Data Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes
|
|
- Anne-Claire St-Hilaire
- il y a 8 ans
- Total affichages :
Transcription
1 Data Mining, Data Scien-st, Data Analy-cs, CRM, Modélisa-on et ou-ls mathéma-ques Eclairages et principes Michel Béra Professeur du Cnam (Chaire de Modélisa-on sta-s-que du risque) Cours STA201
2 Comment fait- on de la modélisa0on prédic0ve? - On cherche à répondre à des ques0ons simples, par des modèles : partant d un jeu de variables d entrées, mesurées sur un ensemble d observa0ons, un modèle calcule des variables de sor0e qui cons0tuent la réponse à une ques0on - On établit (automa0quement?)la formule mathéma0que (ou informa0que (code)) du modèle à par0r des observa0ons dont on dispose - On cherche à ce que le modèle soit «bien adapté» à la ques0on que l on se pose
3 Qu est- ce qu un modèle bien adapté à la ques0on que l on se pose? Il doit donner de son mieux les bonnes réponses pour les observa0ons dont on dispose (fit) Il doit garder un comportement stable de ce fit sur de nouvelles données inconnues (robustesse) Il doit permejre par son équa0on mathéma0que de mieux comprendre, voire commencer à prouver, la nature profonde des phénomènes sous- jacents (inférence)
4 Les principaux modèles concrets u0lisés en CRM Classifica0on : on ajend du modèle une réponse du type «oui» ou «non» (exemple : «mon client est- il en train de frauder») Score : la ques0on posée est du type «combien» : exemple : «combien ce client va- t- il rapporter de CA l an prochain» Segmenta0ons : observe- t- on des comportements homogènes de sous groupes dans les observa0ons Réseaux sociaux : comment s organisent mes clients dans leurs rela0ons directes/indirectes entre eux? Moteurs de Recommanda0ons (Amazon, etc.) Séries temporelles : quelle est la valeur suivante d une séquence de valeurs?
5 La Nature a horreur du vide (Aristote) Pour mejre en place des modèles, il faut des observa0ons, décrites par des variables : autrement dit, il faut des données Il y a de plus en plus (croissance exponen0elle) de données disponibles, c est l ère numérique qui s installe dans toute notre vie (digitalisa0on des observa0ons) : les données de comportement Il faut que les données soient «propres» (gros problème en modélisa0on prédic0ve)
6 La Loi de Moore (composants)
7 La Loi de Moore (rappel)
8 Capacité de stockage des disques durs : évolu0on et prévision
9 L explosion des données hier (2006) What has happened? Source: Andrew Moore, KDD 2006
10 Les données hier (2007) The volume of data has exploded In the 90s Today Web transac0ons Fayyad, KDD 2007 At Yahoo! Around 16 B events / day 425 M visitors / month 10 Tb data / day RFID Jiawei, Adma 2006 A retailer with 3,000 stores, selling 10,000 items a day per store 300 million events per day (aher redundancy removal) Social network Kleinberg, KDD million- node network of declared friendships on blogging community LiveJournal 240- million- node network of all IM communica0on over one month on Microsoh Instant Messenger Cellular networks A telecom carrier generates hundreds of millions of CDRs / day The network generates technical data : 40 M events / day in a large city
11 Qu appelle- t- on Big Data De nouveaux types de données, provenant notamment de la bioinforma0que et de l imagerie, mais aussi des risques industriels Un volume de données qui oblige à repenser l architecture machines et logiciel pour les modéliser Un «hype» du monde du marke0ng Un danger éthique terrible, et une opportunité totalement nouvelle
12 Les données hier (2012)
13 L évolu0on historique de la modélisa0on prédic0ve
14 Les deux piliers de l histoire de la sta0s0que Empirical Methods of conjuration (PCA,NN,Bayes) Watch out! High dimensional problems malediction (s) Cramer, Kendall, etc. Fisher 2001: Start of the internet era, Millions of records & thousands of variables 1995 Support Vector Machines (Vapnik) 1980 SRM (Vapnik) 1974 VC Dimension 1960: Mainframe. Huge Datasets start appearing (Dr Strangelove modeling requests) GO! Theory of ill-posed problems Kolmogorov-Smirnov STOP! Hypothesis Driven «model data (H0), then test» Data Driven «no need to study distributions»
