Plan. Data mining (partie 1) Intelligence économique. Intelligence économique. Master MIAGE - ENITE
|
|
- Emma Rochette
- il y a 8 ans
- Total affichages :
Transcription
1 Plan Data mining (partie 1) Introduction Master MIAGE - ENITE Spécialité ACSI laurent.vigneron@univ-lorraine.fr Année universitaire Les tâches du data mining 2. Le processus de data mining 3. Les bases de l'analyse de données 4. Les modèles du data mining 5. Critères pour le choix d un logiciel Conclusion et perspectives 2 Intelligence économique Définition : (théorique) Ensemble de méthodes et techniques de gestion de l information et d utilisation des flux d information pour l anticipation des évolutions, l action d apprentissage organisationnel, l activité stratégique d adaptation de l entreprise à l environnement et aux besoins du client. (adaptation au sens offensif!) Intelligence économique Définition : (fonctionnelle) Pour une entreprise particulière, c est sa capacité à combiner efficacement des savoir-faire et des compétences internes et externes, pour résoudre un problème productif inédit. Anticiper le problème productif Identifier de manière permanente les compétences internes et externes 3 4
2 Intelligence économique Environnement de l'entreprise Objectifs : Accroissement des performances des processus Meilleure satisfaction du client Modification des conventions Moyens : Forte circulation de l information dans l entreprise Développement de la capacité interprétative, de l apprentissage, de la capitalisation des connaissances et du développement des compétences Accroissement de la concurrence Individualisation des consommateurs Brièveté du cycle de vie des produits Anticiper le marché et pas seulement réagir Cibler au mieux la clientèle pour répondre à ses attentes Connaître le métier, les schémas de comportement des clients et des fournisseurs 5 6 Importance de la connaissance La grande distribution a besoin d'apprendre à connaître ses clients Créer des relations privilégiées sur le modèle du commerce de quartier Idéal du «un à un» Apprendre à évaluer un client dans la durée Déterminer lequel fidéliser par des attentions particulières et lequel laisser partir à la concurrence Déplacement des centres d'intérêt des segments de marché vers les individus 7 Importance de la connaissance Petit commerce : Observe un client, se souvient de ses préférences Apprend des contacts passés comment améliorer le service futur Objectif : faire la même chose avec une entreprise de grande taille Client difficilement en contact avec un employé Client voyant chaque fois un employé différent Exploitation des nombreuses traces enregistrées lors de l'observation du client (enregistrements transactionnels) 8
3 Potentiel Intérêt du data mining Masse importante de données à disposition Explorer ses réservoirs de connaissances Extraire des connaissances Données provenant de nombreuses sources À rassembler et à organiser selon un plan cohérent et exploitable À analyser, comprendre et transformer en informations exploitables Une solution : le data mining «Trop de données tue l information» seuls 15% des données stockées sont analysées + 150% d infos disponibles chaque année Objectif : favoriser la prise de décision en exploitant les giga/tera-octets d information disponibles modéliser pour prédire faciliter la décision (mais ne prend pas de décision) améliorer la réactivité d une entreprise / marché Défi : améliorer la productivité / volume exponentiel de données Extrapoler le passé pour prédire l avenir 9 10 Découverte de connaissances dans les bases de données Intérêt scientifique Processus d aide à la décision où les utilisateurs cherchent des modèles d interprétation dans les données Extraction d informations auparavant inconnues et potentiellement utiles à partir des données disponibles Intérêt économique Amélioration de la qualité des produits et des services Passage d un marketing de masse à un marketing individualisé Fidélisation des clients Différenciation stratégique de l entreprise favorisée Fouille de données / Data mining Ensemble des outils permettant d accéder et d analyser les données de l entreprise Moyens destinés à détecter les associations entre des données contenues dans d importantes bases de données Outil qui facilite la mise en évidence de modèles ou de règles à partir de l observation des données Démarche ayant pour objet de découvrir des relations et des faits à la fois nouveaux et significatifs sur de grands ensembles de données Un élément de la transformation de données en connaissances 11 12
