée par rapport à toutes les autres.! Trouver les relations entre les données.! Exemples :! Cours de la bourse (valeurs des actions, contexte...)! Météo : vent, température, précipitations (en différents points dʼobservation).! Génomique : Démarche inverse : on produit les données explicitement pour appliquer des méthodes de Data Mining :! Séquençage automatique (rapide).! Il y a des informations, des structures à trouver.! Recherche de structures communes.! Localisation des gènes. Exemple de données disponible temporelles (2)! Données du Web : Récupération facile de pages ou de sites (paquetage java.net) :! Contenu des pages.! Liens entre les pages.! Historique des connexions (fichiers log).! Données textuelles :! Pages Web.! fichiers word, pdf! Dépêches dʼagence.! Digitalisation de bibliothèques. Introduction à la fouille de données - Bernard ESPINASSE - 17 Introduction à la fouille de données - Bernard ESPINASSE - 18 Types de connaissances extraites Connaissances extraites = connaissances sous la forme de modèles de description permettant de :! décrire le comportement actuel des données et/ou! prédire le comportement futur des données! des analyses :! des règles :! exemple: la distribution du trafic routier en fonction de l'heure! exemple : si un client n'a pas payé une facture > alors il est dans 70% des cas en faillite! lʼattribution de scores de qualité :! par exemple, score de fidélité aux clients! la classification dʼentités :! par exemple, les mauvais payeurs 3 Exemples dʼapplications de la fouille de données! Principaux domaines d'application de la fouille de données! Ciblage dʼun mailing! Oiseux rares et moutons noirs! Ticket de caisse! Repérer les intrus Introduction à la fouille de données - Bernard ESPINASSE - 19 Introduction à la fouille de données - Bernard ESPINASSE - 20

6 Principaux domaines d'application! Domaine des assurances :! analyse des risques (caractérisation des clients à hauts risques, etc.)! automatisation du traitement des demandes (diagnostic des dégâts et détermination automatique du montant des indemnités)! Services financiers :! Attribution de prêts automatisés, support à la décision de crédit! Détection de fraude! Marketing ciblé! Grande distribution :! Médecine :!...! profils de consommateurs et modèles dʼachats! constitution des rayonnages! marketing ciblé! Aide au diagnostic Introduction à la fouille de données - Bernard ESPINASSE - 21 Ciblage d un mailing! Une entreprise veut proposer un nouveau produit :! Envoi dʼun courrier! Maximiser le taux de réponse! Cibler un mailing! Données disponibles :! Le fichier client.! Un fichier dʼadresses + historique des réponses aux mailings précédents.! Un deuxième fichier dʼadresses + autres infos (acheté).! Informations connexes (données démographiques )! Mode opératoire :! Caractériser, parmi les personnes du deuxième fichier, celles qui : ont répondu, ont acheté le produit, ont acheté un produit similaire.! Sélectionner (dans le 1 ou 3 fichier) les clients potentiels ayant le même profil.! Analyse des résultats :! Comparaison avec un mailing massif précédent, avec un échantillon témoin.! Calculer le gain (inclure le coût du Data Mining!)! Boucler la boucle :! Gain augmenté! -> rendre la proposition plus attractive! -> améliorer le taux de réponse.! Enrichir la base avec les résultats du mailing Introduction à la fouille de données - Bernard ESPINASSE - 22 Oiseux rares et moutons noirs! Une banque possède un fichier client :! Etat civil.! Historique des comptes.! Historique des contacts (demande dʼinfo, de prêts, de conseil).! Utilisation des services (e-banque, assurances...).! (réponse aux mailings.)! Lʼobjectif est de repérer :! Les clients rentables.! Les clients non rentables.! Les clients susceptibles de poser des problèmes! Les clients susceptibles dʼacquérir un nouveau produit.! Mode opératoire :! Comme dans le premier exemple.! Dégager des groupes homogènes :! Programme de segmentation (clustering).! Un expert vérifie la pertinence de la classification.! Tester cette classification.! Intégrer la classe dans la description du client. Tickets de caisse! Ticket de caisse :! Liste des achats.! Heure de passage en caisse.! Car te de crédit, carte de fidélité! code postal,! Quels sont les articles le plus souvent achetés ensemble?! Si A et B alors C! Promotions groupées, agencement du magasin.. Repérer les intrus! Connections de pirates :! Mouvements de fonds suspects.! Déplacement dʼune personne dans un lieu public.! Phénomènes rares : Nuggets (pépites).! Repérer les intrus! Enoncer des règles.! Vérification de la pertinence par un expert.! Tester lʼhypothèse. Introduction à la fouille de données - Bernard ESPINASSE - 23 Introduction à la fouille de données - Bernard ESPINASSE - 24