15 La synthèse actuelle U0liser le meilleur des deux approches Data driven : chercher les variables Ne pas hésiter à impliquer le maximum de variables, y compris des variables calculées à par0r des existantes (agrégats, polynômes, etc.) Réduire le nombre de variables dans un premier temps pour la probléma0que retenue (score, classifieur) Hypothesis driven : vers l Evidence Based Construire une expérimenta0on à par0r des variables récentes Recueillir les preuves par les tests sta0s0ques tradi0onnels
16 Fit et robustesse : la négocia0on fondamentale en modélisa0on prédic0ve Un modèle trop précis (fit) sur les données se comporte de manière instable sur de nouvelles données : phénomène de l overfit Un modèle trop rigide (robuste) ne donnera pas un bon fit sur les données In medio stat virtus (Horace)
17 Eviter l overfit : un exemple Example: Polynomial regression Target: a 10 th degree polynomial + noise Learning machine: y=w 0 +w 1 x + w 2 x 2 + w 10 x
18 Eviter l overfit : un exemple 1.5 d=10, r=1e+002 r=1e+003 r=1e+004 r=1e+005 r=1e+006 r=1e+007 r=1e Example: Polynomial regression Target: a 10 th degree polynomial + noise Learning machine: y=w 0 +w 1 x + w 2 x 2 + w 10 x
19 Vitesse de convergence du modèle % erreur (fit) Intervalle de Confiance Données de Test Données d Observations Taille de l échantillon: L
20 La prépara0on des données Types de données : Structurées/non structurées. Tout peut- être transformé en numérique La ges0on des valeurs manquantes : la ges0on parcimonieuse des données s impose La prépara0on des données peut également être data driven
21 La rasoir d Ockham Un principe formulé par William d Ockham au 14ème siècle : Pluralitas non est ponenda sine neccesitate. Si deux théories de modélisa0ons donnent la même qualité de modèle, prendre la plus simple. Re0rer les variables qui ne servent à rien dans un modèle.
22 L ou0l de mesure du CRM : La courbe de lih Customers ordered according to f(x); selection of the top ranking customers. KI = M O KR = 1 G O 100% Fraction of good customers selected G O Ideal Lift M Fraction of customers selected CV lift 100%
23 Un exemple concret de modèle prédic0f Census : expliquer ce qui fait qu un individu gagne plus ou moins de $50000/an, à par0r de quelques variables de recensement (aux US) Démonstra0on (Kxen)
Introduction au Data Mining et à l apprentissage statistique
Introduction au Data Mining et à l apprentissage statistique Gilbert Saporta Chaire de Statistique Appliquée & CEDRIC, CNAM, 292 rue Saint Martin, F-75003 Paris gilbert.saporta@cnam.fr http://cedric.cnam.fr/~saporta
Plus en détailLe Web, l'entreprise et le consommateur. Françoise Soulié Fogelman francoise@kxen.com
Le Web, l'entreprise et le consommateur Françoise Soulié Fogelman francoise@kxen.com Forum "Quel futur pour le Web" Lyon, mardi 21 septembre 2010 THE DATA MINING AUTOMATION COMPANY TM Agenda Le Web un
Plus en détailFaire émerger les théma.ques et les opinions : applica.on à l'analyse des médias sociaux
Faire émerger les théma.ques et les opinions : applica.on à l'analyse des médias sociaux Julien Velcin Laboratoire ERIC hup://mediamining.univ- lyon2.fr/velcin 3 ème Séminaire recherche informa.que/ informa.on
Plus en détailTRANSFORMATION DIGITALE : COMMENT INDUSTRIALISER ET PÉRENNISER LA MÉTHODE AGILE À PLUS GRANDE ÉCHELLE
PARTENAIRES ENTREPRISE & TRANSFORMATION DIGITALE : TRANSFORMATION DIGITALE : COMMENT INDUSTRIALISER ET PÉRENNISER LA MÉTHODE AGILE À PLUS GRANDE ÉCHELLE PROGRAMME Dans des environnements de plus en plus
Plus en détailBig Data et Statistique Publique
Big Data et Statistique Publique Miracle ou mirage? Matthieu Cornec Mission Innovation Sommaire 1. Constat : Explosion des données 1. Constat 2. Exemples 2. Big Data : nouvelle révolution économique? 1.