4 Fouille de données / Data mining Donnée versus Connaissance Restriction aux outils permettant d engendrer des infos riches, de découvrir des modèles implicites à partir de données historiques Idées et techniques provenant des statistiques, de la RO, de l'ia, de l'administration de bases de données, du marketing Pertinence et intérêt conditionnés par les enjeux de l entreprise 13 Données Connaissances Donnée : description d un exemple ou d un événement spécifique dont l exactitude peut être vérifiée par rapport au monde réel Ex : les achats d un client sur son ticket de caisse Connaissance : ensemble de relations entre les données Règles, tendances, associations, exceptions, Décrit une catégorie abstraite pouvant couvrir plusieurs exemples Ex : les bons et les mauvais clients Connaissances synthèse des informations (DM) 14 Data mining et Décisionnel : une solution L'archivage de données crée la mémoire d'entreprise Le data mining crée l'intelligence de l'entreprise Analyse prédictive de comportement Généralisation prédictive : communauté Automatisation de certaines phases de l analyse Rendre les utilisateurs moins dépendants des spécialistes de l analyse de données Intégrer les résultats du DM dans l informatique ou les procédures de l entreprise 15 Champs de l'opérationnel Données externes Données internes «Rappel» : SI décisionnel Traitement Champs du décisionnel Informations de qualité, pertinentes mises en forme, Utilisateurs 16
5 État des lieux Les algorithmes existent (depuis des décennies) Les données sont produites Nécessité de grands volumes pour l'apprentissage Les données sont archivées La puissance de calcul nécessaire est disponible et financièrement abordable Le contexte est ultra concurrentiel Motivation commerciale Des produits commerciaux pour le DM existent 18 Contexte ultra concurrentiel Renforcement du rôle des informations dans la concurrence Économie de plus en plus tournée vers les services Vente de voitures ou de solutions de transports? Compagnies aériennes en concurrence par les services offerts Apparition de la personnalisation massive Levi-Strauss et ses jeans personnalisés Peugeot et sa voiture à la demande Individual.com et sa revue de presse qui s'améliore avec le temps Importance croissante de l'information comme produit Courtiers en information (ex : IMS, Information Management Service) 19 Domaines d'application Grande distribution, Vente par correspondance, Commerce électronique Banques, Assurances Transports, Voyagistes Télécommunications, Eau, Énergie Aéronautique, Automobile, Industrie Laboratoires pharmaceutiques Retours sur investissement 20
6 Exemples La police américaine Poseur de bombe d'oklahoma City DM pour filtrer les milliers de rapports soumis par les agents du FBI Le département du Trésor américain pour traquer les formes suspectes dans les transferts de fonds internationaux Les supermarchés Collecte d'infos par le biais de la carte de fidélité Utilisation de la carte pour payer ou obtenir des "points" Détermination de l'agencement des rayons, Vente aux marques pour les bons de réduction à adresser à un client Exemples La banque (les premiers) Les cartes de crédit Aux USA, prédire les changements de ville (et de banque?) La vente croisée Assurance USAA Compagnie d'investissement Fidelity Marketing direct guidé par l'analyse de comportement Portrait robot du client fidèle Routage des réclamations en période de garantie Fabricant de moteurs diesel Fidélisation des bons clients Compagnie du gaz de Californie du sud à la fin du monopole Élimination des mauvais clients Introduction Plan 1. Les tâches du data mining 2. Le processus de data mining 3. Les bases de l'analyse de données 4. Les modèles du data mining Les tâches du DM a) Classification (affectation à une classe prédéfinie) b) Estimation c) Prédiction d) Association (groupement par similitudes) e) Clusterisation (classes non prédéfinies) f) Description 5. Critères pour le choix d un logiciel Conclusion et perspectives 23 24
7 a) Classification b) Estimation «La classification consiste à examiner des caractéristiques d un élément nouvellement présenté afin de l affecter à une classe d un ensemble prédéfini.» [BERRY97] Objectif : affecter des individus à des classes prédéfinies classes discrètes : homme / femme, oui / non,... Exemple de technique appropriée : les arbres de décision 25 Permet d obtenir une variable continue en combinant les données en entrée de procéder aux classifications grâce à un «barème» exemple : estimer le revenu d un ménage selon divers critères pour ensuite définir des tranches de revenus pour classifier les individus Intérêt pouvoir ordonner les résultats pour ne retenir (si on le désire) que les n meilleures valeurs facile de mesurer la position d un élément estimé dans sa classe particulièrement important pour les cas limitrophes Exemple de technique appropriée : les réseaux de neurones 26 c) Prédiction Ressemble à la classification et à l estimation mais dans une échelle temporelle différente S appuie sur le passé et le présent mais son résultat se situe dans un futur généralement précisé Meilleure méthode pour mesurer la qualité de la prédiction : attendre! Exemples de techniques appropriées : l analyse du panier de la ménagère les arbres de décision les réseaux de neurones d) Association Consiste à grouper des variables qui «vont ensemble». Règles d association «si antécédent alors conséquence» avec mesures de support et de seuil de confiance. Exemple de technique appropriée : l analyse du panier de la ménagère 27 28
