Etudiant : Nadine TOUNGOU. Professeur: Edwin DIDDAY

Dimension: px
Commencer à balayer dès la page:

Download "Etudiant : Nadine TOUNGOU. Professeur: Edwin DIDDAY"

Transcription

1 Etudiant : Nadine TOUNGOU Professeur: Edwin DIDDAY

2 Plan du projet 1 Etat de l art Définition Liste non exhaustive de quelques principaux logiciels : Les domaines d utilisation et intérêt pratique du datamining Description du logiciel SODAS Description de la base de données choisie ) Description des tables et des requêtes Les tables : Les requêtes Description des Individus, des concepts et des variables Description détaillée des concepts Présentation des méthodes, des résultats obtenus et interprétation des résultats La méthode SOE (Symbolic Object Editor) Description des variables nominales Variables quantitatives Interprétation des variables nominales La méthode VIEW La méthode PCM (Principal Component Analysis) La méthode STAT La méthode PYR La méthode DIV La méthode TREE La méthode SCLUST Nadine TOUNGOU - DEA 127 ( ) - 2 -

3 N ous avons choisi pour notre projet SODAS, la base de données relative au développement des pays ; Elle porte sur quelques pays du monde en 2000, constituée des indicateurs composites de développement acceptés par les organismes internationaux tels que la Banque Mondiale, le Fonds Monétaire International et les Nations Unies. Selon ces entités, les pays font partie de deux catégories économiques à savoir pays industrialisés ou développés et pays en voie de développement. 1 Etat de l art 1.1 Définition Dans datamining il y a Data = Données et Mining = fouiller Le Datamining, ou prospection de données, est un ensemble de méthodes et de techniques d'analyse dont les applications peuvent servir à mieux connaître les clients de l'entreprise. Ce prolongement des statistiques, qui figure selon le Massachussets Institute of Technology parmi les dix technologies qui vont changer le monde, sert à extraire des informations d'une masse de données brutes atteignant souvent plusieurs térabits. On peut ainsi repérer des relations systématiques entre différentes variables, comme le fait d'acheter des chips et de la bière le samedi matin et de regarder le match de football le samedi après-midi. Les techniques associées au datamining s'appuient sur la théorie de l'information, sur des méthodes statistiques et également sur celles de l'intelligence artificielle Les données à explorer sont stockées dans de gigantesques entrepôts nommés Datawarehouse, elles peuvent aussi se trouver dans des infocentres plus traditionnels. 1.2 Liste non exhaustive de quelques principaux logiciels : La solution logicielle intégrée SAS Enterprise Miner TM est un outil très puissant. Il permet des analyses rapides sur de très grosses bases de données. Il est très convivial : il dispose d'une interface composée d'icônes et de flèches permettant une visualisation générale de la totalité du projet. SPAD est le logiciel français pionnier dans les analyses exploratoires et le data mining. Connu et reconnu pour sa convivialité et son efficacité, il possède les principales techniques statistiques liées au data mining. Description automatique de variables, analyse exploratoires multidimensionnelles (ACP, AFC, ACM et Classif), Réseaux de neurones, Analyse discriminante, Nadine TOUNGOU - DEA 127 ( ) - 3 -

4 Segmentation... SmartMiner est un logiciel d'aide à la décision qui permet l'exploration des informations (contenues dans des bases de données commerciales ou d'enquêtes) et d'en extraire l'information. Il permet de réaliser des segmentation (par arbres de décision et classification) ainsi que de la prévision (par séries chronologiques et modélisations). Clementine, l'atelier de data mining, accompagne l'entreprise dans la gestion de sa relation client. Clementine intègre l'ensemble des techniques statistiques pour la valorisation et la modélisation de vos données. Son interface visuelle et intelligente facilite le processus de data mining et permet à l'utilisateur d'exploiter pleinement ses connaissances métier. Solution globale d'entreprise Clementine permet le déploiement des modèles créés à chaque acteur de l'entreprise. Le logiciel ALICE d'isoft trouve l'information essentielle cachée dans vos données vous permettant de prendre de meilleures décisions. ALICE est un outil de data mining en ligne, cela peut vous apporter des résultats compréhensibles et explicites. Puissant et scalable, il couvre la totalité du cycle du data mining 1.3 Les domaines d utilisation et intérêt pratique du datamining Le datamining aide à trouver des profils et des tendances cachés et des informations de gestion utiles dans de vastes ensembles de données. Ainsi renseignées, les entreprises peuvent améliorer le marketing, les ventes, et l'assistance client, grâce à une meilleure appréhension de la clientèle. Maîtrise de l information et de la connaissance permet de : Tirer parti d un avantage concurrentiel Produire de la valeur Constituer un avantage industriel (savoir-faire) Réaliser des économies d échelles grâce à la réutilisation des méthodes Déployer les méthodes sur tous les domaines applicatifs Développer les compétences, la capacité et l autonomie de réflexion et d action de l entreprise Nadine TOUNGOU - DEA 127 ( ) - 4 -