7 5 Quelques logiciels de fouille de données! Logiciels de statistique et de fouille sur PC! Logiciels de statistique et de fouille sur gros systèmes Logiciels de statistique et de fouille sur PC! Logiciels commercialisés :! S-PLUSTM de Insight,! AliceTM de Isoft,! Predict TM de Neuralware,! R (version gratuite de S-PLUS)! Logiciels gratuits :! Weka! Tanagra! Orange! Intérêts :! faciles à installer, utiliser, prix abordable! adaptés aux PME car ils peuvent gérer plusieurs dizaines de milliers voire plusieurs centaines de milliers dʼindividus! Limites :! ils ne permettent pas de traiter de très grandes bases de données! ils ne mettent souvent en œuvre quʼune ou deux techniques (excepté les produits S-PLUS, R, Tanagra et Weka) Introduction à la fouille de données - Bernard ESPINASSE - 25 Introduction à la fouille de données - Bernard ESPINASSE - 26 Logiciels de statistique et de fouille sur gros systèmes! Ils sont conçus pour :! pour exploiter de très grands volumes de données! pour couvrir une large palette de techniques! Ils existent parfois :! en version «statistique»! ou «data mining» (en général sur-couche du 1er)! Ils peuvent fonctionner en mode client-serveur! Logiciels commercialisés :! SPSSTM et Clementine de SPSS! SAS/STAT et Enterprise Miner de SAS! Statistica Data Miner de StatSoft! S-PLUS et Insightful Miner de Insightful! KXEN! Logiciels de fouille de données gratuits : Weka! Weka :! Weka (Waikato Environment for Knowledge Analysis) est un ensemble de classes et d'algorithmes en Java développé à lʼuniversité de Waikato en Nouvelle Zélande! Weka implémente les principaux algorithmes de la fouille, notamment : - les arbres de décision - les réseaux de neurones! il est téléchargeable (versions Unix et Windows) à l'adresse : développé en complément du livre : Data Mining par I. Witten et E. Frank (éditions Morgan Kaufmann).! peut être utilisé de plusieurs façons : - par l'intermédiaire d'une interface utilisateur (comme utilisée en TP) - sur la ligne de commande. - par l'utilisation des classes fournies à l'intérieur de programmes Java (classes documentées) Introduction à la fouille de données - Bernard ESPINASSE - 27 Introduction à la fouille de données - Bernard ESPINASSE - 28

8 Logiciels de fouille de données gratuits : Tanagra! Tanagra :! TANAGRA est un logiciel gratuit développé à lʼuniversité de Lumiere Lyon 2, laboratoire ERIC, par Ricco Rakotomalala! Il est destiné à lʼenseignement et à la recherche, et téléchargeable à lʼadresse : Il implémente diverses méthodes de fouilles de données issues du domaine de la statistique exploratoire, de lʼapprentissage automatique et des bases de données,! Orange :! est développé par Blaz Zupan, à la Faculty of Computer and Information Science, de lʼuniversité de Ljubljana en Slovenie! Il est destiné à lʼenseignement et à la recherche, et téléchargeable à lʼadresse : Il implémente aussi diverses méthodes de fouilles de données issues du domaine de la statistique exploratoire, de lʼapprentissage automatique et des bases de données, Introduction à la fouille de données - Bernard ESPINASSE - 29

But du cours. Sources & références. Sources & références. Sources & références. Plan. La fouille de données (ou data mining) Principe (postulat...

But du cours. Sources & références. Sources & références. Sources & références. Plan. La fouille de données (ou data mining) Principe (postulat... But du cours Vocabulaire, principes et techniques du Data Mining Méthodes et Algorithmes Interprétation des résultats. Data Mining : Concepts and Techniques J. Han, M. Kamber Morgan Kaufmann Le Data Mining

Plus en détail

Le Data Mining, Outil d aide à la prise de décision dans l action commerciale

Le Data Mining, Outil d aide à la prise de décision dans l action commerciale Université Ibn Zohr Faculté des Sciences Juridiques, Économiques et Sociales Exposé sous le thème : Le Data Mining, Outil d aide à la prise de décision dans l action commerciale Plan : Introduction : L

Plus en détail

Initiation à la fouille de données et à l apprentissage automatiq

Initiation à la fouille de données et à l apprentissage automatiq Initiation à la fouille de données et à l apprentissage automatique 1 Laboratoire d Informatique Fondamentale de Marseille Université de Provence christophe.magnan@lif.univ-mrs.fr www.lif.univ-mrs.fr/

Plus en détail

INTRODUCTION AU DATA MINING. Cina MOTAMED

INTRODUCTION AU DATA MINING. Cina MOTAMED INTRODUCTION AU DATA MINING Cina MOTAMED 2 Data Mining : contexte Âge numérique : explosion des volumes de données Transactions commerciales Opérations bancaires Navigation Internet Indicateurs démographiques

Plus en détail

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille

Data Mining, fouille de données: Concepts et techniques. Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Marius Fieschi Faculté de Médecine de Marseille Data Mining, fouille de données: Concepts et techniques Ce cours est très proche du cours diffusé

Plus en détail

De la donnée à la décision. Sofian MAABOUT LaBRI. Université Bordeaux 1

De la donnée à la décision. Sofian MAABOUT LaBRI. Université Bordeaux 1 De la donnée à la décision Sofian MAABOUT LaBRI. Université Bordeaux 1 1 Décider c est choisir, parmi plusieurs actes possibles, celui qui apparaît comme le plus pertinent pour atteindre un résultat envisagé,

Plus en détail

Spécificités, Applications et Outils

Spécificités, Applications et Outils Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining

Plus en détail

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 18/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr

Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 18/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr 1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data

Plus en détail

Ce qu est le Data Mining

Ce qu est le Data Mining Data Mining 1 Ce qu est le Data Mining Extraction d informations intéressantes non triviales, implicites, préalablement inconnues et potentiellement utiles à partir de données. Autres appellations: ECD

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

Analyse de grandes bases de données en santé

Analyse de grandes bases de données en santé .. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.