8 e) Clusterisation / catégorisation f) Description Segmenter une population hétérogène en souspopulations homogènes Contrairement à la classification, les souspopulations ne sont pas préétablies Décrire des phénomènes ou des tendances au sein des données d une base complexe Engendre souvent une exploitation supplémentaire en vue de fournir des explications Exemple de technique appropriée : les K means Exemple de technique appropriée : l analyse du panier de la ménagère Exemple La classification Déterminer le grade en fonction du sexe, de l'âge, l'ancienneté, le salaire et les affectations Déterminer le sexe en fonction de l'âge, l'ancienneté, le salaire et les affectations L estimation se fait sur des variables continues Estimer l'âge en fonction du grade, sexe, ancienneté et affectations Le salaire en fonction de âge, sexe, ancienneté et affectations La prédiction Quelle sera la prochaine affectation d'un militaire? 31 32
9 Deux démarches L association Déterminer des règles du type : le militaire qui est sergent entre 25 et 30 ans sera lieutenant colonel entre 45 et 50 ans (fiabilité de n %) La clusterisation Segmenter les militaires en fonction du suivi de leur carrière et de leurs affectations La description Indicateurs statistiques traditionnels : âge moyen, % femmes, salaire moyen 33 Test d hypothèses Engendrer une idée Déterminer les données permettant de la tester Localiser les données Préparer les données pour l'analyse Construire les modèles informatiques sur la base de données Évaluer les modèles informatiques La découverte de connaissances Dirigée (expliquer une relation) ou non (reconnaître une relation) 34 Fausses idées Fausses idées Il existe des outils de DM que nous pouvons faire tourner sur nos bases de données pour trouver des réponses à nos problèmes. Pas d outils automatiques de DM pouvant résoudre des problèmes automatiquement. DM : processus. Besoin d une méthode pour intégrer le DM dans le plan d action commercial ou le plan d études global de l entreprise. Le processus de DM est autonome, nécessitant peu ou pas de supervision humaine. Besoin significatif d interaction humaine à chaque étape. Même après déploiement, l introduction de nouvelles données nécessite souvent la mise-à-jour du modèle. Pilotage continu de la qualité et d autres mesures d évaluation mené par un analyste humain
10 Fausses idées Fausses idées Le DM s amortit assez rapidement. Taux de retour variant selon les coûts de lancement, les coûts du personnel d analyse, les coûts de préparation de l entrepôt de données, etc. Les logiciels de DM sont intuitifs et faciles à utiliser. Facilité d usage très variable. L analyste des données doit maîtriser le sujet, le modèle global métier. Le DM va identifier les causes de vos problèmes métiers. Processus de découverte de connaissances pour aider à découvrir des phénomènes ou des comportements inconnus. C est à l homme d identifier les causes. Le DM va nettoyer une base de données erronées automatiquement. Pas automatique : souvent besoin de mise-à-jour lors d une phase préliminaire, car utilisation de données anciennes Plan Gestion des connaissances Introduction 1. Les tâches du data mining 2. Le processus de data mining 3. Les bases de l'analyse de données 4. Les modèles du data mining Compréhension du domaine Sélection des données Qualification des données Statistiques et data mining? Identification de relations Enrichissement des variables Utilisation de la connaissance 5. Critères pour le choix d un logiciel Conclusion et perspectives Données sources Données cibles Données validées Données transformées Information découverte Information exploitée 39 40
