Une Démarche pour la sélection d outils de cartographie des processus métiers

Dimension: px
Commencer à balayer dès la page:

Download "Une Démarche pour la sélection d outils de cartographie des processus métiers"

Transcription

1 Une Démarche pour la sélection d outils de cartographie des processus métiers Résumé El Haddadi Anass, Atahran Ahmed, Ebobissé Yves, B. Bounabat ENSIAS, Université Mohamed V Souissi, B.P. 713 AGDAL, Rabat Maroc Les Journées d Informatique et Mathématiques Décisionnelles (JIMD 2) ENSIAS Rabat du 3 au 5 Juillet L article décrit une étude comparative par critères des outils de cartographie des processus métiers, en se basant sur un processus de data mining. L objectif est de collecter, analyser plus efficacement les besoins des clients en terme de critères pour un outil de cartographie de processus métiers, afin de lui présenter des offres qui correspondent le mieux à ses choix et regrouper les acteurs du marché en classes. Introduction Dans un contexte de mondialisation avoir une vision claire d un processus métier donné, des flux d informations qui circulent dans l entreprise est indispensable. Afin de mieux identifier les dysfonctionnements, réduire les coûts, et maîtriser son organisation transversale et satisfaire ses clients, une entreprise doit cartographier ses processus métiers. Pour cela, elle doit disposer d outils qui lui permettront de modéliser et simuler ses processus métiers. Cependant, comment trouver les outils qui correspondent le mieux à mon entreprise? La question revient sans cesse au sein des directions des Systèmes d information, notamment dans le cadre de la BPM (Business Process Management). 1 - Critères de comparaison Le développement logiciel prend chaque jour de nouvelles ampleurs vues les technologies, les outils, les langages. Bien plus les entreprises ont besoin d outils «taillés sur mesure», ou qui répondront le maximum à leurs besoins. L un des grands problèmes est celui de savoir sur quels critères se baser pour opérer ses choix. Les définir et surtout attribuer des métriques aux solutions logicielles devient alors d une importance capitale. Dans le cadre de la BPM, de nombreux chercheurs se sont penchés sur la question et ont relevé que les choix des outils étaient également liés au métier de la société. Les travaux de [Bosilj-Vuksic & Al] et [Vullers & Al] font ressortir 4 composants essentiels au sein d outils de cartographies de processus : a les outils pour la modélisation : facilitent la modélisation de processus à l aide notamment de contrôles visuels, ils gèrent la représentation graphique et la vue statique des procédés. b- les outils d exécution ou de simulation : gèrent la vue dynamique des procédés via des animations, alertes etc c- les outils d expérimentation : ressortent à l aide d histogrmames, tableaux de bords, etc pour l analyse des performances et l optimisation des processus d- les liens avec les autres logiciels : pour l intégration et l interopérabilité avec ERPs, SGBDRs, etc. Des travaux de [Bosilj-Vuksic & Al] sur lesquels nous nous sommes appuyés pour 1

2 notre étude comparative, 70 critères à prendre en compte au cours de la sélection d outils de cartographie ont été regroupés en quatre grandes familles : - Hardware & Software : Elle prend en compte les aspects de codage (support de paradigme objets, design pattern, disponibilités du code source, la présence de fonctions prédéfinies) utiles notamment du point de vue informaticien ou développeur amené à donner un produit sur mesure aux besoins de l entreprise. Elle tient également compte de la compatibilité avec le patrimoine de l entreprise en terme de systèmes d informations (applications héritées, tableurs, SGBDRs, etc ), le support fourni au travers de la documentation, de conseils, de démos et tutoriels, plans de formation, les considérations financières et techniques (coût de déploiement, d installation, upgrading du matériel, etc ), le pedigree de la société éditrice (réputation, âge, position sur le marché ) d autres formats et standards et de leur restitution, de l optimisation et du test d alternatives. Ceci n est qu un bref aperçu des critères à prendre en compte. 2 Démarche d analyse et classification Le marché offre une variété d outils opensource (OpenEbXML, Werkflow, OSWorkflow, Apache OFBiz, Xflow, Intalio, Yawl) et propriétaires tels que Aris Business Architect (IDS Scheer), BusinessWare (Vitria Technology), AXway Integration Broker (axway), Agilium (Agilium), OnMap Suite (OnMap), Up Easy Pilot (Softandem ), MEGA (MEGA International), Provision Entreprise ( Proforma Corporation), Witness ( Lanner Group), Win Design Business Process (Cecima). - Capacités de modélisation : Dans cette catégorie, on citera notamment le degré d expertise requis pour l utilisateur, la facilité de prise en main, la représentativité des modèles vis-à-vis de la réalité, mais également la modularité (développer des portions de processus de manières indépendantes voire concurrente), l aide à la production de documentation. - Capacités de Simulation Elle intègre la possibilité d animer les modèles, le type d animation fourni (complet, ou partiel), la robustesse, le degré de précision de la simulation, la réutilisabilité des modèles construits, la gestion des erreurs, des messages et traces d exécution, et l exploitation de distributions théoriques statistiques, l aide à l analyse des tableaux de bords, etc - Entrées et Sorties Elle tient compte des formats de données utilisables en entrée, de la customisation des formats de sortie, de l intégration Fig 1 : Magic Quadrant [Gartner] Le groupe Gartner publie régulièrement des tableaux comparatifs de sociétés éditrices d outils BPA (Business Process Analysis) au sein du Quadrant Magique Magic Quadrant, qui est une représentation graphique du marché à une date donnée. Il présente deux axes : la capacité d exécution, ie prendre en considération une vaste gamme de domaines( finances, médical, éducation, etc ), de rôles (utilisateurs, architectes, etc ) et la vision à long terme des éditeurs. 2