Plus en détailQu 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 détailBIG DATA en Sciences et Industries de l Environnement
BIG DATA en Sciences et Industries de l Environnement François Royer www.datasio.com 21 mars 2012 FR Big Data Congress, Paris 2012 1/23 Transport terrestre Traçabilité Océanographie Transport aérien Télémétrie
Plus en détailIntroduc)on à l Agile
Introduc)on à l Agile 1 D où je viens Études M2 info : Paris Diderot (2009) MS Management de Projets Technologiques : ESSEC / Telecom Paris (2010) Aujourd hui Consultant à OCTO Technology (Conseil en SI)
Plus en détailSEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL
SEMINAIRE SAS VISUAL ANALYTICS LAUSANNE, MARCH 18 : JÉRÔME BERTHIER VALERIE AMEEL AGENDA 14:15-14:30 Bienvenue & Introduction Jérôme Berthier et Manuel Fucinos 14:30-14:45 Le concept de la Data Viz et
Plus en détailIntelligence Inventive
Outils Communs de Diffusion de l'intelligence Economique Intelligence Inventive Evaluez la capacité d innovation de votre entreprise L intelligence inventive L intelligence inventive est la contribution
Plus en détailPrépara&on Opéra&onnelle à l Emploi de BASYCA (POEB) BASYCA SAS FRANCE - Anzize BADAROU
Prépara&on Opéra&onnelle à l Emploi de BASYCA (POEB) 1 Sommaire Objec&fs généraux Contenu POEB Approche générique Animateurs Partenaires 2 Objectifs généraux Enjeux de la forma1on Réconcilier la forma&on
Plus en détailBaromètre Direct Assurance des cyberconsommateurs
Avril 2013 DIRECT ASSURANCE Baromètre Direct Assurance des cyberconsommateurs 3 ème vague Paris Toronto Shanghaï Buenos Aires Connection creates value Méthodologie Échan0llon Pour ce(e étude, un échan0llon
Plus en détailSystèmes de recommandation de produits Projet CADI Composants Avancés pour la DIstribution
Journée DAPA du 26 mars 2009 Systèmes de recommandation de produits Projet CADI Composants Avancés pour la DIstribution Michel de Bollivier michel.debollivier@kxen.com Agenda Projet CADI La recommandation
Plus en détailSpécificités, 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 détailPrésenta6on Isatech. ERP, Décisionnel, Architecture Systèmes & Réseaux. Isatech Tous droits réservés Page 1
Présenta6on Isatech ERP, Décisionnel, Architecture Systèmes & Réseaux Isatech Tous droits réservés Page 1 L offre globale Couvrir l intégralité de la chaîne du SI Isatech Tous droits réservés Page 2 Isatech
Plus en détailMe#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on
Me#re le Big Data sur la carte : défis et avenues rela6fs à l exploita6on de la localisa6on Thierry Badard, PhD, ing. jr Centre de Recherche en Géoma6que Conférence ITIS - Big Data et Open Data au coeur
Plus en détail#GoSocial. solutions de marketing communautaire & social crm
#GoSocial La révolution du Social Média Depuis quelques années, les médias sociaux ont métamorphosé le paysage du web et les modes de communication entre les individus et les marques. Hier encore spectateurs,
Plus en détailJSIam Introduction talk. Philippe Gradt. Grenoble, March 6th 2015
Introduction talk Philippe Gradt Grenoble, March 6th 2015 Introduction Invention Innovation Market validation is key. 1 Introduction Invention Innovation Market validation is key How to turn a product
Plus en détailPrésentation Level5. Editeur de Logiciels. «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf
Editeur de Logiciels Présentation Level5 «If it s not monitored, it s not in production» Theo Schlossnagle #velocityconf «If you can not measure it, you can not improve it» Lord Kelvin vous accompagne
Plus en détailCQP 112 Introduc/on à la programma/on. Thème 2 : Architecture d un système informa/que. Département d informa/que
CQP 112 Introduc/on à la programma/on Thème 2 : Architecture d un système informa/que Département d informa/que CQP 112 : Introduc/on à la programma/on Plan 1. Historique des ordinateurs 2. Composants
Plus en détailTout ce que vous avez toujours voulu savoir sur SAP HANA. Sans avoir jamais osé le demander
Tout ce que vous avez toujours voulu savoir sur SAP HANA Sans avoir jamais osé le demander Agenda Pourquoi SAP HANA? Qu est-ce que SAP HANA? SAP HANA pour l intelligence d affaires SAP HANA pour l analyse
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailLE SUPPLIER RELATIONSHIP MANAGEMENT EN PRATIQUE
PARTENAIRES ACHATS LE SUPPLIER RELATIONSHIP MANAGEMENT EN PRATIQUE PROGRAMME La geson de la relaon fournisseur Supplier Relaonship Management est au centre de l aenon de toutes les foncons Achats. Les
Plus en détailOffre Azimut CONTENT MARKETING. A l a&en)on de : Date de remise : Version : 3.0
Offre Azimut CONTENT MARKETING A l a&en)on de : Date de remise : Version : 3.0 01 Marke3ng de Contenu Ecosytème Editorial Offre & Ou3ls Azimut Content Marke3ng Méthodologie Content management Qui sommes-