11 Le processus de data mining (1) Définition du problème 1. Définition du problème 6. Déploiement 2. Définition des données 5. Évaluation Données Données Données 3. Préparation des données 4. Modélisation Définir les objectifs et les critères d évaluation métier et du projet de data mining Déterminer les objectifs métier Background : grand éditeur de journaux, service marketing très intéressé par le projet, Objectifs : réduire les coûts avec un mailing promotionnel, Critères de succès : réduction des coûts d au moins 30%, Validation de la situation Inventaire des ressources : données du système central, outils OLAP, 3 experts en DM, support technique, Besoins, hypothèses et contraintes : terminologie, risques et contingences, coûts et bénéfices, (1) Définition du problème Déterminer les buts du data mining Objectifs : classification des non-clients en clients potentiels ou non, et pour quel produit, Critères de succès : atteindre une réussite de 60% sur un échantillon de test, Planifier le projet Plan du projet Validation initiale des outils et techniques (2) Définition des données Quelles données extraire? Identifier les variables Rendre le processus de découverte performant et efficace Réduction des dimensions Trop de variables nuit à la capacité de généralisation Ratio : Nombres d exemples / Nombre de variables - Nbre d exemples + zone optimale multiplication des apprentissages - Nbre de variables + temps de calcul long trop peu d exemples 43 44
12 (2) Définition des données Récupération des données initiales Rapport sur ces données : liste des tables utilisées, restrictions sur les données sélectionnées (clients actifs depuis moins de deux ans), Description des données Rapport : nombre de clients, nombre de produits, nombre de champs (et type de ceux-ci), (2) Définition des données Exploration des données Rapport : un graphique de la répartition des clients par région montre que des régions sont absentes (erreur de saisie?), un produit est acheté par 67% des clients, Vérification de la qualité des données Rapport : le champ code postal contient des valeurs impossibles (correction ou suppression?), certains enregistrements semblent dupliqués, (3) Préparation des données Phase de sélection et de transformation pour la modélisation Sélection des données Explications pour l inclusion/exclusion : 7% des enregistrements contenaient des valeurs inconnues pour des attributs jugés importants et ont été écartés, Nettoyage des données Rapport : identification d enregistrements avec des noms de clients approximatifs, Construction de données Attributs dérivés : nouvel attribut avec le nombre de produits souscrits, Enregistrements engendrés : aucun nouvel enregistrement, (3) Préparation des données Intégration de données Données ajoutées : indicateurs sociaux ajoutés selon l adresse, rassemblement de souscriptions d un même client, Format des données Reformatage : discrétisation de valeurs, Résultat : Un ensemble de données Une description de cet ensemble 47 48
13 (4) Modélisation (4) Modélisation Identification d objets mathématiques ou logiques (modèles) reflétant une régularité sous-jacente des données. Sélection de la technique de modélisation Technique de modélisation : arbres de décision, réseaux bayésiens, Hypothèses de modélisation Définition de la conception du test Description de l ensemble test et de sa construction Construction effective des deux bases de travail Base d'apprentissage (80% de la population) pour découvrir le modèle Base de test (20%) pour évaluer le modèle découvert (4) Modélisation Construction du modèle Choix des paramètres Modèles : arbre de décision 1, arbre de décision 2, Description du modèle : arbre relativement petit considérant les attributs Validation du modèle Validations : le meilleur modèle est bon à 72% sur l ensemble test, Révision des paramètres : le niveau d élagage a été réduit à 51 (5) Évaluation Évaluation des modèles selon les critères pré-établis, et révision totale du procédé de data mining Évaluation des résultats Validation des résultats du data mining : les modèles peuvent conduire à une réduction des coûts Modèles approuvés : le modèle 3 a besoin de moins d information et est le plus approprié, Révision du procédé Toutes les étapes précédents ont été révisées, un attribut initialement exclus a été réintégré, Détermination des étapes suivantes Liste des actions possibles : utiliser le modèle sélectionné sur un échantillon de clients potentiels, Décision 52
14 (5) Évaluation (6) Déploiement Évaluation quantitative - Matrice de confusion Achats prédits Oui Non Total Achats constatés Oui Non Total Qualité globale du modèle : / 1000 (81%) Forte capacité des non-acheteurs : 540 / 570 (94%) Acheteurs : 270/430 (63%) 160 prospects à contacter Mise en action des modèles produits et surveillance des résultats. Plan de déploiement Caractériser les clients potentiels, appliquer le modèle, construire le mailing, Plan de surveillance et de maintenance Résultat de la surveillance, comparaison avec Production et présentation du rapport final Révision du projet Documentation sur l expérience Processus d extraction - Conclusion Rôle primordial des utilisateurs et des experts Sémantique donnée aux données (méta-données) Orientation du processus d extraction Valider ou infirmer les conclusions Logiciels de DM orientés recherche de modèle Une partie du processus Tendance : intégration de fonctions d aide à tous les stades du processus Après le processus : la diffusion et l intégration de la connaissance Introduction Plan 1. Les tâches du data mining 2. Le processus de data mining 3. Les bases de l'analyse de données 4. Les modèles du data mining 5. Critères pour le choix d un logiciel Conclusion et perspectives 55 56