3 Si le travail de la Gartner est reconnu, il spécifie cependant qu il n est en aucun cas utile pour la sélection d un outil et un futur utilisateur est donc laissé une fois de plus à sa fin. Aussi, à partir des critères mentionnés plus haut, dans les travaux précédents nous avons pensé à l utilisation de techniques d analyse de classification automatique non seulement de documents textuels numériques text mining [GRI, 07] mais plus généralement de Datamining et d aide à la décision. Elles combinent des approches issus des discipline comme la linguistique informatique (analyse de texte et extraction d information), l analyse de données (analyse factorielle, classification, ), l intelligence artificielle (techniques d apprentissage, règles d inférences) et les sciences de l'information (lois bibliométriques). Démarche Dans notre démarche de collecte et d analyse en suit la méthodologie CRISP- DM (Cross-Industry Standard Process for Data Mining). Figure 2 : CRISP-DM (Source : SPSS) Il s agit de prendre les critères initiaux, soumettre un questionnaire à un large public utilisant les outils de cartographie puis, appliquer les techniques de classification liées à l analyse de données afin de produire des modèles scientifiquement éprouvés. Sur la base de ces modèles, pour tout nouveau client, il lui suffira de fournir son questionnaire dûment rempli pour lui prédire la classe d outils qui serait susceptible de l intéresser. Dans cette démarche, une fois les données reçues, il faut préparer les données, comprendre les données, en définissant par exemple des codifications, préparer les données en remplaçant les champs qui n ont pas été mentionnés soit par des valeurs moyennes, ou des 0 ou des 1. Puis effectuer la classification en produisant un modèle. Recodage des résultats des critères : Les notes des critères dans le document initial sont exprimés en terme de High, medium, low ou encore possible, not possible. Nous avons premièrement retranscrit ces possibilités en High H, Medium M, Possible - 1, not possible 0 etc Une fois ceci effectué, nous pouvons maintenant passer à la classification sur la base d un échantillon, qui est traduit sous forme de fichier plat, ou excel. Classification Ces méthodes sont généralement utilisées pour grouper des objets, des personnes, des concepts ou des stimuli dans des groupes homogènes sur la base de leur similarité. Dans notre cas il s agira d outils BPM. Lorsqu on cherche à identifier les principales thématiques abordées dans un ensemble de documents et plus généralement dans l analyse de données, deux approches [GRI, 07] sont possibles pour regrouper des documents similaires: - La classification supervisée ou catégorisation qui consiste à identifier la classe d appartenance d un objet à partir de certains traits descriptifs. Cette approche permet le classement automatique de documents, fichiers dans des classes préexistantes (connues à l avance), comme par exemple les rubriques d un journal (société, sport, politique). Les méthodes les plus efficaces sont basées sur un corpus 3