5 1.4 Description du logiciel SODAS SODAS est l outil de data mining que nous utiliserons dans notre étude. Conçu pour l analyse de données symboliques et l extraction de connaissances à partir d une base de données, SODAS est le fruit d une collaboration européenne entre des établissements éducatifs et quelques sociétés commerciales. Même s il offre des richesses analytique d un niveau équivalent, SODAS n est pas un logiciel de statistiques classique dans la mesure où il manipule des données de type complexe et permet de les représenter graphiquement. De plus, il est destiné à des utilisateurs «métier», sans compétences statistiques ou informatiques, ce qui permet de se concentrer sur ce qui est recherché et non sur la manière d y parvenir. Cependant, il ne se contente pas de données des méthodes trop simples et pré formatées : il laisse à l utilisateur la possibilité de paramétrer chacune d elles afin d obtenir des résultats plus précis. L idée de SODAS est la suivante : à partir d'une base de données, construire un tableau de données symboliques, parfois muni de règles et de taxonomies, dans le but de décrire des concepts résumant un vaste ensemble de données, analyser ensuite ce tableau pour en extraire des connaissances par des méthodes d'analyse de données symboliques. En plus d être libre, SODAS a le mérite d être un logiciel polyvalent, permettant de faire aussi bien de l analyse symbolique et statistique que de classer les données par hiérarchie ou encore par arbre de décision. Nous utiliserons dans ce projet la plupart des méthodes disponibles dans SODAS, mais comme nous l avions annoncé en introduction, nous nous concentrerons sur l acquisition de connaissances à l aide de similarité. Dans le cadre de notre étude, SODAS nous permettra d extraire les données d une base ACCESS, mais il reste très ouvert puisque ses différents modules d importation de données lui permettent d extraire des bases Oracle, SQL Server ou même des tableaux Excel... Les différentes étapes que nous suivrons pour mener à bien notre étude sont les suivantes : 1) Construction de la base de données 2) Rattacher les entités à un concept et définir les taxonomies 3) Construire les tableaux nécessaires à DB2SO à partir de requêtes 4) Importer les données dans DB2SO pour les transformer en tableaux symboliques 5) Exécuter les méthodes SODAS et interpréter les résultats pour chacune d elles Nadine TOUNGOU - DEA 127 ( ) - 5 -

6 2 Description de la base de données choisie 1-) Description des tables et des requêtes Les tables : C est une base de données relationnelle appelée «dvpt_pays.mdb» qui comprend 6 tables dont voici le schéma conceptuel : Categorie est la table qui contient la position économique. Main_table est la table principale où sont décrits tous les individus. Nadine TOUNGOU - DEA 127 ( ) - 6 -

7 Continent est la table qui comprend la liste des continents à savoir : l Afrique, l Amérique, l Asie, l Europe et l Océanie. Religion est la table qui contient les principales religions observées dans le monde tels le Catholicisme, le Protestantisme, l Anglicanisme, le Bouddhisme, l Hindouisme, le Shintoïsme, l Islam, le Judaïsme, l Athéisme (qui est plutôt un manque de religion), et l Animisme Langue est la table décrivant les types de langues parlées dans les pays choisis comme le français, l anglais, l allemand, le portugais, l espagnol Concept est la table décrivant la liaison entre les catégories économiques, les continents et les pays Nadine TOUNGOU - DEA 127 ( ) - 7 -

8 2.1.2 Les requêtes Nous avons utilisé trois requêtes : Pour l analyse en général : SELECT * FROM Req_Objet_Symbolique Cette requête permettra de faire une analyse des objets symboliques sur l ensemble des variables. Pour la méthode Tree : SELECT * FROM Req_Var_Classe Nous avons choisi prendre la variable «nom_catg», qui définit le développement économique du pays, comme variable classe. Pour la taxonomie : SELECT * FROM Req_Taxonomy La variable «code_religion» est choisie pour être une taxonomie. Nadine TOUNGOU - DEA 127 ( ) - 8 -

9 Le résultat obtenu est : 2.2 Description des Individus, des concepts et des variables Nous avons cinquante individus représentés par les pays. Les pays sont choisis par rapport à l existence et la complétude des données sur les variables énumérées ci-dessous. Nous avons déterminé dix concepts issus du croissement des catégories économiques et des continents car il y a 2 catégories (pays industrialisé et pays en développement) et 5 continents. Remarque : Le nombre d individus par concepts est approximativement cinq sauf pour l Océanie, qui ne présente pas beaucoup de pays. Dans cette étude, un pays désigne un Etat indépendant. Nadine TOUNGOU - DEA 127 ( ) - 9 -

10 2.2.1 Description détaillée des concepts Les variables symboliques nominales : Les variables symboliques numériques : Nous prenons l exemple des pays développés en Europe. La deuxième langue varie par rapport à d autres continents où l anglais ou le français sont parlés. L allemand est tout de même plus utilisé. Le régime politique est parlementaire car il y a beaucoup d état en monarchie. Ce sont des pays relativement petits en superficie. Leur croissance annuelle Nadine TOUNGOU - DEA 127 ( )

11 est assez faible, de l ordre de 0,5. Le PIB par habitant est élevé entre et $ US. Ils ont une qualité de vie au niveau supérieur car l IDH est proche de 1 Le choix des variables a été déterminé par : - la disponibilité des statistiques pour chaque individu - l importance accordée par les entités internationales à ces variables - leur relation avec la problématique posée précédemment - la cohérence des données au niveau de l unité. Par exemple, le PIB est toujours mentionné en $US. D après ces critères, on a identifié comme: Quatre variables quantitatives: - l effectif de la population en milliers (population) - l espérance de vie en années (esp_vie) - le PIB par habitant en $ US (PIB_hab) - l indicateur de développement humain (IDH) Trois variables qualitatives: - la nature du régime politique (nature_regime) - la religion principale (code_religion) - la deuxième langue internationale (code_langue2) Variable classe choisie est la nature du régime politique Variable taxonomie est la religion principale Nadine TOUNGOU - DEA 127 ( )

12 3 Présentation des méthodes, des résultats obtenus et interprétation des résultats 3.1 La méthode SOE (Symbolic Object Editor) Elle permet de voir dans une table tous les objets symboliques présents dans un fichier SODAS et d opérer quelques modifications basiques des données à l intérieur de la table, Il s agit de représenter les variables soit sous forme de tableaux ou de graphes selon les concepts sélectionnés. SOE offre aussi des fonctionnalités pour voir des représentations graphiques en 2D ou 3D et la représentation de chaque objet symbolique présent dans la table : c est le principe de l étoile zoom. L'étoile zoom est une représentation graphique qui permet de visualiser des données statistiques complexes appelées objets symboliques. L'étoile zoom fournit différents niveaux de détails de manière interactive, notamment grâce à une représentation en deux et en trois dimensions. Un objet symbolique est généralement le résultat d'une agrégation d'individus multivariés si bien que chaque objet symbolique figure dans une classe d'individus Description des variables nominales Nadine TOUNGOU - DEA 127 ( )