Plus en détailIl y a tellement de hype autour du big data que Gartner étudie un nouveau modèle ;-) Talend 2012 2
Big Data: au delà du Buzz Yves de Montcheuil @ydemontcheuil Il y a tellement de hype autour du big data que Gartner étudie un nouveau modèle ;-) Talend 2012 2 Hype Cycle Gartner Talend 2012 3 Big Data
Plus en détailLA DIGITALISATION DE LA RELATION CLIENT
PARTENAIRES ENTREPRISE ET TRANSFORMATION DIGITALE LA DIGITALISATION DE LA RELATION CLIENT PROGRAMME Face à la mulplicaon des canaux digitaux de communicaon, à l évoluon des comportements des clients et
Plus en détailCALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
Plus en détailLes 10 étapes clés pour trouver des clients par internet
Les 10 étapes clés pour trouver des clients par internet Guide pour les entreprises de Home Staging 1 L auteur : Adrian Measures Adrian Measures est responsable du marke@ng sur internet et fondateur de
Plus en détailBig Data. Cyril Amsellem Consultant avant-vente. 16 juin 2011. Talend 2010 1
Big Data Cyril Amsellem Consultant avant-vente 16 juin 2011 Talend 2010 1 Big Data Architecture globale Hadoop Les projets Hadoop (partie 1) Hadoop-Core : projet principal. HDFS : système de fichiers distribués
Plus en détailTier 1 / Tier 2 relations: Are the roles changing?
Tier 1 / Tier 2 relations: Are the roles changing? Alexandre Loire A.L.F.A Project Manager July, 5th 2007 1. Changes to roles in customer/supplier relations a - Distribution Channels Activities End customer
Plus en détailPRÉSENTATION DES RÉSULTATS DU LIVRE BLANC BIG DATA
PARTENAIRES BIG DATA PRÉSENTATION DES RÉSULTATS DU LIVRE BLANC BIG DATA Le Livre Blanc de l EBG a pour ambion d'entrer dans le concret du Big Data. Finis les concepts flous et les formules vagues : nous
Plus en détailSpeed up your business
Speed up your business 1 Sommaire 1. Un concept innovant de communica3on cross media 2. Les Ou3ls UpMyCom a. Plateforme de Blog b. Plateforme de Quiz - Communica3on externe - Communica3on interne c. Jeux
Plus en détailDevenez un virtuose de Google. Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com
Devenez un virtuose de Google Atelier en informa5que présenté par Dominic P. Tremblay h@p://dominictremblay.com Google Google est une société fondée en 1998 en Californie par Larry Page et Sergey Brin.
Plus en détailCloud (s) Positionnement
Cloud (s) Positionnement Introduction Mainframe Personal Computer Internet Client/serveur Cloud computing 1956-1976 1976-1992 1992-2008 2008-2016 Le Cloud oui mais progressivement Etude IDC 2011 Offre
Plus en détailSites Internet : les. tendances. Jeudi 30 janvier 2014 Bordeaux L AGENCE CONNECTÉE À L ENTREPRISE
Sites Internet : les tendances pour 2014 Jeudi 30 janvier 2014 Bordeaux L AGENCE CONNECTÉE À L ENTREPRISE Inaa$v, une agence de communica$on avec des spécificités CONSEiL EN COMMUNICATION FoRmatiOns WEBMARKETING
Plus en détailDIGITAL INSURANCE. A l a&en)on de : Date de remise : Version : 3.0
Offre Azimut DIGITAL INSURANCE A l a&en)on de : Date de remise : Version : 3.0 Préambule 01 Muta4ons comportementale et technologique! Les réformes : Loi Hamon, ANI, SII accompagnent les évolu?ons sociétales
Plus en détailLes méthodes Agiles. Introduc)on aux méthodes Agiles Exemple : Scrum
Les méthodes Agiles Introduc)on aux méthodes Agiles Exemple : Scrum Défini)on de base Les méthodes Agiles sont des procédures de concep)on de logiciel qui se veulent plus pragma)ques que les méthodes tradi)onnelles
Plus en détailEXECUTIVE DOCTORATE IN BUSINESS ADMINISTRATION : LA NÉCESSITÉ DE L'INTÉGRATION DES TIC POUR MANAGER LA DISTANCE
COLLOQUE INTERNATIONAL «LE NUMÉRIQUE POUR ENSEIGNER AUTREMENT» 27 ET 28 JUIN 2014 UNIVERSITÉ PARIS-DAUPHINE EXECUTIVE DOCTORATE IN BUSINESS ADMINISTRATION : LA NÉCESSITÉ DE L'INTÉGRATION DES TIC POUR MANAGER
Plus en détailPlan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation
Complex Event Processing Traitement de flux de données en temps réel Romain Colle R&D Project Manager Quartet FS Plan Génération et exploitation de données CEP et applications Flux de données et notifications
Plus en détailTrends Every. to Know. Eli Goodman, Media Evangelist @LosBuenos Delphine Gatignol, VP Sales FRANCE. Marché. Numérique en France
FRANCE Trends Every Marketer Tendances Needs du Marché to Know Numérique en France Eli Goodman, Media Evangelist @LosBuenos Delphine Gatignol, VP Sales #FutureInFocus @comscorefr @comscore TENDANCES QUI
Plus en détailOFFRE MIX MARKETING : créateur de consommateurs. A l a&en)on de : Date de remise : Version : 3.0
OFFRE MIX MARKETING : créateur de consommateurs A l a&en)on de : Date de remise : Version : 3.0 01 Créateur de consommateurs Générateur de leads Offre & Ou@ls Azimut Inbound & Outbound Marke@ng. Méthodologie.