4 d apprentissage. Elles permettent de déterminer automatiquement la catégorie d un fichier à partir d échantillons de pour chaque catégorie choisie. - La classification non supervisée des fichiers et résultats ou clustering, c est à dire la découverte de classes de documents sans a priori, (on ne connaît pas les classes à l avance). Comme dans toute approche non supervisée, ces méthodes supposent le choix : - d une représentation des objets à classer - d une mesure de similarité entre les objets - d un algorithme de classification (hiérarchique ou non hiérarchique) (Exemple : K-means, réseaux de Kohonen ou méthodes Two Steps). Les réseaux de Neurones et Kohonen : [Barthelemy] sont un ensemble de cellules connectées entre eux par des liaisons affectés par un poids. Les liaisons permettent à chaque cellule de disposer d'un canal pour envoyer et recevoir des signaux en provenance d'autres cellules du réseau. Chacune de ces connexions reçoit un poids (une pondération), qui détermine sont impact sur les cellules qu'elle connecte. Chaque cellule dispose ainsi d'une entrée, qui lui permet de recevoir de l'information d'autres cellules, mais aussi de ce que l'on appelle une fonction d'activation, qui est dans les cas les plus simple, une simple identité du résultat obtenu par la l'entrée et enfin une sortie. Classification hiérarchique : Elle consiste à regrouper deux individus dans un même groupe pour un niveau de précision donné, alors que pour un autre degré de précision, ils peuvent appartenir à des groupes différents. Il faut pour cela déterminer des indices qui vont différencier deux individus (indice de dissimilarité) parmi les critères, puis un individu par rapport à un groupe donné (indice d agrégation). On obtient alors des regroupements en classes. Fig 3 : Résultat d une classification hiérarchique Fig 4 : Réseaux de neurones Ils permettent au final de réaliser des diagnostics sur la base d un échantillon qui sera réinjecté plusieurs fois dans les neurones d entrée afin de constituer une base d apprentissage, et donner par la suite «une intelligence» au réseau qui lui permettra de prendre des décisions. Les réseaux de Kohonen sont des cas particuliers de réseaux de neurones. Méthode K-means : commence par définir un ensemble de centres de classes à partir des données. Il affecte ensuite chaque enregistrement à la classe à laquelle il s'apparente le plus, sur la base des valeurs du champ d'entrée de l'enregistrement. Une fois toutes les observations affectées, les centres de classes sont mis à jour afin de refléter le nouvel ensemble d'enregistrements affecté à chaque classe. Les enregistrements sont alors de nouveau évalués afin de déterminer si certains d'entre eux doivent être réaffectés à une autre classe. Ce processus se poursuit 4

5 jusqu'à ce que le nombre maximal d'itérations soit atteint ou que le changement produit par une nouvelle itération soit inférieur à un seuil défini. Les enregistrements sont rassemblés dans le même groupe ou la même classe. Fig 5 : Méthode Kmeans [Berrada] Application de la démarche Comme première comparaison on a fait des bancs d essai sur sept outils : Visio, Rational Rose, Power Designer, Méga, INTALIO et JBPMN. outils Mega Visio Power- Objecteering Rational- JBPM INTALIO Criteres Rose Designer Accès au code source Fonctions Prédéfinies, Compatibilité Tutoriels, documentation, Démos Prix et coûts H M H H M L L d acquisition(h,m,l) Message des erreurs taux de pénétration H M M M M M M sur le marché (H,M,L) animation qualité du graphe H M M H M L M (H,M,L) Niveau de détail H M M M M L H Réutilisabilité des modèles Tableau 1 : Comparaison des outils. Notons à ce niveau que nous nous sommes appuyés sur nos propres perceptions au cours des phases d installation, de manipulation et de tests des différents outils. Certains champs n ont pas pu être renseignés car nous ne disposions pas d informations pour ces critères. Notamment le pedigree et les considérations financières et techniques. Une fois cette tâche effectuée, nous utilisons un outil de datamining pour faire le regroupement suivant divers critère comme le montre la modélisation via la figure ci-dessous. 5

6 Figure 6 : Modélisation Après exécution, nous sortons avec ce regroupement qui nous permet de constater que les outils Intalio et JBPM appartiennent à la même classe, de même que rational rose et Objectering. Fig 7 : Génération de classes via K-means. L analyse du graphique sous dessous nous permet par exemple de constater que Méga est le seul qui nous ait permis de faire une animation et qui a une qualité de graphique excellente. Alors qu Objectering est gratifié du même degré graphique sans pour autant faire d animation. Fig 8 : Génération de classes via K-means. 6

7 Ainsi, à partir d un large échantillon, on peut constituer un modèle d apprentissage et pour tout nouveau client qui désire choisir un outil vi à vis d un critère donné, il suffit d entrer ses réponses pour lui donner les outils qui répondront le mieux. Conclusion et perspectives Nous avons pu appliquer les techniques de datamining à la sélection d outils. Ce travail peut être exploité par une entreprise de e-commerce qui propose par exemple des solutions de cartographie, pour déterminer le profil des utilisateurs et lui fournir en ligne des solutions qui peuvent être susceptibles de l intéresser. Cette démarche repose sur des concepts scientifiques et modèles mathématiques éprouvés. Cependant, il faut reconnaître que ce travail est limité car il faudrait préalablement disposer d un vaste échantillon de réponses, de personnes et acteurs divers du milieu de la cartographie de processus. En plus de cela, nous n avons pas effectué de tests pour savoir si K-means était l algorithme le plus approprié pour pouvoir par la suite faire des prédictions des préférences. Enfin, nous n avons pas entièrement implémenté la suite de la démarche CRISP-DM. Une meilleure analyse des tableaux obtenus ferait ressortir davantage de résultats pertinents. Bibliographie : [Barthelemy] Sylvain Barthelemy Les Réseaux de Neurones, Juin [Bosilj-Vuksic & Al] Vesna Bosilj-Vuksic, Vlatko Ceric, Vlatka Hlupic Criteria for the Evaluation of Business Process Simulation Tools Interdisciplinary Journal of Information, Knowledge, and Management. Volume 2, 2007 [Carpentier] F.-G. Carpentier, Introduction aux analyses multidimensionnelles, Master de Psychologie Sociale 2006/2007, [Vachon & Al] Mélanie Vachon, Dominic Beaulieu-Prévost Amélie Ouellette Marie Achille, Analyse de classification hiérarchique et qualité de vie, Tutorials in Quantitative Methods for Psychology 2005, Vol. 1 (1), p [Gartner] Michael J. Blechar, Jim Sinur, Magic Quadrant for Business Process Analysis Tools, 27 February 2006, Gartner RAS Core Research Note G , [GRI,07] Maitriser le processus de Text Mining dans le cadre d applications d intelligence économique, de gestion de la relation client ou de gestion des connaissance, Luc Grivel VSST 07 Marrakech 7