Plus en détail

PLAN. Les systèmes d'information analytiques. Exemples de décisions

PLAN. Les systèmes d'information analytiques. Exemples de décisions Les systèmes d'information analytiques Dr A.R. Baba-ali Maitre de conferences USTHB PLAN Le cycle de decision Les composants analytiques ETL (Extract, Transform and Load) Entrepot de (Data warehouse) Traitement

Plus en détail

Analyse de grandes bases de données en santé

Analyse de grandes bases de données en santé .. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.

Plus en détail

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr

FOUILLE DE DONNEES. Anne LAURENT ECD. laurent@lirmm.fr FOUILLE DE DONNEES Anne LAURENT laurent@lirmm.fr ECD Pourquoi la fouille de données? Données disponibles Limites de l approche humaine Nombreux besoins : Industriels, Médicaux, Marketing, Qu est-ce que

Plus en détail

Data Mining. Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012

Data Mining. Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012 Data Mining Exposés logiciels, systèmes et réseaux. Damien Jubeau IR3 Lundi 19 novembre 2012 2 Plan Data mining : définition, utilisations et concepts Wolfram Alpha : extraction de données d'un compte

Plus en détail

CegidBusinessSuiteRestaurant

CegidBusinessSuiteRestaurant CegidBusinessSuiteRestaurant Cegid Business Suite Restaurant Gérer efficacement tous les aspects de votre métier Avec Cegid Business Suite Restaurant, dotez-vous d un véritable système d information spécialisé

Plus en détail

Un logiciel open source pour l enseignement et la recherche

Un logiciel open source pour l enseignement et la recherche Un logiciel open source pour l enseignement et la recherche Ricco RAKOTOMALALA Laboratoire ERIC Université Lumière Lyon 2 http://chirouble.univ-lyon2.fr/~ricco/tanagra/ 1 sur 23 PLAN 1. Objectifs du projet

Plus en détail

LA PLATEFORME DE FIDÉLISATION ET DE CARTES-CADEAUX À SAVEUR AMÉLIORÉE

LA PLATEFORME DE FIDÉLISATION ET DE CARTES-CADEAUX À SAVEUR AMÉLIORÉE LA PLATEFORME DE FIDÉLISATION ET DE CARTES-CADEAUX À SAVEUR AMÉLIORÉE Programmes de fidélisation : vous faites les règles Une solution entièrement configurable rend l expérience de fidélisation plus facile

Plus en détail

" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! "##$ % &!

 # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! ##$ % &! "# $ %%& ' ( )*+, '()*+,'+''-++.+/0112134+1.50*406 "##$ %& 8CC "#$%& ' ( )* +,-./ 0 123 456+7 3 7-55-89.*/ 0 +3 *+:3 ;< =3 3-3 8 0 23 >-8-3 >5? //*/*0;* @A: *53,,3 / * $/ >B+? - 5, 2 34*56 7 /+#** //8

Plus en détail

LA PLATEFORME DE FIDÉLISATION ET DE CARTES-CADEAUX À SAVEUR AMÉLIORÉE

LA PLATEFORME DE FIDÉLISATION ET DE CARTES-CADEAUX À SAVEUR AMÉLIORÉE LA PLATEFORME DE FIDÉLISATION ET DE CARTES-CADEAUX À SAVEUR AMÉLIORÉE Programmes de fidélisation : vous faites les règles Une solution entièrement configurable rend l expérience de fidélisation plus facile

Plus en détail

Christophe CANDILLIER Cours de DataMining mars 2004 Page 1

Christophe 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 détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

DESCRIPTIF DES PROJETS 3EME ANNEE QUI SERONT PRESENTES LORS DE LA JOURNEE DE PROJET DE FIN D ETUDES LE 31/01/2013

DESCRIPTIF DES PROJETS 3EME ANNEE QUI SERONT PRESENTES LORS DE LA JOURNEE DE PROJET DE FIN D ETUDES LE 31/01/2013 DESCRIPTIF DES PROJETS 3EME ANNEE QUI SERONT PRESENTES LORS DE LA JOURNEE DE PROJET DE FIN D ETUDES LE 31/01/2013 PROJET N 1 : SECURISATION DE MACHINES VIRTUELLES La virtualisation d OS ou de serveurs

Plus en détail

septembre 2008 DataLab

septembre 2008 DataLab septembre 2008 DataLab Comment réaliser un score performant en quelques minutes DataLab, Logiciel distribué par AMABIS www.amabis.com Tel 01 45 36 45 00 Solutions d Optimisation du Marketing Un aperçu