13 En général, les individus des SDAFR parlent Anglais ou Français, sont musulmans et ont un régime politique présidentiel Parle en majorité l Anglais, sont animistes et ont un régime politique parlementaire Nadine TOUNGOU - DEA 127 ( )

14 Parle en majorité l Espagnol, sont catholiques et ont un régime politique présidentiel. Les individus des SDASI en général parlent anglais, sont bouddhistes et ont comme régime politique le parlementaire ou le constitutionnel Nadine TOUNGOU - DEA 127 ( )

15 Les individus des DASI en général parlent l anglais, ont un régime politique parlementaire et sont soit bouddhistes, soit musulmans soit hindous,soit juifs Variables quantitatives Pays Sous développé Nadine TOUNGOU - DEA 127 ( )

16 Malgré le fait que tous ces concepts font partie du groupe pays en développement on remarque toute fois beaucoup de disparité Ainsi on pour :* La population : les asiatiques sont très nombreux les océaniques moins L expérience de vie : les Africains vivent moins longtemps maximum 52ans contre 70ans en moyenne pour tous les autres Le PIB par habitant : les africains sont en moyenne dix fois plus pauvres (501$/an) que les européens (5548$/an) L IDH : Tous les pays sont au dessus de 50% et l Europe atteint même les 100% Pays développés Nadine TOUNGOU - DEA 127 ( )

17 Parmi les pays développés les américains sont les plus riches, les asiatiques vivent plus longtemps et sont plus nombreux, les océaniques sont les moins nombreux On remarque que le PIB maximum des pays africains développés est trois fois inférieur au revenu annuel par habitant maximum des américains Interprétation des variables nominales Pour les concepts DAFR et SDEUR On remarque les pays européens en développement ont tous un régime politique Parlementaire et sont en majorité catholiques, or les africains ont un régime présidentiel et sont en général musulmans Nadine TOUNGOU - DEA 127 ( )

18 3.2 La méthode VIEW Elle remplace la méthode SOE dans la version 2.5 de SODAS Présentation des graphiques de la méthode View Répartition des individus faisant partis du concept SDOCE en fonction du code_religion, code_langue2 et nature_regime. Nadine TOUNGOU - DEA 127 ( )

19 Positionnement des dix concepts par rapport aux variables qualitatives Répartition des concepts en fonction des variables quantitatives Nadine TOUNGOU - DEA 127 ( )

20 3.3 La méthode PCM (Principal Component Analysis) C est une extension de la méthode d analyse en composante principale qui prend comme input une matrice de terme général aij de type intervalle. Chaque valeur aij est un intervalle contenant toutes les valeurs possibles de j pour un objet i. Au lieu de représenter chaque point sur un plan factoriel par un point comme dans la méthode ACP, dans la méthode PCM, chaque objet est visualisé par un rectangle Le concept SDAFR est seul sur la gauche donc ne contient que des indicateurs négatifs pour l axe PC3 et est le seul au dessus de zéro pour l axe PC1 Nadine TOUNGOU - DEA 127 ( )

21 Tous les concepts sont concentrés vers la bas du graphique excepté le SDASI qui est très largement au dessus des autres pour le PC2. Il n y a que le concept DEUR qui a une meilleur notation (1,7 ;-0,2) tous les autres ont de grandes disparité au sein des individus de chaque concept car ils s étalent sur une plus large surface à l instar du concept DASI qui occupe le grand aire. Nadine TOUNGOU - DEA 127 ( )

22 3.4 La méthode STAT La méthode STAT a fourni le document suivant Nadine TOUNGOU - DEA 127 ( )

23 Nadine TOUNGOU - DEA 127 ( )

24 3.5 La méthode PYR Cette pyramide comprend 47 niveaux d hiérarchies Voici quelques niveaux car le schéma n est pas très lisible. Liste des concepts de haut en bas Les hiérarchies 1 à 10 se composent des atomes ie des concepts (dans l ordre) DAMQ ; SDEUR ; DEUR ; DAFR ; SDAMQ ; SDOCE ; DOCE ; SDAFR ; SDASI ; DASI La hiérarchie 11 comprend les concepts (SDOCE, DOCE) La hiérarchie 12 comprend les concepts (SDOCE, SDAMQ) La hiérarchie 13 comprend les concepts (SDAMQ, DAFR) La hiérarchie 14 comprend les concepts (DAFR, DEUR) La hiérarchie 15 comprend les concepts (DEUR, SDEUR) La hiérarchie 16 comprend les hiérarchies (12, 13) La hiérarchie 17 comprend les concepts (DOCE, SDAFR) La hiérarchie 18 comprend les hiérarchies (11, 12) La hiérarchie 19 comprend les hiérarchies (14, 16) La hiérarchie 20 comprend les concepts (DAMQ, SDEUR) Nadine TOUNGOU - DEA 127 ( )

25 3.6 La méthode DIV La méthode DIV a partitionné la population en deux groupes en se basant sur la variable nominale code_religion. Nadine TOUNGOU - DEA 127 ( )

26 La méthode DIV a trouvé deux classes avec comme paramètres la variable quantitative Population La méthode DIV a trouvé deux classes avec comme paramètres la variable quantitative PIB_hab Nadine TOUNGOU - DEA 127 ( )

27 3.7 La méthode TREE On essaye d expliquer l appartenance à la classe Pays développé ou à la classe pays en développement avec les variables quantitatives Nadine TOUNGOU - DEA 127 ( )

28 Résultat du VTREE est différent de celui trouvé avec la méthode DIV pour le PIB_hab Ainsi on trouve que l appartenance a un groupe pays développé ou pays en développement est mieux expliquée par la variable quantitative PIB_hab La méthode SB TREE donne l arbre suivant : Nadine TOUNGOU - DEA 127 ( )