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

Techniques de DM pour la GRC dans les banques Page 11

Techniques de DM pour la GRC dans les banques Page 11 Techniques de DM pour la GRC dans les banques Page 11 II.1 Introduction Les techniques de data mining sont utilisé de façon augmentaté dans le domaine économique. Tels que la prédiction de certains indicateurs

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en 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

Analyse,, Conception des Systèmes Informatiques

Analyse,, Conception des Systèmes Informatiques Analyse,, Conception des Systèmes Informatiques Méthode Analyse Conception Introduction à UML Génie logiciel Définition «Ensemble de méthodes, techniques et outils pour la production et la maintenance

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

SQL SERVER 2008, BUSINESS INTELLIGENCE

SQL SERVER 2008, BUSINESS INTELLIGENCE SGBD / Aide à la décision SQL SERVER 2008, BUSINESS INTELLIGENCE Réf: QLI Durée : 5 jours (7 heures) OBJECTIFS DE LA FORMATION Cette formation vous apprendra à concevoir et à déployer une solution de Business

Plus en détail

BACHELOR OF SCIENCE INFORMATICIEN-NE DE GESTION

BACHELOR OF SCIENCE INFORMATICIEN-NE DE GESTION Informatique de gestion BACHELOR OF SCIENCE HES-SO BACHELOR OF SCIENCE INFORMATICIEN-NE DE GESTION Plans d études et descriptifs des modules Filière à plein temps et à temps partiel Table des matières

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

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

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

BUSINESS INTELLIGENCE

BUSINESS INTELLIGENCE GUIDE COMPARATIF BUSINESS INTELLIGENCE www.viseo.com Table des matières Business Intelligence :... 2 Contexte et objectifs... 2 Une architecture spécifique... 2 Les outils de Business intelligence... 3

Plus en détail

Méthode d extraction des signaux faibles

Méthode d extraction des signaux faibles Méthode d extraction des signaux faibles Cristelle ROUX GFI Bénélux, Luxembourg cristelle.roux@gfi.be 1. Introduction Au début d une analyse stratégique, la première question posée est très souvent la

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

CONSEIL STRATÉGIQUE. Services professionnels. En bref

CONSEIL STRATÉGIQUE. Services professionnels. En bref Services professionnels CONSEIL STRATÉGIQUE En bref La bonne information, au bon moment, au bon endroit par l arrimage des technologies appropriées et des meilleures pratiques. Des solutions modernes adaptées

Plus en détail

Modéliser et déployer des processus d entreprise avec Biztalk 2006

Modéliser et déployer des processus d entreprise avec Biztalk 2006 Modéliser et déployer des processus d entreprise avec Biztalk 2006 L Entreprise : Un Écosystème Complexe Client Contoso Client Internet Logistique HR System XML Banque ERP CRM Fournisseur ecomm Considérer

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

OFFRE DE FORMATION L.M.D.

OFFRE DE FORMATION L.M.D. REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE OFFRE DE FORMATION L.M.D. MASTER PROFESSIONNEL ET ACADEMIQUE Systèmes d Information

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

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

Catalogue des PFE. Comment postuler

Catalogue des PFE. Comment postuler Catalogue des PFE 2012 2013 IP-TECH propose plusieurs sujets pour des stages de PFE. Ce fascicule est destiné aux étudiants et aux professeurs de l enseignement supérieur. Il commence par un aperçu rapide

Plus en détail

Méthodologie de conceptualisation BI

Méthodologie de conceptualisation BI Méthodologie de conceptualisation BI Business Intelligence (BI) La Business intelligence est un outil décisionnel incontournable à la gestion stratégique et quotidienne des entités. Il fournit de l information

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

Rational Software Rational Portfolio Manager

Rational Software Rational Portfolio Manager IBM Software Group Rational Software Rational Portfolio Manager Rachid Saoui, rachid.saoui@fr.ibm.com Fabrice Grelier, fabrice.grelier@fr.ibm.com 2003 IBM Corporation genda Gouvernance et Portfolio Management

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

Améliorer la précision des modèles avec des données non structurées

Améliorer la précision des modèles avec des données non structurées IBM SPSS Modeler Premium Améliorer la précision des modèles avec des données non structurées Points clés Consultez, préparez et intégrez facilement des données structurées ainsi que des données tirées

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

BI2B est un cabinet de conseil expert en Corporate Performance Management QUI SOMMES-NOUS?