Plus en détail

Cours Fouille de données avancée

Cours Fouille de données avancée Ministère de l Enseignement Supérieur et de la Recherche Scientifique Université Mohamed Khider - Biskra Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie Département d Informatique

Plus en détail

IBM SPSS Direct Marketing

IBM SPSS Direct Marketing IBM SPSS Direct Marketing Analysez le comportement de vos clients et améliorez vos campagnes marketing Points clés Avec SPSS Direct Marketing, vous pouvez : Mieux comprendre vos clients Améliorer vos campagnes

Plus en détail

Méthodes de DM pour la GRC dans les banques

Méthodes de DM pour la GRC dans les banques Techniques de DM pour la GRC dans les banques Page 21 III.1 Introduction Avant de chercher des techniques à appliquer dans la gestion des relations avec les clients. Il faut étudier les données des clients

Plus en détail

La fraude à la carte bancaire

La fraude à la carte bancaire Agenda Utilisation des réseaux sociaux dans la lutte contre la fraude Françoise Soulié Fogelman VP Innovation francoise@kxen.com 1. La fraude à la carte bancaire 2. La question des volumes 3. La création

Plus en détail

Transformation IT de l entreprise COMMENT PROTÉGER VOS DONNÉES ET APPLICATIONS À L ÈRE DE LA MOBILITÉ?

Transformation IT de l entreprise COMMENT PROTÉGER VOS DONNÉES ET APPLICATIONS À L ÈRE DE LA MOBILITÉ? Transformation IT de l entreprise COMMENT PROTÉGER VOS DONNÉES ET APPLICATIONS À L ÈRE DE LA MOBILITÉ? L a montée en puissance des fuites de données en tout genre et l explosion des volumes de données

Plus en détail

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009

Le Data Mining Techniques pour exploiter l information. Auteur : Dan Noël Date : 24.04.2009 Le Data Mining Techniques pour exploiter l information Auteur : Dan Noël Date : 24.04.2009 Agenda de la présentation du 26.03.2009 Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un

Plus en détail

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html

Vous trouvez plus d information sur AREL. ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html ainsi que sur : http://www.eisti.fr/ mma/html-iad/iad.html Option Deux thèmes : La recherche opérationnelle : Traiter des problèmes d optimisation, d aide à la décision et d évaluation de performances

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

Introduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1)

Introduction à lʼinformatique. Décisionnelle (ID) / Business. Intelligence» (1) Introduction à lʼinformatique Décisionnelle et la «Business Intelligence» (1) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013

Plus en détail

Evry - M2 MIAGE Entrepôt de données

Evry - M2 MIAGE Entrepôt de données Evry - M2 MIAGE Entrepôt de données Introduction D. Ploix - M2 Miage - EDD - Introduction 1 Plan Positionnement du BI dans l entreprise Déclinaison fonctionnelle du décisionnel dans l entreprise Intégration

Plus en détail

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. 2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle

Plus en détail

Bases de données avancées Introduction

Bases de données avancées Introduction Bases de données avancées Introduction Dan VODISLAV Université de Cergy-Pontoise Master Informatique M1 Cours BDA Plan Objectifs et contenu du cours Rappels BD relationnelles Bibliographie Cours BDA (UCP/M1)

Plus en détail

Le S.I.M. Le S.I.M. Définition a. S.I.M. ou S.I.C. S.I.M. S.I.C. Le S.I.M. Définition a. S.I.M. ou S.I.C. Définition

Le S.I.M. Le S.I.M. Définition a. S.I.M. ou S.I.C. S.I.M. S.I.C. Le S.I.M. Définition a. S.I.M. ou S.I.C. Définition Le S.I.M. Définition a. S.I.M. ou S.I.C. b. Utilisation commerciale c. Contenu Forme Méthode Sources d information a. S.I.M. ou S.I.C. ou S.I.M. S.I.C. Système d Information Marketing Système d Information

Plus en détail

Cybermarché et analyse comportementale

Cybermarché et analyse comportementale Cybermarché et analyse comportementale Antoine-Eric Sammartino aesammartino@e-laser.fr Séminaire Data Mining - Educasoft Formations 18 juin 2001-1- MENU Le Groupe LaSer Le processus Data Mining L industrialisation

Plus en détail

Transformation IT de l entreprise ANALYTIQUE: L ÈRE WATSON

Transformation IT de l entreprise ANALYTIQUE: L ÈRE WATSON Transformation IT de l entreprise ANALYTIQUE: L ÈRE WATSON L analytique joue un rôle désormais primordial dans la réussite d une entreprise. Les pouvoirs qu elle délivre sont incontestables, cependant

Plus en détail

Crédit Bureaux. des PME. Alger, le 12 mars 2009 Margherita GALLARELLO

Crédit Bureaux. des PME. Alger, le 12 mars 2009 Margherita GALLARELLO Le rôle des Crédit Bureaux pour l accès au crédit des PME 2009 Agenda L activité des Crédit Bureaux Sujets critiques pour les PME Crédit Bureaux: quels avantages pour les PME? Exemple d évaluation Conclusion

Plus en détail

QU EST-CE QUE LE DECISIONNEL?