Plus en détailApprentissage Statistique
Apprentissage Statistique Master DAC - Université Paris 6, patrick.gallinari@lip6.fr, http://www-connex.lip6.fr/~gallinar/ Année 2014-2015 Partie 1 Introduction Apprentissage Automatique Problématique
Plus en détailPoli%que ins%tu%onnelle: le numérique au service de la forma%on à l Université Laval CFQCU Paris, 26 mai 2015
Poli%que ins%tu%onnelle: le numérique au service de la forma%on à l Université Laval CFQCU Paris, 26 mai 2015 Nicole.Lacasse@vre.ulaval.ca Vice- rectrice associée aux études et aux ac%vités interna%onales
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailLe Product Backlog, qu est ce c est?
Le Product Backlog, qu est ce c est? Ludovic Larché Agile Tour 2012 à Rennes le 4 octobre 2012 Sommaire > Rappels théoriques : qu est ce qu un Product Backlog? > Le Product Backlog n est pas seul! > Techniques
Plus en détailVérifica(on et Valida(on de Business Process. Ang Chen et Levi Lúcio
Vérifica(on et Valida(on de Business Process Ang Chen et Levi Lúcio Résumé Méthodologie de développement Architecture & environnement pour le développement des processus mé(er Modèle opéra(onnel Vérifica(on
Plus en détailSTRATÉGIE GRC POUR LE TOURISME INSTITUTIONNEL (une démarche par.cipa.ve & sur mesure)
STRATÉGIE GRC POUR LE TOURISME INSTITUTIONNEL (une démarche par.cipa.ve & sur mesure) 1 La Ges.on de la Rela.on Client (GRC) ne se limite pas à l'u.lisa.on d'un logiciel de CRM mais implique une évolu.on
Plus en détailBig Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014
Big Data: développement, rôle des ARS?? Laurent Tréluyer, ARS Ile de France Alain Livartowski Institut Curie Paris 01/12/2014 1 Classiquement, le Big Data se définit autour des 3 V : Volume, Variété et
Plus en détailSAUVER LA DISTRIBUTION!