BI2B est un cabinet de conseil expert en Corporate Performance Management QUI SOMMES-NOUS? SOMMAIRE Qui sommes nous? page 3 Notre offre : Le CPM, Corporate Performance Management page 4 Business Planning & Forecasting page 5 Business Intelligence page 6 Business Process Management page 7 Nos

Plus en détail

Introduction au Data-Mining

Introduction 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 détail

Vérifier la qualité de vos applications logicielle de manière continue

Vérifier la qualité de vos applications logicielle de manière continue IBM Software Group Vérifier la qualité de vos applications logicielle de manière continue Arnaud Bouzy Kamel Moulaoui 2004 IBM Corporation Agenda Analyse de code Test Fonctionnel Test de Performance Questions

Plus en détail

WHITE PAPER Une revue de solution par Talend & Infosense

WHITE PAPER Une revue de solution par Talend & Infosense WHITE PAPER Une revue de solution par Talend & Infosense Master Data Management pour les données de référence dans le domaine de la santé Table des matières CAS D ETUDE : COLLABORATION SOCIALE ET ADMINISTRATION

Plus en détail

SQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...)

SQL Server 2012 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services...) Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence

Plus en détail

AXIAD Conseil pour décider en toute intelligence

AXIAD Conseil pour décider en toute intelligence AXIAD Conseil pour décider en toute intelligence Gestion de la Performance, Business Intelligence, Big Data Domaine d expertise «Business Intelligence» Un accompagnement adapté à votre métier dans toutes

Plus en détail

SQL Server 2014 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services, Power BI...)

SQL Server 2014 Implémentation d'une solution de Business Intelligence (Sql Server, Analysis Services, Power BI...) Avant-propos 1. À qui s'adresse ce livre? 15 2. Pré-requis 15 3. Objectifs du livre 16 4. Notations 17 Introduction à la Business Intelligence 1. Du transactionnel au décisionnel 19 2. Business Intelligence

Plus en détail

DESCRIPTIF DE MODULE S5 GSI

DESCRIPTIF DE MODULE S5 GSI Option SIM DESCRIPTIF DE MODULE S5 GSI : Gouvernance et Systèmes d Information COORDONNATEUR DU MODULE : Département : Ce module a pour but d enseigner les méthodes, les règles et les pratiques nécessaires

Plus en détail

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com

Intelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines

Plus en détail

Master Informatique Aix-Marseille Université

Master Informatique Aix-Marseille Université Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes

Plus en détail

Ingénierie de Systèmes Intelligents

Ingénierie de Systèmes Intelligents Ingénierie de Systèmes Intelligents p. 1/? Ingénierie de Systèmes Intelligents Maria Malek maria.malek@eisti.fr Ecole Internationale des Sciences de Traitement de l Information (EISTI) http://www.eisti.fr/

Plus en détail

BIRT (Business Intelligence and Reporting Tools)

BIRT (Business Intelligence and Reporting Tools) BIRT (Business Intelligence and Reporting Tools) Introduction Cette publication a pour objectif de présenter l outil de reporting BIRT, dans le cadre de l unité de valeur «Data Warehouse et Outils Décisionnels»

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

FutureSight. FutureSight! Document préparé pour Les vinitiques #3. 25 avril 2013. A Software and Service Company! Analytics & Complex Event Solving!

FutureSight. FutureSight! Document préparé pour Les vinitiques #3. 25 avril 2013. A Software and Service Company! Analytics & Complex Event Solving! nalytics & Complex Event Solving! FutureSight Document préparé pour Les vinitiques #3 25 avril 2013 Software and Service Company! «FutureSight permet à ses clients de délivrer, de façon répétable et continue,

Plus en détail

ANTICIPEZ ET PRENEZ LES BONNES DÉCISIONS POUR VOTRE ENTREPRISE

ANTICIPEZ ET PRENEZ LES BONNES DÉCISIONS POUR VOTRE ENTREPRISE ANTICIPEZ ET PRENEZ LES BONNES DÉCISIONS POUR VOTRE ENTREPRISE Editeur - Intégrateur de solutions de gestion Notre stratégie d édition et d intégration : un niveau élevé de Recherche & Développement au

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

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Développement logiciel pour l Architecture Orientée Services avec IBM Rational Software Development Platform

Développement logiciel pour l Architecture Orientée Services avec IBM Rational Software Development Platform IBM Software Group Développement logiciel pour l Architecture Orientée Services avec IBM Rational Software Development Platform Thierry Bourrier, Techical Consultant thierry.bourrier@fr.ibm.com L Architecture