QU EST-CE QUE LE DECISIONNEL? La plupart des entreprises disposent d une masse considérable d informations sur leurs clients, leurs produits, leurs ventes Toutefois ces données sont cloisonnées par les applications utilisées ou parce

Plus en détail

Fabien Pinckaers Geoff Gardiner. OpenERP. Tiny. Pour une. gestion d entreprise efficace et intégrée. Groupe Eyrolles, 2008, ISBN : 978-2-212-12261-9

Fabien Pinckaers Geoff Gardiner. OpenERP. Tiny. Pour une. gestion d entreprise efficace et intégrée. Groupe Eyrolles, 2008, ISBN : 978-2-212-12261-9 Fabien Pinckaers Geoff Gardiner OpenERP Tiny Pour une gestion d entreprise efficace et intégrée Groupe Eyrolles, 2008, ISBN : 978-2-212-12261-9 Table des matières Première partie Premiers pas avec Open

Plus en détail

Analyse de données textuelles Panorama des fonctions, des méthodes et des usages

Analyse de données textuelles Panorama des fonctions, des méthodes et des usages Analyse de données textuelles Panorama des fonctions, des méthodes et des usages Sylvie Dalbin Assistance & Techniques Documentaires DocForum, Le 17 Novembre 2005 Déroulé de l'intervention (1) 1. Définition

Plus en détail

Agenda de la présentation

Agenda de la présentation Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining

Plus en détail

Entreposage, analyse en ligne et fouille de données

Entreposage, analyse en ligne et fouille de données Entreposage, analyse en ligne et fouille de données Houssem Jerbi IRIT - SIG/ED jerbi@irit.fr Journée COMPIL " Bases de Données" 14/12/2010 PLAN Introduction Bases de données Entrepôt de données Technologie

Plus en détail

Modèle de cahier des charges pour un appel d offres relatif à une solution de gestion des processus métier (BPM)

Modèle de cahier des charges pour un appel d offres relatif à une solution de gestion des processus métier (BPM) LA BOITE A OUTILS DE L ACHETEUR DE BPM Modèle de cahier des charges pour un appel d offres relatif à une solution de gestion des processus métier (BPM) La boîte à outils de l acheteur de solution BPM -

Plus en détail

Référencement dans des bases de données

Référencement dans des bases de données Marketing Site web du guide des ressources pour l édition de revues numériques Coordination : Ghislaine Chartron et Jean-Michel Salaun Doctorant en science de l'information La création numérique, ou la

Plus en détail

WEKA : c est quoi? Brigitte Bigi. 15 février 2011. LPL - Équipe C3I. Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32

WEKA : c est quoi? Brigitte Bigi. 15 février 2011. LPL - Équipe C3I. Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32 WEKA : c est quoi? Brigitte Bigi LPL - Équipe C3I 15 février 2011 Brigitte Bigi (LPL - Équipe C3I) WEKA : c est quoi? 15 février 2011 1 / 32 Introduction 1 Introduction 2 Classification supervisée 3 WEKA

Plus en détail

SiS Web 2 BILLETTERIE BOUTIQUE HÉBERGEMENT FIDÉLITÉ. Réservation et vente de billets et produits en ligne!

SiS Web 2 BILLETTERIE BOUTIQUE HÉBERGEMENT FIDÉLITÉ. Réservation et vente de billets et produits en ligne! Réservation et vente de billets et produits en ligne! A vec l augmentation fulgurante des achats en ligne, il est désormais impératif d être accessible en tout temps afin d offrir vos produits, services

Plus en détail

Durée ou Modalité: Examen! MOTS CLES : Architecture d application, Internet, Web2, RIA, Service Oriented Architecture, XML

Durée ou Modalité: Examen! MOTS CLES : Architecture d application, Internet, Web2, RIA, Service Oriented Architecture, XML DEPARTEMENT INFORMATIQUE ET GESTION S 9 PIGUE9.1 ARCHITECTURE DES SYSTEMES D INFORMATION & INTERNET! COORDINATEUR : Christophe FIORIO! EQUIPE PEDAGOGIQUE : Christophe FIORIO, Tiberiu STRATULAT! VOLUME

Plus en détail

Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2

Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2 Caisse d Epargne Rhône Alpes Licence Econométrie Lyon 2 22 Novembre 2013 - Valérie Rousvoal Direction Etudes Commerciales Sommaire de la rencontre Présentation de la Caisse d épargne Rhône Alpes Présentation

Plus en détail

PRÉSENTATION PRODUIT. Plus qu un logiciel, la méthode plus efficace de réconcilier.