SAUVER LA DISTRIBUTION! Face au Cloud et à l explosion des usages innovants qu il permet dans tous les secteurs, les acteurs «canal historique» de la distribu=on et des services informa=ques se reposi=onnent
Plus en détailData 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients
Data 2 Business : La démarche de valorisation de la Data pour améliorer la performance de ses clients Frédérick Vautrain, Dir. Data Science - Viseo Laurent Lefranc, Resp. Data Science Analytics - Altares
Plus en détailVers un Système unique d informa4on na4onale de médicaments au Mexique, dans le cadre du suivi de l OMD 8.13
Vers un Système unique d informa4on na4onale de médicaments au Mexique, dans le cadre du suivi de l OMD 8.13 México Angélica Ivonne Cisneros- Luján Lisbonne, 11 septembre 2012 CONTEXTE et DÉSCRIPTION du
Plus en détail0,3YDQGLWVVHFXULW\ FKDOOHQJHV 0$,1²0RELOLW\IRU$OO,31HWZRUNV²0RELOH,3 (XUHVFRP:RUNVKRS %HUOLQ$SULO
0,3YDQGLWVVHFXULW\ FKDOOHQJHV 0$,1²0RELOLW\IRU$OO,31HWZRUNV²0RELOH,3 (XUHVFRP:RUNVKRS %HUOLQ$SULO COMBES Jean-Michel CHARLES Olivier jeanmichel.combes@francetelecom.com olivier.charles@francetelecom.com
Plus en détailEmpowering small farmers and their organizations through economic intelligence
Empowering small farmers and their organizations through economic intelligence Soutenir les petits agriculteurs et leurs organisations grâce à l intelligence économique XOF / kg RONGEAD has been supporting
Plus en détailOPTIMISER SA STRATÉGIE SEA DANS UNE LOGIQUE DE VENTE
PARTENAIRE SEO - SEM OPTIMISER SA STRATÉGIE SEA DANS UNE LOGIQUE DE VENTE PROGRAMME > Tirer par des fonconnalités d Adwords et de Bing pour mieux vendre en ligne et hors ligne > Structurer son compte /
Plus en détailLe marketing appliqué: Instruments et trends
Le marketing appliqué: Instruments et trends Björn Ivens Professeur de marketing, Faculté des HEC Université de Lausanne Internef 522 021-692-3461 / Bjoern.Ivens@unil.ch Le marketing mix Produit Prix Communication
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailLa démarche Omnicanal Outils d'aide à l'amélioration de l'expérience client Avec le partenaire SKema Alumni
La démarche Omnicanal Outils d'aide à l'amélioration de l'expérience client Avec le partenaire SKema Alumni brz France 1 Evolution Happy Client, Happy Business 2 Omnicanal Mono Mul0 Cross Omni 3 # Omnicanal
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailLes formations. calipia. novembre 2014 à mai 2015
calipia Les formations novembre 2014 à mai 2015 nov. déc. janv. fév. mars avril mai Briefing Calipia (p. 3) FC1501 : Smartphones et Tablettes (p. 5) 15 17 10 FC1502 : Licences Microsoft (p. 7) 29 19 21
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailDu 08 au 11 septembre 2015 Au Lycée Hôtelier de Punaauia
Du 08 au 11 septembre 2015 Au Lycée Hôtelier de Punaauia Les conférences et Ateliers Au Lycée Hôtelier de Punaauia Deux conférences offertes par Vi>oria Conseil et ses Partenaires La Publicité au service
Plus en détailDe l Etudiant à SBA à l Enseignant Chercheur à l ENSMA
De l Etudiant à SBA à l Enseignant Chercheur à l ENSMA Ladjel BELLATRECHE bellatreche@ensma.fr http://www.lias lab.fr/members/bellatreche Les déterminants de la motivation selon Rolland Viau Perception
Plus en détailBIG DATA : une vraie révolution industrielle (1) Les fortes évolutions liées à la digitalisation
BIG DATA : une vraie révolution industrielle (1) Les fortes évolutions liées à la digitalisation - définition - étapes - impacts La révolution en cours du big data - essai de définition - acteurs - priorités
Plus en détailBig data, digital studies, un nouveau nominalisme. Bruno Bachimont Université de Technologie de Compiègne
Big data, digital studies, un nouveau nominalisme. Bruno Bachimont Université de Technologie de Compiègne 1 Nominalisme : Argument Peut se comprendre comme la cri8que de l analogie établie entre la structure
Plus en détailConcepon et réalisaon
Concepon et réalisaon Vendée Etudes & Réalisaons de Soluons Informaques 10 rue des Sables 85540 Mouers les Mauxfaits h%p://sarl-versi.fr contact@sarl-versi.fr Mainate 2 une logiciel d aide à la communicaon
Plus en détailFace Recognition Performance: Man vs. Machine
1 Face Recognition Performance: Man vs. Machine Andy Adler Systems and Computer Engineering Carleton University, Ottawa, Canada Are these the same person? 2 3 Same person? Yes I have just demonstrated
Plus en détailQlikView et Google Big Query : Une réponse simple, rapide et peu coûteuse aux analyses Big Data
QlikView et Google Big Query : Une réponse simple, rapide et peu coûteuse aux analyses Big Data Qui sommes-nous? Société de stratégie et de consulting IT spécialisée en ebusiness, Cloud Computing, Business
Plus en détailLe passé composé. C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past!
> Le passé composé le passé composé C'est le passé! Tout ça c'est du passé! That's the past! All that's in the past! «Je suis vieux maintenant, et ma femme est vieille aussi. Nous n'avons pas eu d'enfants.
Plus en détailDans une agence de location immobilière...
> Dans une agence de location immobilière... In a property rental agency... dans, pour et depuis vocabulaire: «une location» et «une situation» Si vous voulez séjourner à Lyon, vous pouvez louer un appartement.