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

UNIVERSITÉ DE LORRAINE Master MIAGE (Méthodes Informatiques Appliquées à la Gestion des Entreprises)

UNIVERSITÉ DE LORRAINE Master MIAGE (Méthodes Informatiques Appliquées à la Gestion des Entreprises) UNIVERSITÉ DE LORRAINE Master MIAGE (Méthodes s Appliquées à la Gestion des Entreprises) 1 Description générale L UFR Mathématiques et propose le Master avec trois spécialisations en deuxième année : ACSI

Plus en détail

IBM Tivoli Monitoring, version 6.1

IBM Tivoli Monitoring, version 6.1 Superviser et administrer à partir d une unique console l ensemble de vos ressources, plates-formes et applications. IBM Tivoli Monitoring, version 6.1 Points forts! Surveillez de façon proactive les éléments

Plus en détail

D une part, elles ne peuvent faire table rase de la richesse contenue dans leur système d information.

D une part, elles ne peuvent faire table rase de la richesse contenue dans leur système d information. PACBASE «Interrogez le passé, il répondra présent.». Le Module e-business Les entreprises doivent aujourd hui relever un triple défi. D une part, elles ne peuvent faire table rase de la richesse contenue

Plus en détail

Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence

Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION. Mentions Ingénierie des Systèmes d Information Business Intelligence É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure ARCHITECTURE DES SYSTEMES D INFORMATION Mentions

Plus en détail

IBM Cognos TM1. Fiche Produit. Aperçu

IBM Cognos TM1. Fiche Produit. Aperçu Fiche Produit IBM Cognos TM1 Aperçu Cycles de planification raccourcis de 75 % et reporting ramené à quelques minutes au lieu de plusieurs jours Solution entièrement prise en charge et gérée par le département

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

Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise. myssii www.myssii.fr - 2012 Jedox AG, www.jedox.

Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise. myssii www.myssii.fr - 2012 Jedox AG, www.jedox. by Solu%on de Business Intelligence leader pour la ges%on de la performance d entreprise 2014 Jedox by myssii Pour toute entreprise, l informatique d aide à la décision est devenue une arme de compétitivité

Plus en détail

Agrégation des portefeuilles de contrats d assurance vie

Agrégation des portefeuilles de contrats d assurance vie Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l

Plus en détail

Le géomarketing - Page 1 sur 7

Le géomarketing - Page 1 sur 7 Le géomarketing - Page 1 sur 7 LES DOSSIERS MADWATCH.net méthodes Le Géomarketing Novembre 2003 Nb de pages : 7 Le géomarketing - Page 2 sur 7 Créé dans les années 80, la plupart des applications du géomarketing

Plus en détail

1 Actuate Corporation 2012. + de données. + d analyses. + d utilisateurs.

1 Actuate Corporation 2012. + de données. + d analyses. + d utilisateurs. 1 Actuate Corporation 2012 + de données. + d analyses. + d utilisateurs. Actuate et BIRT Actuate est l Editeur spécialiste de la Business Intelligence et le Reporting qui a créé le projet Open Source BIRT

Plus en détail

L Edition Pilotée XL

L Edition Pilotée XL L Edition Pilotée XL Piloter son activité, une nécessité Processus décisionnel: «Exploiter les données de l entreprise dans le but de faciliter la prise de décision» Etre informé en permanence sur l état

Plus en détail

Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie

Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie Les 10 grands principes de l utilisation du data mining pour une gestion de la relation client réussie Découvrir les stratégies ayant fait leurs preuves et les meilleures pratiques Points clés : Planifier

Plus en détail

Openfexo: une plate-forme dédiée à la modélisation multi-facettes. Sylvain Guérin sylvain.guerin@agilebirds.com

Openfexo: une plate-forme dédiée à la modélisation multi-facettes. Sylvain Guérin sylvain.guerin@agilebirds.com Openfexo: une plate-forme dédiée à la modélisation multi-facettes Sylvain Guérin sylvain.guerin@agilebirds.com Petit historique... 5 années de développement sur un projet interne: fexo, outil de modélisation

Plus en détail

Présentation du cursus Animateur de Cluster et de réseaux territoriaux Etat du 14 avril 2013

Présentation du cursus Animateur de Cluster et de réseaux territoriaux Etat du 14 avril 2013 MASTER ANIMATEUR DE CLUSTER ET DE RESEAUX TERRITORIAUX PRESENTATION DU DIPLOME FRANCO-ALLEMAND 1. OBJECTIFS DE LA FORMATION ET COMPETENCES A ACQUERIR: Former des animateurs de cluster et de réseaux territoriaux

Plus en détail

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume

COURS SYRRES RÉSEAUX SOCIAUX. Jean-Loup Guillaume COURS SYRRES RÉSEAUX SOCIAUX Jean-Loup Guillaume Le cours http://jlguillaume.free.fr/www/teaching/syrres/ Exemple 1 : Expérience de Milgram Objectif faire transiter une lettre depuis les Nebraska à un