PRÉSENTATION PRODUIT. Plus qu un logiciel, la méthode plus efficace de réconcilier. PRÉSENTATION PRODUIT Plus qu un logiciel, la méthode plus efficace de réconcilier. Automatiser les réconciliations permet d optimiser l utilisation des ressources et de générer plus de rentabilité dans

Plus en détail

Accélérer l agilité de votre site de e-commerce. Cas client

Accélérer l agilité de votre site de e-commerce. Cas client Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible

Plus en détail

Introduction à l'analyse de contenu qualitative : Voyage au pays du qualitatif

Introduction à l'analyse de contenu qualitative : Voyage au pays du qualitatif 1 Introduction à l'analyse de contenu qualitative : Voyage au pays du qualitatif Narration pour présentation Prezi (http://prezi.com/5tjog4mzpuhh/analyse-de-donneestextuelles-analyse-de-contenu-qualitative/)

Plus en détail

Module 3 : Introduction à la Modélisation SOUS MODELER

Module 3 : Introduction à la Modélisation SOUS MODELER Module 3 : Introduction à la Modélisation SOUS MODELER 1 Techniques prédictives Passé pour prédire l avenir 2 Concepts de la modélisation Données test / apprentissage Généralement créées par l utilisateur

Plus en détail

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents

Master ISI 2010-2011. Data Mining Recherche des sous-ensembles fréquents Master ISI 2010-2011 Data Mining Recherche des sous-ensembles fréquents Yves Lechevallier INRIA-Rocquencourt E_mail : Yves.Lechevallier@inria.fr 1 Processus Data Mining Phase A : Entrepôt de données Entrepôt

Plus en détail

La fonction Conformité dans l assurance

La fonction Conformité dans l assurance La fonction Conformité dans l assurance L approche par les risques L exemple de la lutte contre le blanchiment Présentation pour : Faculté d Orléans Intervenant(s) : Laurent GUEREL AG2R LA MONDIALE 1/19

Plus en détail

Clermont Ferrand - Janvier 2003

Clermont Ferrand - Janvier 2003 DISDAMIN: Algorithmes de Data Mining Distribués Valerie FIOLET (1,2) - Bernard TOURSEL (1) 1 Equipe PALOMA - LIFL - USTL - LILLE (FRANCE) 2 Service Informatique - UMH - MONS (BELGIUM) Clermont Ferrand

Plus en détail

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Objectifs Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Structure générale des études à l UTC Règlement

Plus en détail

UNIVERSITE DE LORRAINE CALCIUM

UNIVERSITE DE LORRAINE CALCIUM UNIVERSITE DE LORRAINE CALCIUM Outil pour la gestion des dossiers médicaux des étudiants dans les services universitaires de médecine préventive Table des matières CALCIUM... 0 I. L INFORMATION GÉRÉE PAR

Plus en détail

FONCTIONNALITES DU SYSTEME DE RESERVATION

FONCTIONNALITES DU SYSTEME DE RESERVATION FONCTIONNALITES DU SYSTEME DE RESERVATION 1. LES AVANTAGES DE LA RESERVATION PAR INTERNET 2. NOS REFERENCES WWW. Tennisinfos.com 1 Adresse Internet de nos clients: www.tcvbruche.tennisinfos.com www.ctneuchatel.tennisinfos.com

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

INTRODUCTION AU DATA MINING

INTRODUCTION AU DATA MINING INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre

Plus en détail

Il y a deux types de société: celles qui s adaptent vite et celles qui disparaissent...

Il y a deux types de société: celles qui s adaptent vite et celles qui disparaissent... Vous souhaitez vendre vos produits en ligne et vous positionner sur le marché de l ebusiness? Avant que vos clients puissent pointer, cliquer et acheter, il vous faut définir un plan... António Dória Arnaud

Plus en détail

GEI 465 : Systèmes répartis

GEI 465 : Systèmes répartis Université de Sherbrooke GEI 465 : Systèmes répartis Travaux à effectuer Ahmed Khoumsi Automne 2004 Page 1 Les deux premiers travaux que vous effectuerez vous donneront, respectivement, l occasion d utiliser

Plus en détail

COMPRENDRE LE COMMERCE DU GAZ NATUREL & L INTERET D UN GROUPEMENT D ACHAT

COMPRENDRE LE COMMERCE DU GAZ NATUREL & L INTERET D UN GROUPEMENT D ACHAT COMPRENDRE LE COMMERCE DU GAZ NATUREL & L INTERET D UN GROUPEMENT D ACHAT DOCUMENT 1/3 Ce document a pour but d expliquer le fonctionnement du marché du gaz. Il s agit d une introduction permettant de

Plus en détail

Vendre. Concevoir. Réaliser. La suite logicielle des installateurs

Vendre. Concevoir. Réaliser. La suite logicielle des installateurs Vendre Concevoir Réaliser La suite logicielle des installateurs L outil terrain pour mieux vendre La conception intelligente et intuitive L assistant multifonction pour piloter votre entreprise Produits,

Plus en détail

Plan de cours. À la fin de ce cours, l étudiant doit atteindre les objectifs généraux suivants :

Plan de cours. À la fin de ce cours, l étudiant doit atteindre les objectifs généraux suivants : École de technologie supérieure Département de génie logiciel et des TI Maîtrise en génie, concentration technologie d information Trimestre : Hiver 2012 Professeur : Christian Desrosiers Responsables

Plus en détail

Solutions de gestion de la sécurité Livre blanc

Solutions de gestion de la sécurité Livre blanc Solutions de gestion de la sécurité Livre blanc L intégration de la gestion des identités et des accès avec l authentification unique Objectif : Renforcer la politique de sécurité et améliorer la productivité