29 Que dit l arbre? Il a fait une répartition des concepts selon le PIB_hab pour expliquer l appartenance aux différentes catégories ainsi on a : deux grands groupes divisé chacun en deux sous groupes : Pays développés : Les concepts DAFR et DEUR ie pays développés africains et européens forment un sous groupe : donc ont a peu prés le même revenu moyen annuel ; et les concepts DAMQ, DOCE, DASI ie Les pays développés américains, océaniques et asiatiques forment l autre sous groupe. Pays en développement Les concepts SDEUR et SDOCE ie océaniques et européens forment un sous groupe et les concepts SDAFR, SDAMQ et SDASI forment l autre sous groupe Nadine TOUNGOU - DEA 127 ( )

30 3.8 La méthode SCLUST Cas des variables quantitatives Nadine TOUNGOU - DEA 127 ( )

31 Nadine TOUNGOU - DEA 127 ( )

32 Nadine TOUNGOU - DEA 127 ( )

33 C e projet nous permis de nous familiariser avec les notions de concepts et d objets symboliques ; ainsi que d apprendre à utiliser le logiciel SODAS. En maîtrisant SODAS il est clair qu aucun logiciel de Datamining ne nous poserait plus trop de soucis car il comporte les notions de base en matière de fouille de données. Lors de l application de la méthode DIV nous avons pu constater qu effectivement les regroupements attendus n étaient toujours pas présents et ceux improbables à nos yeux apparaissaient exemple cas de la partition avec le PIB/Habitant, le concept DAFR se retrouve dans la même classe que tous les autres pays sous développés.et la méthode PYR pour la hiérarchie 17 on a l association dans une classe des concepts DOCE (pays développés d Océanie) et SDAFR (pays sous développés d Afrique) Nous avons pu utiliser plusieurs méthodes de SODAS mais malheureusement sans avoir complètement saisi le sens et but de ces méthodes telle PCM où nous n avons pas pu savoir à quoi correspondaient les différents axes afin de faire des interprétations parlantes. Nous espérons mieux appréhender ces différentes méthodes lors des directions de recherche afin de fournir un travail de meilleure qualité. Nadine TOUNGOU - DEA 127 ( )

DATA MINING - Analyses de données symboliques sur les restaurants

DATA MINING - Analyses de données symboliques sur les restaurants Master 2 Professionnel - Informatique Décisionnelle DATA MINING - Analyses de données symboliques sur les restaurants Etudiants : Enseignant : Vincent RICHARD Edwin DIDAY Seghir SADAOUI SOMMAIRE I Introduction...

Plus en détail

Critères pour avoir la meilleure équipe!

Critères pour avoir la meilleure équipe! PROJET DATAMINING Basket-ball professionnel "NBA" : Critères pour avoir la meilleure équipe! Réalisé par : Anasse LAHLOU KASSI Houssam Eddine HOUBAINE DESS TIO DESS ID Année Scolaire : SOMMAIRE INTRODUCTION...

Plus en détail

données en connaissance et en actions?

données en connaissance et en actions? 1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)

Plus en détail

1 INFORMATION - INFORMATIQUE. 11 Systèmes d'information gestion des connaissances, knowledge management

1 INFORMATION - INFORMATIQUE. 11 Systèmes d'information gestion des connaissances, knowledge management p.1 1 INFORMATION - INFORMATIQUE 10 Sciences cognitives aspects fondamentaux 11 Systèmes d'information gestion des connaissances, knowledge management 110 Intelligence économique veille économique, stratégique,

Plus en détail

Structure 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 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 détail

Changer la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes.

Changer la source d'une requête dans SAS Enterprise Guide. Ce document explique comment changer la table source de la tâche Filtre et requêtes. SAS, Cognos, Stata, Eviews, conseil, expertise, formation, mining, datamining, statistique, connaissance Changer la source d'une requête dans SAS Enterprise Guide client, valeur client, CRM, fidélisation,

Plus en détail

Solutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision

Solutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision Solutions Décisionnelles SPAD La maîtrise des données, l'art de la décision SPAD, la référence en Analyse de Données et Data Mining La solution logicielle SPAD permet de tirer le meilleur parti de tous

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

Introduction à Business Objects. J. Akoka I. Wattiau

Introduction à Business Objects. J. Akoka I. Wattiau Introduction à Business Objects J. Akoka I. Wattiau Introduction Un outil d'aide à la décision accès aux informations stockées dans les bases de données et les progiciels interrogation génération d'états

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

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

ANNEXES. Evaluation de la formation à Polytech Lille Département GIS. Enseignements les plus utiles. Enseignements à renforcer

ANNEXES. Evaluation de la formation à Polytech Lille Département GIS. Enseignements les plus utiles. Enseignements à renforcer ANNEXES Evaluation de la formation à Polytech Lille Département GIS Enseignements les plus utiles Enseignements à renforcer Enseignements à intégrer Commentaires Généraux Accompagnement Professionnel Enseignements

Plus en détail

Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs

Le Futur de la Visualisation d Information. Jean-Daniel Fekete Projet in situ INRIA Futurs Le Futur de la Visualisation d Information Jean-Daniel Fekete Projet in situ INRIA Futurs La visualisation d information 1.Présentation 2.Bilan 3.Perspectives Visualisation : 3 domaines Visualisation scientifique

Plus en détail

Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI

Déroulement 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 détail

Introduction à la B.I. Avec SQL Server 2008

Introduction à la B.I. Avec SQL Server 2008 Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide

Plus en détail

WEBSELL. Projet DATAMINING

WEBSELL. Projet DATAMINING WEBSELL Projet DATAMINING Analyse des données dans le cadre d une étude de banchmarking DESS ID Session 2005/2006 Mariam GASPARIAN [ Page 1 ] SOMMAIRE 1. INTRODUCTION... 3 2. METHODES ET OUTILS... 4 2.1.

Plus en détail

Projet de Datamining Supervisé (SODAS) Analyse des régions françaises

Projet de Datamining Supervisé (SODAS) Analyse des régions françaises Master 2 ème Année Ingénierie Statistique et financière Projet de Datamining Supervisé (SODAS) Analyse des régions françaises Réalisé par : Nicolas CHAIGNEAUD Nora SLIMANI Année universitaire 2007-2008

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

Datamining. Université Paris Dauphine DESS ID 2004/2005. Séries télévisées nominées aux oscars. Enseignant : Réalisé par : Mars 2005. Mr E.