15 Données : exemples et types Notion de similarité Informations fournies sous forme d'une liste d'exemples Exemple = valeur d'une liste d'attributs Remarque : un attribut cible Types d'attributs Variable disjonctive (ex : oui/non, vrai/faux) Variable catégorique non ordonnée (ex : couleur) Variable catégorique ordonnée (ex : intervalles d'âge) Variable continue (ex : salaire) Comment définir que deux objets sont similaires? Similarité = «ressemblance» des valeurs des attributs Définitions très différentes selon le type des variables et selon divers autres critères Similarité : var. disjonctives Déf : maximum d'attributs identiques En statistiques : coïncidence (mesure quantitative de la similarité) Types de coïncidences : positive, négative (attention : signification différente) Similarité : var. disjonctives Voiture Diligence Calèche A des roues Oui Oui Oui A un plancher Oui Oui Oui A des portes Oui Oui Non A un moteur Oui Non Non A un toit Oui Oui Non Coïncidences positives? Coïncidences négatives? Non coïncidences? 59 60
16 Similarité : var. disjonctives Similarité : var. disjonctives Indice de similarité : valeur entre 0 et 1 Exemples d'indices Indice de Russel : coïncidence positive / nb comparaisons Indice de Sokal : coïncidences positive+négative / nb comparaisons Indice de Jaccard : coïncidence positive / (nb comparaisons co. négative) 61 Exercice : Barre céréales Crème dessert Gâteau de riz Chocolat Oui Non Oui Beurre Non Non Oui Liquide Non Oui Non Parfum mandarine Non Non Oui Emballage métal Non Oui Oui Mini-dose Oui Oui Non Sucre Oui Oui Oui Riz Oui Non Oui Édulcorant Non Non Oui Colorant Non Non Oui Trouver les deux produits les plus similaires. 62 Similarité : var. quelconques Indice combinant différentes mesures de similarité Variables disjonctives : 1 si coïncidence positive Variables qualitatives : 1 si même caractéristique (ex : couleur) Variables quantitatives : mesure l'écart par rapport à la distribution de la variable 63 Similarité : var. quelconques Exemple : un couple souhaite sélectionner une station de sports d'hiver pour ses prochaines vacances. Station cible Station A Station B Station C Prix forfait Altitude m m m m Garderie Oui Non Oui Non Piste dominante Verte Bleue Rouge Verte a) Quelle station se rapproche le plus des critères de choix de la famille? b) Comment utiliser une pondération? c) Comment tenir compte de la sémantique? 64
17 Notion de distance Distance et classification hiérarchique Hétérogénéité des types de variables Transformations préalables pour placer les individus dans un espace multidimensionnel Distance : mesure l'écart dans cet espace distance(a,b) = 1 similarité(a,b) 65 Distance commune : distance euclidienne Exemple : notes sur des produits Esthétique Mémorisation Produit A 1 1 Produit B 1 2 Produit C 4 3 Produit D 4 5 Produit E 2 4 Représentation graphique Calcul de distance par triangulation (Pythagore) Classification par regroupements Arbre de classification (dendogramme) 66 Variance et techniques de typologie Notion d'association Variance : mesure le degré d'homogénéité d'une population (variation d'une variable autour de sa moyenne) Exemple : Maths Français Étudiant Étudiant Étudiant Étudiant Étudiant Étudiant Étudiant Moyenne Calcul de la variance, de l'écart-type et du % de variation de la notation, par matière Classification, calcul variance intraclasses 67 Indicateurs pour regrouper des variables Variables quantitatives Coefficient de corrélation Variables qualitatives Indicateur du Khi² 68
18 Corrélation Corrélation Détermine si deux variables évoluent dans le même sens (valeur entre -1 et 1) Corrélation positive : évoluent dans le même sens Corrélation négative : évoluent dans des sens opposés Corrélation nulle : indépendantes Calcul pour l'exemple : Écarts par rapport à la moyenne, par matière Produit des écarts Somme des produits =covariation des variables Écarts au carré =variation des variables Rapport entre covariation et variation totale Maths Français Étudiant Étudiant Étudiant Étudiant Étudiant Étudiant Étudiant Moyenne Régression Souvent en complément de la corrélation Définit comment une variable dépendante est affectée par les valeurs de variables indépendantes Construction d'une droite/courbe Exemple : (notes de Maths et Français) x F = a + b x M b : covariance moyenne / variance moyenne(m) Le test du Khi² Établit l'existence d'une relation entre deux variables qualitatives Comparaison de la fréquence de distribution d'une variable par rapport à une distribution théorique Calcul de la somme des écarts entre distributions observée et théorique, et la compare avec une valeur prédéterminée a = x F b x M Qualité du modèle : variance résiduelle / variance(f) 71 72