Plus en détail

FORMATION INOWEB 02/09/15

FORMATION INOWEB 02/09/15 FORMATION INOWEB 02/09/15 SOMMAIRE 1 Introduction... 3 1.1 Principe... 3 1.2 Démarrage... 3 1.3 Page d accueil... 4 1.3.1 Bandeau en-tête... 4 1.3.2 Zone des modules... 5 1.4 Espace Client :... 6 1.4.1

Plus en détail

Du diagnostic au plan marketing stratégique - - dossier 3 - .I. Les études de marché - La phase exploratoire et l organisation générale de l étude -

Du diagnostic au plan marketing stratégique - - dossier 3 - .I. Les études de marché - La phase exploratoire et l organisation générale de l étude - Du diagnostic au plan marketing stratégique - - dossier 3 -.I. Les études de marché - La phase exploratoire et l organisation générale de l étude - 1.1 - La recherche ou phase exploratoire : Définir précisément

Plus en détail

BOUYGUES TELECOM ENTREPRISES - CLOUD

BOUYGUES TELECOM ENTREPRISES - CLOUD BOUYGUES TELECOM ENTREPRISES - CLOUD PARTIE CLIENT Version 1.4. 21/06/2013 Partie client Page 1 Sommaire 1 FONCTIONS CLES DU PORTAIL 3 1.1 Pré-requis d utilisation des services Cloud 3 1.2 Principes de

Plus en détail

UTFPR. Nada Benlahbib. [DATA MINING] Fertility Data Set

UTFPR. Nada Benlahbib. [DATA MINING] Fertility Data Set UTFPR [DATA MINING] Fertility Data Set Sommaire Introduction... 2 1. Description de la base de données... 3 1.1. Origine de la base... 3 1.2. Description des attributs... 3 1.3. Exploration des données...

Plus en détail

Présentation de l outil

Présentation de l outil Présentation de l outil Communiquer en temps réel avec vos clients Solutions SMS, marketing mobile, numérique et social 1 Notre offre Application web paramétrable pour l envoi et la réception de SMS personnalisés

Plus en détail

BSN 8 Prêt entre bibliothèques (PEB) et fourniture de documents (FDD) - 18 novembre 2011 - ÉTUDE. Quelle convergence entre SUPEB et REFDOC?

BSN 8 Prêt entre bibliothèques (PEB) et fourniture de documents (FDD) - 18 novembre 2011 - ÉTUDE. Quelle convergence entre SUPEB et REFDOC? BSN 8 Prêt entre bibliothèques (PEB) et fourniture de documents (FDD) - 18 novembre 2011 - ÉTUDE Quelle convergence entre SUPEB et REFDOC? La prise de commande à partir de la plateforme Enseignement supérieur

Plus en détail

Objectifs. Maîtriser. Pratiquer

Objectifs. Maîtriser. Pratiquer 1 Bases de Données Objectifs Maîtriser les concepts d un SGBD relationnel Les modèles de représentations de données Les modèles de représentations de données La conception d une base de données Pratiquer

Plus en détail

connaissances «intéressantes» ou des motifs (patterns) à partir d une grande quantité de données.

connaissances «intéressantes» ou des motifs (patterns) à partir d une grande quantité de données. Data Mining = Knowledge Discovery in Databases (KDD) = Fouille de données 1 Définition : Processus ou méthode qui extrait des connaissances «intéressantes» ou des motifs (patterns) à partir d une grande

Plus en détail

Le client/serveur repose sur une communication d égal à égal entre les applications.

Le client/serveur repose sur une communication d égal à égal entre les applications. Table des matières LES PRINCIPES DE BASE... 1 Présentation distribuée-revamping...2 Présentation distante...3 Traitements distribués...3 données distantes-rd...4 données distribuées-rda distribué...4 L'ARCHITECTURE

Plus en détail

Introduction à l Informatique Décisionnelle - Business Intelligence (7)

Introduction à l Informatique Décisionnelle - Business Intelligence (7) Introduction à l Informatique Décisionnelle - Business Intelligence (7) Bernard ESPINASSE Professeur à Aix-Marseille Université (AMU) Ecole Polytechnique Universitaire de Marseille Septembre 2013 Emergence

Plus en détail

Licence Professionnelle en Statistique et Informatique Décisionnelle (S.I.D.)