Datamining. Université Paris Dauphine DESS ID 2004/2005. Séries télévisées nominées aux oscars. Enseignant : Réalisé par : Mars 2005. Mr E. Université Paris Dauphine DESS ID 2004/2005 Datamining Séries télévisées nominées aux oscars Mars 2005 Enseignant : Mr E. DIDAY Réalisé par : Mounia CHERRAD Anne-Sophie REGOTTAZ Sommaire Introduction...

Plus en détail

Chapitre 9 : Informatique décisionnelle

Chapitre 9 : Informatique décisionnelle Chapitre 9 : Informatique décisionnelle Sommaire Introduction... 3 Définition... 3 Les domaines d application de l informatique décisionnelle... 4 Architecture d un système décisionnel... 5 L outil Oracle

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

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

Utiliser SQL Server 2008 R2 Reporting Services comme source de donne es pour Microsoft Excel

Utiliser SQL Server 2008 R2 Reporting Services comme source de donne es pour Microsoft Excel Utiliser SQL Server 2008 R2 Reporting Services comme source de donne es pour Microsoft Excel Excel est un des meilleurs outils de manipulation de données et parfois il est nécessaire d exploiter des données

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

Burkina Faso Profil pays EPT 2014

Burkina Faso Profil pays EPT 2014 Burkina Faso Profil pays EPT 14 Contexte général Situé au cœur de l Afrique occidentale, dans la boucle du Niger, le Burkina Faso est l un pays des pays les plus peuplés de la sous-région Ouest-africaine

Plus en détail

Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS

Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS 1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5

Plus en détail

Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise.

Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Solutions PME VIPDev Nos Solutions PME VIPDev sont les Atouts Business de votre entreprise. Cette offre est basée sur la mise à disposition de l ensemble de nos compétences techniques et créatives au service

Plus en détail

LANDPARK COMMENT ÉTABLIR RAPIDEMENT VOS RAPPORTS

LANDPARK COMMENT ÉTABLIR RAPIDEMENT VOS RAPPORTS LANDPARK COMMENT ÉTABLIR RAPIDEMENT VOS RAPPORTS Avril 2014 Rapports détaillés d un ou plusieurs PC à partir d une liste et export Excel, Word, XML avec possibilité de graphiques Rapports détaillés à partir

Plus en détail

E.I.S : Un outil performant pour I'analyse du risque en Assurance

E.I.S : Un outil performant pour I'analyse du risque en Assurance E.I.S : Un outil performant pour I'analyse du risque en Assurance Fabienne Hassan - Pascale Robin - Guy Valdois - Groupama Central Assurance France 1 - GROUPAMA ASSURANCE 1-1 Positionnement de l'entreprise

Plus en détail

Présentation de l'architecture QlikView. Livre blanc sur la technologie QlikView. Date de publication : octobre 2010 www.qlikview.

Présentation de l'architecture QlikView. Livre blanc sur la technologie QlikView. Date de publication : octobre 2010 www.qlikview. Présentation de l'architecture QlikView Livre blanc sur la technologie QlikView Date de publication : octobre 2010 Sommaire Signification de la plate-forme QlikView... 3 La majorité des logiciels de BI

Plus en détail

Cursus Sage ERP X3 Outils & Développement. Le parcours pédagogique Sage ERP X3 Outils et Développement

Cursus Sage ERP X3 Outils & Développement. Le parcours pédagogique Sage ERP X3 Outils et Développement Cursus Outils & Développement Vous êtes Consultant, Chef de Projets, Directeur des Systèmes d Information, Directeur Administratif et Financier, Optez pour les «formations Produits» Nous vous proposons

Plus en détail

Business Intelligence : Informatique Décisionnelle

Business Intelligence : Informatique Décisionnelle Business Intelligence : Informatique Décisionnelle On appelle «aide à la décision», «décisionnel», ou encore «business intelligence», un ensemble de solutions informatiques permettant l analyse des données

Plus en détail

Gestion de la Relation Client (GRC)

Gestion de la Relation Client (GRC) Techniques de DM pour la GRC dans les banques Page 2 I.1 Introduction La gestion de la relation client est devenue un processus essentiel dans les institutions bancaires. Ils essaient toujours d améliorer

Plus en détail

Création dynamique des répertoires WORK et SASUSER des utilisateurs

Création dynamique des répertoires WORK et SASUSER des utilisateurs SAS, Cognos, Stata, Eviews, conseil, expertise, formation, mining, datamining, statistique, connaissance Création dynamique des répertoires WORK et SASUSER des utilisateurs client, valeur client, CRM,

Plus en détail

Formations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI SYNALTIC 24 RUE DE L EGLISE 94300 VINCENNES

Formations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI SYNALTIC 24 RUE DE L EGLISE 94300 VINCENNES Formations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI SYNALTIC 24 RUE DE L EGLISE 94300 VINCENNES Table des matières Edito... 3 Informations pratiques... 4 Accueil des stagiaires... 4 Horaires...

Plus en détail

Le jeu «Si le monde était un village» Source : Afric Impact

Le jeu «Si le monde était un village» Source : Afric Impact Le jeu «Si le monde était un village» Source : Afric Impact Niveau / âge des participants Enfants (à partir de 12 ans), adolescents et adultes. Temps/durée d animation Environ ¼ d heure. Nombre d animateurs

Plus en détail

De la Business Intelligence au Balanced Scorecard, les outils de décision pour une Performance durable de votre entreprise

De la Business Intelligence au Balanced Scorecard, les outils de décision pour une Performance durable de votre entreprise De la Business Intelligence au Balanced Scorecard, les outils de décision pour une Performance durable de votre entreprise 3 ème édition Mercredi 21 novembre 2012 Hotel TIAMA, Abidjan Dossier de presse