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

FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)

FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) 87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation

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

Christian Soutou UML 2. pour les. bases de données. Avec 20 exercices corrigés. Groupe Eyrolles, 2007, ISBN : 978-2-212-12091-2

Christian Soutou UML 2. pour les. bases de données. Avec 20 exercices corrigés. Groupe Eyrolles, 2007, ISBN : 978-2-212-12091-2 Christian Soutou UML 2 pour les bases de données Avec 20 exercices corrigés Groupe Eyrolles, 2007, ISBN : 978-2-212-12091-2 Chapitre 4 Outils du marché : de la théorie à la pratique Non mais t as déjà

Plus en détail

Gérez efficacement vos flux d entreprises.

Gérez efficacement vos flux d entreprises. Gérez efficacement vos flux d entreprises. g geai* répond au besoin de gestion des flux de données inter et intra-entreprises. Vous maîtrisez vos flux autour d une application centralisée. *EAI : Enterprise

Plus en détail

Master Exploration Informatique des données Data Mining & Business Intelligence. Evelyne CHARIFOU Priscillia CASSANDRA

Master 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 détail

A. Le contrôle continu

A. Le contrôle continu L audit d achat est une action volontaire décidée par l entreprise avec pour objet d apprécier la qualité de l organisation de sa fonction achats et le niveau de performance de ses acheteurs. L audit achat

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

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.

MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln. MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion

Plus en détail

Ingénierie de Systèmes Intelligents

Ingénierie de Systèmes Intelligents Ingénierie de Systèmes Intelligents p. 1/ Ingénierie de Systèmes Intelligents Application : Web Intelligent Maria Malek EISTI Ingénierie de Systèmes Intelligents p. 2/ Objectif Traitement Intelligent des

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

LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION

LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION LES CARTES À POINTS : POUR UNE MEILLEURE PERCEPTION DES NOMBRES par Jean-Luc BREGEON professeur formateur à l IUFM d Auvergne LE PROBLÈME DE LA REPRÉSENTATION DES NOMBRES On ne conçoit pas un premier enseignement

Plus en détail

SILVERPROD Presentation. Juin 2012

SILVERPROD Presentation. Juin 2012 SILVERPROD Presentation Juin 2012 SILVERPROD SILVERPROD EN CHIFFRES Création en 1967 Un capital de 1 M et une croissance maîtrisée Un CA de 5 M Plus de 200 références industrielles Une présence sur le

Plus en détail

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains. Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY

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

IBM Business Process Manager

IBM Business Process Manager IBM Software WebSphere Livre blanc sur le leadership en matière d innovation IBM Business Process Manager Une plateforme de BPM complète, unifiée et facilement adaptable aux projets et aux programmes d

Plus en détail

RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE REPERTOIRE)

RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE REPERTOIRE) RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE REPERTOIRE) Intitulé (cadre 1) Ingénieur diplômé de l École Nationale Supérieure d Ingénieurs en Informatique, Automatique, Mécanique, Énergétique et Électronique

Plus en détail

Le temps est venu d implanter un CRM et un système de gestion de la connaissance

Le temps est venu d implanter un CRM et un système de gestion de la connaissance LIVRE BLANC Le temps est venu d implanter un CRM et un système de gestion de la connaissance Une vision détaillée des fonctions de CRM etde Gestion de Connaissances dansl environnement commercial actuel.

Plus en détail

IFT2255 : Génie logiciel

IFT2255 : Génie logiciel IFT2255 : Génie logiciel Chapitre 6 - Analyse orientée objets Section 1. Introduction à UML Julie Vachon et Houari Sahraoui 6.1. Introduction à UML 1. Vers une approche orientée objet 2. Introduction ti

Plus en détail

EXTRACTION DE CONNAISSANCES À PARTIR DE DONNÉES TEXTUELLES VUE D ENSEMBLE

EXTRACTION DE CONNAISSANCES À PARTIR DE DONNÉES TEXTUELLES VUE D ENSEMBLE ème Colloque National AIP PRIMECA La Plagne - 7- avril 7 EXTRACTION DE CONNAISSANCES À PARTIR DE DONNÉES TEXTUELLES VUE D ENSEMBLE Bruno Agard Département de Mathématiques et de Génie Industriel, École

Plus en détail

Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ

Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ Transformation IT de l entreprise COMMENT L ANALYTIQUE ET LE BIG DATA RENFORCENT LES ENJEUX DE SÉCURITÉ L analytique de données peut-elle faire baisser la criminalité? Si vous pensez que c est impossible