Plus en détailDysplasie osseuse. Groupe hétérogène de maladies géné%ques 440 types individuellement très rares Manifesta%ons possibles :
Cura%on de contenu «La cura%on de contenu (de l'anglais content cura*on ou data cura*on) est une pra%que qui consiste à sélec%onner, éditorialiser et partager les contenus les plus per%nents du Web pour
Plus en détailLe secteur de la Mutualité. Présenta*on des organismes Structure et caractéris*ques des emplois Zoom sur les mé*ers
Le secteur de la Mutualité Présenta*on des organismes Structure et caractéris*ques des emplois Zoom sur les mé*ers 1 La protec*on sociale Ensemble des moyens mis en œuvre par un pays pour protéger ses
Plus en détailMTI820 Entrepôts de données et intelligence d affaires. Gouvernance des données et ges1on des données de référence
MTI820 Entrepôts de données et intelligence d affaires Gouvernance des données et ges1on des données de référence 1 La gouvernance des données Défini1on: «Processus de supervision et de décision qui permet
Plus en détailWe make your. Data Smart. Data Smart
We make your We make your Data Smart Data Smart Une société Une société du du groupe Le groupe NP6 SPECIALISTE LEADER SECTEURS EFFECTIFS SaaS Marketing : 50% Data intelligence : 50% 15 sociétés du CAC
Plus en détailIntroduction 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 détailInstitut français des sciences et technologies des transports, de l aménagement
Institut français des sciences et technologies des transports, de l aménagement et des réseaux Session 3 Big Data and IT in Transport: Applications, Implications, Limitations Jacques Ehrlich/IFSTTAR h/ifsttar
Plus en détailAgenda 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 détailH2PS engage ses compétences auprès des entreprises et des parculiers par la mise en place de soluons d accompagnements et de services.
Notre Société H2PS engage ses compétences auprès des entreprises et des parculiers par la mise en place de soluons d accompagnements et de services. Nos Engagements: Nous uliserons nos connaissances, expériences
Plus en détailMaster Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA
Master Exploration Informatique des données Data Mining & Business Intelligence Groupe 5 Piotr BENSALEM Ahmed BENSI Evelyne CHARIFOU Priscillia CASSANDRA Enseignant Françoise FOGELMAN Nicolas DULIAN SOMMAIRE
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailRetail One Stop Shop. Conseil en S.I. Métier
Retail One Stop Shop Conseil en S.I. Métier DEMAIN, LE RETAIL Service et proximité Mise en valeur des produits Expérience shopping pour le client et d achat «identitaire» Omnicanal : Mobilité, e-com, retail,
Plus en détailI. COORDONNÉES PERSONNELLES / PERSONAL DATA
DOSSIER DE CANDIDATUREAPPLICATION FORM 2012 Please tick the admission session of your choice FévrierFebruary SeptembreSeptember MASTER OF ART (Mention the subject) MASTER OF SCIENCE (Mention the subject)
Plus en détailPrésentation UBO 12/2008 Présentation des méthodes agiles
Gestion de projet Vers les méthodes agiles Des approches prédictives aux méthodes agiles appliquées avec SCRUM Présentation UBO 12/2008 Présentation des méthodes agiles Partie 1 : La société Altran Altran
Plus en détail20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013. 20 ans du SIAD -"Big Data par l'exemple" -Julien DULOUT
20 ans du Master SIAD de Toulouse - BigData par l exemple - Julien DULOUT - 22 mars 2013 20 ans du SIAD -"BigData par l'exemple" -Julien DULOUT Qui a déjà entendu parler du phénomène BigData? Qui a déjà
Plus en détailSimplifiez la ges-on de votre parc informa-que
Simplifiez la ges-on de votre parc informa-que Qui sommes nous? Société créé en 2000, présente en France depuis 2008 Présence interna6onale sur 23 pays, 450 employés Croissance globale de 20% YTD 6500
Plus en détailCloud Computing: de la technologie à l usage final. Patrick CRASSON Oracle Thomas RULMONT WDC/CloudSphere Thibault van der Auwermeulen Expopolis
Cloud Computing: de la technologie à l usage final Patrick CRASSON Oracle Thomas RULMONT WDC/CloudSphere Thibault van der Auwermeulen Expopolis ADOPTION DU CLOUD COMPUTING Craintes, moteurs, attentes et
Plus en détail1 ère Partie Stratégie et Directions Stockage IBM
Cédric ARAGON Directeur des Ventes de Stockage IBM France 1 ère Partie Stratégie et Directions Stockage IBM Agenda Les défis actuels posés par la croissance des volumes de données IBM: acteur majeur sur
Plus en détailVOTRE POLITIQUE D'ARCHIVAGE EST-ELLE ADAPTÉE? Démarche projet. Alain Le Corre, Responsable de Marché, Gestion de l information
VOTRE POLITIQUE D'ARCHIVAGE EST-ELLE ADAPTÉE? Démarche projet Alain Le Corre, Responsable de Marché, Gestion de l information 13 La démarche projet La DSI doit être force de proposition en terme d offres
Plus en détailBENCHMARK CONCURRENTIEL PERMANENT : PRIX, CONDITIONS, PROMOTIONS, INNOVATIONS
PARTENAIRES E-COMMERCE BENCHMARK CONCURRENTIEL PERMANENT : PRIX, CONDITIONS, PROMOTIONS, INNOVATIONS PROGRAMME Alors que le taux d équipement d appareils numériques explose, les consommateurs passent de
Plus en détailBig Data -Comment exploiter les données et les transformer en prise de décisions?