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

Historique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications

Historique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d

Plus en détail

LA PYRAMIDE DES BESOINS VERSION 2.0

LA PYRAMIDE DES BESOINS VERSION 2.0 AGENCE DE COMMUNICATION INTERACTIVE LA PYRAMIDE DES BESOINS VERSION 2.0 MM Création 32 Avenue de Wagram 75 008 Paris Tél : 01 45 74 76 00 Fax : 01 45 74 95 06 E-mail : jn@mmcreation.com Site : www.mmcreation.com

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

La place de SAS dans l'informatique décisionnelle

La place de SAS dans l'informatique décisionnelle La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie

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

Introduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours

Introduction. Informatique décisionnelle et data mining. Data mining (fouille de données) Cours/TP partagés. Information du cours Information du cours Informatique décisionnelle et data mining www.lia.univ-avignon.fr/chercheurs/torres/cours/dm Juan-Manuel Torres juan-manuel.torres@univ-avignon.fr LIA/Université d Avignon Cours/TP

Plus en détail

Introduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS)

Introduction aux outils BI de SQL Server 2014. Fouille de données avec SQL Server Analysis Services (SSAS) MIT820: Entrepôts de données et intelligence artificielle Introduction aux outils BI de SQL Server 2014 Fouille de données avec SQL Server Analysis Services (SSAS) Description générale Ce tutoriel a pour

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

Urbanisation des SI-NFE107

Urbanisation des SI-NFE107 OLAP Urbanisation des SI-NFE107 Fiche de lecture Karim SEKRI 20/01/2009 OLAP 1 Introduction PLAN OLAP Les différentes technologies OLAP Plate formes et Outils 20/01/2009 OLAP 2 Informatique décisionnelle

Plus en détail

2 Serveurs OLAP et introduction au Data Mining

2 Serveurs OLAP et introduction au Data Mining 2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité

Plus en détail

Université Paris IX DAUPHINE DATE : 24/04/06

Université Paris IX DAUPHINE DATE : 24/04/06 Master Informatique Décisionnelle Application des outils de l'informatique Décisionnelle en entreprise ETUDE SUR LES MARQUES ET LES CONTRUCTEUR DES VÉHICULES APPARTENANT AUX CLIENTS D UNE COMPAGNIE D ASSURANCE

Plus en détail

Complet Intuitif Efficace. Références

Complet Intuitif Efficace. Références Logiciel de référence en Analyse de Données, Data Mining et Text Mining pour transformer vos données en connaissance Complet Intuitif Efficace Dans un environnement convivial et intuitif, disposez de toute

Plus en détail

Performance et simplicité. Logiciel de diagnostic Sleepware G3

Performance et simplicité. Logiciel de diagnostic Sleepware G3 Performance et simplicité Logiciel de diagnostic Sleepware G3 Gestion des données optimisée et préférences personnalisées L interface intuitive et conviviale de Sleepware G3 facilite la gestion des données

Plus en détail

Date de diffusion : Rédigé par : Version : Mars 2008 APEM 1.4. Sig-Artisanat : Guide de l'utilisateur 2 / 24

Date de diffusion : Rédigé par : Version : Mars 2008 APEM 1.4. Sig-Artisanat : Guide de l'utilisateur 2 / 24 Guide Utilisateur Titre du projet : Sig-Artisanat Type de document : Guide utilisateur Cadre : Constat : Les Chambres de Métiers doivent avoir une vision prospective de l'artisanat sur leur territoire.

Plus en détail

Intelligence Economique - Business Intelligence

Intelligence Economique - Business Intelligence Intelligence Economique - Business Intelligence Notion de Business Intelligence Dès qu'il y a une entreprise, il y a implicitement intelligence économique (tout comme il y a du marketing) : quelle produit

Plus en détail

Fournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement

Fournir un accès rapide à nos données : agréger au préalable nos données permet de faire nos requêtes beaucoup plus rapidement Introduction Phases du projet Les principales phases du projet sont les suivantes : La mise à disposition des sources Des fichiers Excel sont utilisés pour récolter nos informations L extraction des données

Plus en détail

THOT - Extraction de données et de schémas d un SGBD

THOT - Extraction de données et de schémas d un SGBD THOT - Extraction de données et de schémas d un SGBD Pierre-Jean DOUSSET (France), Benoît ALBAREIL (France) pj@miningdb.com, benoit@miningdb.com Mots clefs : Fouille d information, base de données, système

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Le "tout fichier" Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique

Le tout fichier Le besoin de centraliser les traitements des fichiers. Maitriser les bases de données. Historique Introduction à l informatique : Information automatisée Le premier ordinateur Définition disque dure, mémoire, carte mémoire, carte mère etc Architecture d un ordinateur Les constructeurs leader du marché

Plus en détail

Réunion d'information Stage / Evaluation licence. Licence Informatique 3. Ingénierie Informatique & Mathématiques-Informatique

Réunion d'information Stage / Evaluation licence. Licence Informatique 3. Ingénierie Informatique & Mathématiques-Informatique Réunion d'information Stage / Evaluation licence Licence Informatique 3 Ingénierie Informatique & Mathématiques-Informatique Validation Janvier : si S5

Plus en détail

Travaux pratiques avec RapidMiner

Travaux pratiques avec RapidMiner Travaux pratiques avec RapidMiner Master Informatique de Paris 6 Spécialité IAD Parcours EDOW Module Algorithmes pour la Fouille de Données Janvier 2012 Prise en main Généralités RapidMiner est un logiciel

Plus en détail

1 Modélisation d être mauvais payeur

1 Modélisation d être mauvais payeur 1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage

Plus en détail

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources

RapidMiner. Data Mining. 1 Introduction. 2 Prise en main. Master Maths Finances 2010/2011. 1.1 Présentation. 1.2 Ressources Master Maths Finances 2010/2011 Data Mining janvier 2011 RapidMiner 1 Introduction 1.1 Présentation RapidMiner est un logiciel open source et gratuit dédié au data mining. Il contient de nombreux outils

Plus en détail

Améliorer les performances du site par l'utilisation de techniques de Web Mining

Améliorer les performances du site par l'utilisation de techniques de Web Mining Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire

Plus en détail

Guide de la documentation des produits BusinessObjects XI

Guide de la documentation des produits BusinessObjects XI Guide de la documentation des produits XI Vous trouverez la dernière version de ce guide et de tous les guides PDF sur le site http://support.businessobjects.com/documentation. Quelques uns de ces guides

Plus en détail

Galigeo G14: Location Intelligence

Galigeo G14: Location Intelligence Galigeo G14: Location Intelligence Webinar septembre 2014 1 Agenda Présentation générale de l offre What s new (résumé) Nouveautés produits + démos Simplification de l architecture Portail d accès aux

Plus en détail

UNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************

UNIVERSITÉ 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 détail

Les bases de données Page 1 / 8

Les bases de données Page 1 / 8 Les bases de données Page 1 / 8 Sommaire 1 Définitions... 1 2 Historique... 2 2.1 L'organisation en fichier... 2 2.2 L'apparition des SGBD... 2 2.3 Les SGBD relationnels... 3 2.4 Les bases de données objet...

Plus en détail

CATALOGUE FORMATION 2015

CATALOGUE FORMATION 2015 CATALOGUE FORMATION 2015 CATALOGUE FORMATION 2015 SOMMAIRE P. 06 L agence Présentation de l Agence Nationale de Promotion des TIC (ANPTIC) Mot du Directeur Général P.11 Nos formations par thème Outils

Plus en détail

Formations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI ALTIC & SYNOTIS - TRAINING CENTER 24 RUE DE L EGLISE 94300 VINCENNES

Formations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI ALTIC & SYNOTIS - TRAINING CENTER 24 RUE DE L EGLISE 94300 VINCENNES Formations 2015 JASPER, REDMINE, TABLEAU, TALEND, SPAGO BI ALTIC & SYNOTIS - TRAINING CENTER 24 RUE DE L EGLISE 94300 VINCENNES Table des matières Edito... 3 Informations pratiques... 4 Accueil des stagiaires...

Plus en détail

DOCUMENTS DE DECOUVERTE CHAPITRE 1 L ORGANISATION DE LA COMPTABILITE DANS L ENTREPRISE

DOCUMENTS DE DECOUVERTE CHAPITRE 1 L ORGANISATION DE LA COMPTABILITE DANS L ENTREPRISE DOCUMENTS DE DECOUVERTE CHAPITRE 1 L ORGANISATION DE LA COMPTABILITE DANS L ENTREPRISE I. LA FONCTION COMPTABLE DANS L ENTREPRISE 1. Définir la comptabilité. A quoi sert la comptabilité? 2. Quelles sont

Plus en détail

INDUSTRIALISATION ET RATIONALISATION

INDUSTRIALISATION ET RATIONALISATION INDUSTRIALISATION ET RATIONALISATION A. LA PROBLEMATIQUE La mission de toute production informatique est de délivrer le service attendu par les utilisateurs. Ce service se compose de résultats de traitements

Plus en détail

Scénario: Données bancaires et segmentation de clientèle

Scénario: Données bancaires et segmentation de clientèle Résumé Scénario: Données bancaires et segmentation de clientèle Exploration de données bancaires par des méthodes uni, bi et multidimensionnelles : ACP, AFCM k-means, CAH. 1 Présentation Le travail proposé

Plus en détail

La Business Intelligence en toute simplicité :

La Business Intelligence en toute simplicité : MyReportle reporting sous excel La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! En rendant les données accessibles aux personnes habilitées dans l entreprise (comptabilité,

Plus en détail

Skills Technology Software PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT

Skills Technology Software PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT Skills Technology Software w w w.s PARTENAIRE TECHNOLOGIQUE DE VOTRE DÉVELOPPEMENT ka ty s. co m E U OG ION L TA AT A C RM FO Accélérateur de votre RÉUSSITE 2 Formation Aujourd hui, la formation constitue

Plus en détail

Programme détaillé. Administrateur de Base de Données Oracle - SQLServer - MySQL. Objectifs de la formation. Les métiers

Programme détaillé. Administrateur de Base de Données Oracle - SQLServer - MySQL. Objectifs de la formation. Les métiers Programme détaillé Objectifs de la formation Les systèmes de gestion de bases de données prennent aujourd'hui une importance considérable au regard des données qu'ils hébergent. Véritable épine dorsale

Plus en détail

Spécifications, Développement et Promotion. Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC

Spécifications, Développement et Promotion. Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC Spécifications, Développement et Promotion Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC Ricco? Enseignant chercheur (CNU.27) En poste à l Université Lyon 2 Faculté de Sciences Eco. Recherche

Plus en détail

Business Intelligence

Business Intelligence avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................

Plus en détail

LES ENTREPOTS DE DONNEES

LES ENTREPOTS DE DONNEES Module B4 : Projet des Systèmes d information Lille, le 25 mars 2002 LES ENTREPOTS DE DONNEES Problématique : Pour capitaliser ses informations, une entreprise doit-elle commencer par mettre en œuvre des

Plus en détail

Les attentes du marché

Les attentes du marché www.pwc.com Les attentes du marché Octobre 2012 L état des lieux à propos des formats de reporting et de l appropriation par le marché du XBRL La taxonomie XBRL pour les reportings Solvabilité 2 a fait

Plus en détail

SharePoint (Toute la Gamme)... 1 Office 2010 (Toute la Gamme)... 2 OLAP (Toute la Gamme)... 2 STATISTICA Connecteur PI (Produit Complémentaire)...