Plus en détail

Identification des incontournables à la démarche Lean

Identification des incontournables à la démarche Lean Identification des incontournables à la démarche Lean Analyse des résultats 7/09/2010 Barbara Lyonnet, Laboratoire SYMME, Université de Savoie barbara.lyonnet@univ-savoie.fr 1. Introduction Toute entreprise

Plus en détail

Votre Infrastructure est-elle? Business Intelligence. Améliorer la capacité d analyse et de décision de vos équipes

Votre Infrastructure est-elle? Business Intelligence. Améliorer la capacité d analyse et de décision de vos équipes Votre Infrastructure est-elle? Business Intelligence Améliorer la capacité d analyse et de décision de vos équipes Sommaire Introduction : Les domaines d application de la Business Intelligence p. 4 Vue

Plus en détail

et les Systèmes Multidimensionnels

et les Systèmes Multidimensionnels Le Data Warehouse et les Systèmes Multidimensionnels 1 1. Définition d un Datawarehouse (DW) Le Datawarehouse est une collection de données orientées sujet, intégrées, non volatiles et historisées, organisées

Plus en détail

2 Business Intelligence avec SQL Server 2008

2 Business Intelligence avec SQL Server 2008 Introduction «Voudriez-vous me dire, s il vous plaît, quel chemin je dois prendre pour m en aller d ici? Cela dépend beaucoup de l endroit où tu veux aller, répondit le chat. Peu m importe l endroit...

Plus en détail

BI2 : Un profil UML pour les Indicateurs Décisionnels

BI2 : Un profil UML pour les Indicateurs Décisionnels BI2 : Un profil UML pour les Indicateurs Décisionnels Sandro Bimonte Irstea, TSCF, 9 Av. Blaise Pascal, 63178, Aubière, France sandro.bimonte@irstea.fr Thème de Recherche MOTIVE www.irstea.fr 2 Plan Motivations

Plus en détail

OLAP. Data Mining Decision

OLAP. Data Mining Decision Machine Learning Information Systems Data Warehouses Web & Cloud Intelligence OLAP Knowledge Management Data Mining Decision ENTREPÔTS, REPRÉSENTATION & INGÉNIERIE des CONNAISSANCES Une recherche pluridisciplinaire...

Plus en détail

Cycle de formation certifiante Sphinx

Cycle de formation certifiante Sphinx Cycle de formation certifiante Sphinx 28, 29, 30 Mai 2015 Initiation, Approfondissement et Maîtrise Etudes qualitatives / quantitatives Initiation, approfondissement et maîtrise des études qualitatives

Plus en détail

Bilan de thèse à mi-parcours

Bilan de thèse à mi-parcours Bilan de thèse à mi-parcours Benjamin Lévy 26 mars 2012 Introduction La thèse de doctorat d informatique (école doctorale 130, EDITE) dont le titre officiel est le suivant : Avatars capables d écoute,

Plus en détail

L A B U S I N E S S. d a t a g i n f o r m a t i o n g a c t i o n

L A B U S I N E S S. d a t a g i n f o r m a t i o n g a c t i o n L A B U S I N E S S I N T E L L I G E N C E D U X X I e m e S I E C L E A T A W A D * d a t a g i n f o r m a t i o n g a c t i o n domaines d expertise : Modélisation des données Intégration des données

Plus en détail

Les apports de l informatique. Aux autres disciplines

Les apports de l informatique. Aux autres disciplines Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il

Plus en détail

Didacticiel Études de cas. Description succincte de Pentaho Data Integration Community Edition (Kettle).

Didacticiel Études de cas. Description succincte de Pentaho Data Integration Community Edition (Kettle). 1 Objectif Description succincte de Pentaho Data Integration Community Edition (Kettle). L informatique décisionnelle («Business Intelligence BI» en anglais, ça fait tout de suite plus glamour) fait référence

Plus en détail

Méthodologies de développement de logiciels de gestion

Méthodologies de développement de logiciels de gestion Méthodologies de développement de logiciels de gestion Chapitre 5 Traits caractéristiques des deux approches de méthodologie Présentation réalisée par P.-A. Sunier Professeur à la HE-Arc de Neuchâtel http://lgl.isnetne.ch

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

Apprentissage Statistique. Bureau d étude :

Apprentissage Statistique. Bureau d étude : Apprentissage Statistique Bureau d étude : Score d appétence en GRC Hélène Milhem IUP SID M2 2011/2012 Institut de Mathématiques de Toulouse UMR CNRS C5219 Equipe de Statistique et Probabilités Université

Plus en détail

La segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM

La segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,

Plus en détail

Département Informatique 5ème année 2008-2009. Cahier des Charges

Département Informatique 5ème année 2008-2009. Cahier des Charges École Polytechnique de l Université de Tours 64, Avenue Jean Portalis 37200 TOURS, FRANCE Tél. +33 (0)2 47 36 14 14 Fax +33 (0)2 47 36 14 22 www.polytech.univ-tours.fr Département Informatique 5ème année

Plus en détail