Licence Professionnelle en Statistique et Informatique Décisionnelle (S.I.D.) Université de Lille 2 - Droit et Santé Ecole Supérieure des Affaires & Institut Universitaire de Technologie (IUT-C) Département Statistique et Traitement Informatique des Données Licence Professionnelle

Plus en détail

" La démarche stratégique :

 La démarche stratégique : ECOLE DES HAUTES ETUDES COMMERCIALES Module : Marketing Fondamental Année Académique : 2014/2015 Niveau : 1 ère année Master (TC) Enseignant : KHERRI Abdenacer Groupes : 12, 13, 14, 15 et 16 Site web :

Plus en détail

Qu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le

Qu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée

Plus en détail

Introduction au datamining

Introduction 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 détail

1 La visualisation des logs au CNES

1 La visualisation des logs au CNES 1 La visualisation des logs au CNES 1.1 Historique Depuis près de 2 ans maintenant, le CNES a mis en place une «cellule d analyse de logs». Son rôle est multiple : Cette cellule est chargée d analyser

Plus en détail

Travailler avec les télécommunications

Travailler avec les télécommunications Travailler avec les télécommunications Minimiser l attrition dans le secteur des télécommunications Table des matières : 1 Analyse de l attrition à l aide du data mining 2 Analyse de l attrition de la

Plus en détail

BASES DE DONNEES AVANCEES

BASES DE DONNEES AVANCEES 1.Introduction J.Korczak 1 BASES DE DONNEES AVANCEES Jerzy KORCZAK, Mohammed ATTIK email: {jjk,attik}@lsiit.u-strasbg.fr BDA Objectifs : Ce cours présente des méthodes, modèles et outils d'aide au développement

Plus en détail

Lettre d information. Octobre 2014

Lettre d information. Octobre 2014 Octobre 2014 Lettre d information Edito Nouveautés : Sage Génération i7 7.70 A la Une : Dématérialisation de la TVA A la Une : Déclaration Sociale Nominative Focus : Sage CRM Online Fiche pratique : Les

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des

Plus en détail

OpenText Content Server v10 Cours 3-0128 (ex 213)

OpenText Content Server v10 Cours 3-0128 (ex 213) v10 Cours 3-0128 (ex 213) Troubleshooting & Support Durée : 1 jour Ce cours d une journée permet aux administrateurs d un système OpenText Content Server de découvrir les points essentiels des techniques

Plus en détail

Statistique II Inférence pour une et deux variables Introduction

Statistique II Inférence pour une et deux variables Introduction Faculté de psychologie Statistique II Inférence pour une et deux variables Introduction Support à l exposé oral Titulaire Bernadette Govaerts ISBA, LSBA et SMCS UCLouvain 28/08/15 P 1 28/08/15 P 2 Statistique

Plus en détail

Thibault Denizet. Introduction à SSIS

Thibault 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 détail

La problématique. La philosophie ' ) * )

La problématique. La philosophie ' ) * ) La problématique!" La philosophie #$ % La philosophie &'( ' ) * ) 1 La philosophie +, -) *. Mise en oeuvre Data warehouse ou Datamart /01-2, / 3 13 4,$ / 5 23, 2 * $3 3 63 3 #, 7 Datawarehouse Data warehouse

Plus en détail

Sommaire. 1 Introduction 19. 2 Présentation du logiciel de commerce électronique 23

Sommaire. 1 Introduction 19. 2 Présentation du logiciel de commerce électronique 23 1 Introduction 19 1.1 À qui s adresse cet ouvrage?... 21 1.2 Comment est organisé cet ouvrage?... 22 1.3 À propos de l auteur... 22 1.4 Le site Web... 22 2 Présentation du logiciel de commerce électronique

Plus en détail

Exploiter les EDI avec Optymo

Exploiter les EDI avec Optymo Exploiter les EDI avec Optymo Notes de lecture : dans ce document, les textes soulignés font référence aux libellés des fenêtres ou aux libellés associés à des boutons d Optymo, et les textes en caractères

Plus en détail

Introduction. d'informations Les entrepôts de données (Datawarehouse) Les datamarts Architecture Modélisation

Introduction. d'informations Les entrepôts de données (Datawarehouse) Les datamarts Architecture Modélisation Data WareHouse Plan Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamarts Architecture Modélisation 2 Présentation Besoin: prise de décisions

Plus en détail

INTELLIGENCE MARKETING ETUDES DE MARCHE - DATA MINING - CONSEIL EN MARKETING - SYSTEMES D INFORMATION MARKETING

INTELLIGENCE MARKETING ETUDES DE MARCHE - DATA MINING - CONSEIL EN MARKETING - SYSTEMES D INFORMATION MARKETING ETUDES DE MARCHE - DATA MINING - CONSEIL EN - SYSTEMES D INFORMATION Notre mission Des études de marché au data mining Cinq sur Cinq est un institut d intelligence marketing. Notre métier : collecter,

Plus en détail

Découvrir Landpark Manager - Gestion des vos Actifs Informatiques

Découvrir Landpark Manager - Gestion des vos Actifs Informatiques DÉCOUVRIR LANDPARK MANAGER GESTION DE VOS ACTIFS INFORMATIQUES Page 4 Landpark Manager - une ergonomie conviviale avec des vues graphiques de votre parc informatique Landpark Manager Vue géographique par

Plus en détail

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux

Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Filière Data Mining (Fouille de données) Pierre Morizet-Mahoudeaux Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants et partenaires Motivations de la filière fouille de données

Plus en détail

La recherche à la bibliothèque

La recherche à la bibliothèque Guide rapide n o 1 La recherche à la bibliothèque Les six étapes d une recherche efficace Par Guylaine Simard, bibl. prof. Responsable de la bibliothèque Août 2013 1. Déterminer précisément son sujet de

Plus en détail