SharePoint (Toute la Gamme)... 1 Office 2010 (Toute la Gamme)... 2 OLAP (Toute la Gamme)... 2 STATISTICA Connecteur PI (Produit Complémentaire)... SharePoint (Toute la Gamme)... 1 Office 2010 (Toute la Gamme)... 2 OLAP (Toute la Gamme)... 2 STATISTICA Connecteur PI (Produit Complémentaire)... 3 Introduction... 3 Échelle Interactive... 4 Navigation

Plus en détail

Guide Utilisateur. Les communications unifiées au service de la performance opérationnelle. sfrbusinessteam.fr. Faire équipe avec vous

Guide Utilisateur. Les communications unifiées au service de la performance opérationnelle. sfrbusinessteam.fr. Faire équipe avec vous Faire équipe avec vous En exclusivité dans le Pack Business Entreprises, bénéficiez de la solution Microsoft Office Communicator, un véritable outil de travail collaboratif convivial et performant pour

Plus en détail

Présentation de la majeure ISN. ESILV - 18 avril 2013

Présentation de la majeure ISN. ESILV - 18 avril 2013 Présentation de la majeure ISN ESILV - 18 avril 2013 La Grande Carte des Métiers et des Emplois Sociétés de service Entreprises Administrations Grand- Public Sciences Utiliser Aider à utiliser Vendre APPLICATIONS:

Plus en détail

MyReport, une gamme complète. La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! pour piloter votre activité au quotidien.

MyReport, une gamme complète. La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! pour piloter votre activité au quotidien. MyReportle reporting sous excel La Business Intelligence en toute simplicité : Concevez, partagez, actualisez! MyReport, une gamme complète pour piloter votre activité au quotidien. En rendant les données

Plus en détail

Phase ERP : Usages et effets. Problématiques technique et organisationnelle de la phase d'exploitation de l'erp

Phase ERP : Usages et effets. Problématiques technique et organisationnelle de la phase d'exploitation de l'erp Phase ERP : Usages et effets Problématiques technique et organisationnelle de la phase d'exploitation de l'erp Dominique Chabord Ingénieur Directeur de SISalp Conseil sur le logiciel libre OpenERP dominique.chabord@sisalp.org

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

Des 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 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 détail

Les principes de la sécurité

Les principes de la sécurité Les principes de la sécurité Critères fondamentaux Master 2 Professionnel Informatique 1 Introduction La sécurité informatique est un domaine vaste qui peut appréhender dans plusieurs domaines Les systèmes

Plus en détail

DEMANDE D INFORMATION RFI (Request for information)

DEMANDE D INFORMATION RFI (Request for information) DOD SEICAM RFI Demande d information EVDEC Réf. : RFI_EVDEC- GT5_Outil_reporting_BI_v4.doc Page 1/11 DEMANDE D INFORMATION RFI (Request for information) OUTIL INTÉGRÉ DE REPORTING ET D ANALYSE DÉCISIONNELLE

Plus en détail

Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr

Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE. Contact : Mme Lapedra, stage@isoft.fr Stages 2014-2015 ISOFT : UNE SOCIETE INNOVANTE Contact : Mme Lapedra, stage@isoft.fr ISoft, éditeur de logiciels, est spécialisé dans l informatique décisionnelle et l analyse de données. Son expertise

Plus en détail

Initiation aux bases de données (SGBD) Walter RUDAMETKIN

Initiation aux bases de données (SGBD) Walter RUDAMETKIN Initiation aux bases de données (SGBD) Walter RUDAMETKIN Bureau F011 Walter.Rudametkin@polytech-lille.fr Moi Je suis étranger J'ai un accent Je me trompe beaucoup en français (et en info, et en math, et...)

Plus en détail

MyReport, LE REPORTING SOUS EXCEL

MyReport, LE REPORTING SOUS EXCEL MyReport, LE REPORTING SOUS EXCEL De la simplicité d Excel à l autonomie des utilisateurs Avec MyReport : De la manipulation en moins. De l analyse en plus! Tous les services de l entreprise utilisent

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

Théories de la Business Intelligence

Théories de la Business Intelligence 25 Chapitre 2 Théories de la Business Intelligence 1. Architectures des systèmes décisionnels Théories de la Business Intelligence Depuis les premières requêtes sur les sources de données OLTP consolidées

Plus en détail

Techniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication

Techniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication Techniques d analyse et de conception d outils pour la gestion du processus de segmentation des abonnés des entreprises de télécommunication R. Carlos Nana Mbinkeu 1,3, C. Tangha 1, A. Chomnoue 1, A. Kuete

Plus en détail

NewPoint IT Consulting BIG DATA WHITE PAPER. NewPoint Information Technology Consulting

NewPoint IT Consulting BIG DATA WHITE PAPER. NewPoint Information Technology Consulting NewPoint IT Consulting BIG DATA WHITE PAPER NewPoint Information Technology Consulting Contenu 1 Big Data: Défi et opportunité pour l'entreprise... 3 2 Les drivers techniques et d'entreprise de BIG DATA...

Plus en détail

Guide de référence pour l achat de Business Analytics

Guide de référence pour l achat de Business Analytics Guide de référence pour l achat de Business Analytics Comment évaluer une solution de décisionnel pour votre petite ou moyenne entreprise : Quelles sont les questions à se poser et que faut-il rechercher?

Plus en détail

Concepts clés associés aux outils logiciels, exemples

Concepts clés associés aux outils logiciels, exemples Chercheurs, les outils logiciels :: une voie originale pour valoriser votre expertise et et vos compétences!! Concepts clés associés aux outils logiciels, exemples Jeudi 2 octobre 2008 Gilles Bézard ICAM

Plus en détail

BI Open Source Octobre 2012. Alioune Dia, Consultant BI alioune.dia@openbridge.fr

BI Open Source Octobre 2012. Alioune Dia, Consultant BI alioune.dia@openbridge.fr BI Open Source Octobre 2012 Alioune Dia, Consultant BI alioune.dia@openbridge.fr 1 Le groupe, en bref 2004 Date de création +7M * Chiffre d affaires 2012 +80 Collaborateurs au 06/2011 35% Croissance chiffre

Plus en détail

SIG ET ANALYSE EXPLORATOIRE

SIG ET ANALYSE EXPLORATOIRE SIG ET ANALYSE EXPLORATOIRE VERS DE NOUVELLES PRATIQUES EN GÉOGRAPHIE Jean-Marc ORHAN Equipe P.A.R.I.S., URA 1243 du CNRS Paris Résumé L'offre actuelle dans le domaine des logiciels de type Système d'information

Plus en détail

Entrepôt de données 1. Introduction

Entrepôt 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 détail