IBM Global Industry Solution Center Nice-Paris Big Data -Comment exploiter les données et les transformer en prise de décisions? Apollonie Sbragia Architecte Senior & Responsable Centre D Excellence Assurance
Plus en détailLettre de prospective n 48 janvier 2015
FriedlandPapers Lettre de prospective n 48 janvier 2015 LA TRANSFORMATION DIGITALE DES ENTREPRISES : DE LA STRATÉGIE À L ORGANISATION Henri Hamon Économiste à la CCI Paris Ile-de-France I l ne fait aucun
Plus en détailBIG DATA : comment étendre et gérer la connaissance client? François Nguyen SFR Directeur SI décisionnel & Mkt relationnel GP
BIG DATA : comment étendre et gérer la connaissance client? François Nguyen SFR Directeur SI décisionnel & Mkt relationnel GP SFR en quelques chiffres Le Dataware Client GP de SFR en août 2011 150 applications
Plus en détail2013-2014 Dr. Prosper Bernard Tel: 514-987-4250 // portable 514-910-2085 Bernard.prosper@uqam.ca prosper@universityconsortium.com
Département de management et technologie École de Sciences de la gestion Université du Québec à Montréal Dr Prosper M Bernard 514-987-4250 MBA 8400 + MBA 8401 STATISTIQUES et THÉORIE DE LA DÉCISION 2013-2014
Plus en détailDéployer des tablettes en classe de LVE: les points clés. Rennes, le 26 août 2014
Déployer des tablettes en classe de LVE: les points clés Rennes, le 26 août 2014 Raisons de l engouement? APN et caméscope intégrés rapidité de mise en œuvre autonomie mobilisable à tout instant intégration
Plus en détailLes enjeux du Big Data Innovation et opportunités de l'internet industriel. Datasio 2013
Les enjeux du Big Data Innovation et opportunités de l'internet industriel François Royer froyer@datasio.com Accompagnement des entreprises dans leurs stratégies quantitatives Valorisation de patrimoine
Plus en détailESSEC Business School - 38030312 - Mai 2012 - *La réponse est en vous - Panorama des programmes
ESSEC Business School - 38030312 - Mai 2012 - *La réponse est en vous - Panorama des programmes Nos fondamentaux L excellence L ouverture L engagement L entrepreneuriat L innovation L humanisme La responsabilité
Plus en détailBig- Data: Les défis éthiques et juridiques. Copyright 2015 Digital&Ethics
Big- Data: Les défis éthiques et juridiques. 1 Big- Data: Les défis éthiques et juridiques. Digital & Ethics Ce que change le Big Data Les questions éthiques et juridiques Les réponses possibles 2 Digital
Plus en détailAtelier Symposium MicroStrategy
Atelier Symposium MicroStrategy Présentation de Soft Computing «De l'usage de MicroStrategy pour la Connaissance Client dans le secteur de la Distribution» G.MANGEON Soft Computing 16 Juin 2016 Soft Computing
Plus en détailL offre Stockage et serveurs System x / BladeCenter F.Libier, Business Partner Technical Manager
L offre Stockage et serveurs System x / BladeCenter F.Libier, Business Partner Technical Manager 2009 IBM Corporation Une offre IBM optimisée pour les infrastructures dynamiques Réduire les coûts Améliorer
Plus en détailNom du client. Date. Client Logo or project name
Nom du client Date Client Logo or project name Presenta7on 7tle client name Date Linalis speaker Speaker 7tle Le Groupe Linalis Historique Crée en 2002 Présent en Suisse, France, au Royaume Uni et en Espagne
Plus en détail