19 Le test du Khi² Exercice : vérifier si le niveau des notes est lié au type de bac de l'étudiant Valeurs effectives : Type de bac Note Lettres Sciences Technique Total A B C Total Le test du Khi² Exercice : vérifier si le niveau des notes est lié au type de bac de l'étudiant Valeurs théoriques : Type de bac Note Lettres Sciences Technique Total A B C Total
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 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 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 détailDéroulement 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 détailIBM SPSS Direct Marketing
IBM SPSS Statistics 19 IBM SPSS Direct Marketing Comprenez vos clients et renforcez vos campagnes marketing Points clés Avec IBM SPSS Direct Marketing, vous pouvez : Comprendre vos clients de manière plus
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailTravailler 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 détailLe data mining et l assurance Mai 2004. Charles Dugas Président Marianne Lalonde Directrice, développement des affaires
Le data mining et l assurance Mai 2004 Charles Dugas Président Marianne Lalonde Directrice, développement des affaires AGENDA Qu est-ce que le data mining? Le projet et les facteurs de réussite Les technologies
Plus en détailL 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 détaildonnées 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 détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailStructure 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 détailEntrepôt 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 détailGestion 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 détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailQU 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 détailChristophe 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 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 détailLes 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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailChapitre 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 détailLes Entrepôts de Données
Les Entrepôts de Données Grégory Bonnet Abdel-Illah Mouaddib GREYC Dépt Dépt informatique :: GREYC Dépt Dépt informatique :: Cours Cours SIR SIR Systèmes d information décisionnels Nouvelles générations
Plus en détailIntroduction 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 détailWorkflow/DataWarehouse/DataMining. 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1
Workflow/DataWarehouse/DataMining 14-09-98 LORIA - Université d automne 1998 - Informatique décisionnelle - L. Mirtain 1 plan Workflow DataWarehouse Aide à la décision DataMinig Conclusion 14-09-98 LORIA
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailMARKETING MIX. Politique Produit. Les composantes d un produit POLITIQUE PRODUIT
MARKETING MIX POLITIQUE PRODUIT Sandrine Monfort Politique Produit! Les composantes d un produit! Les classifications produit! Lancement produit! Politique de gamme! Politique de marque Les composantes
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailDes 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 détailFilière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.
Filière Fouille de Données et Décisionnel FDD (Data Mining) Pierre Morizet-Mahoudeaux www.hds.utc.fr/~pmorizet pierre.morizet@utc.fr Plan Motivations Débouchés Formation UVs spécifiques UVs connexes Enseignants
Plus en détailPrésentation. Intervenant EURISTIC. Jean-Louis BAUDRAND Directeur associé
Atelier ORAS Pilotage des rémunérations variables Groupe RH&M Le volet informatisation Jean-Louis BAUDRAND Directeur associé EURISTIC 4 février 2010 Présentation Intervenant EURISTIC Jean-Louis BAUDRAND
Plus en détailIODAA. de l 1nf0rmation à la Décision par l Analyse et l Apprentissage / 21
IODAA de l 1nf0rmation à la Décision par l Analyse et l Apprentissage IODAA Informations générales 2 Un monde nouveau Des données numériques partout en croissance prodigieuse Comment en extraire des connaissances
Plus en détailAccélérer 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 détailIntroduction. 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 détailIntroduction 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 détailGENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
Plus en détailLa 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 détailUDSG CLASSIFICATION DOSSIER DOCUMENTAIRE
UDSG CLASSIFICATION DOSSIER DOCUMENTAIRE 2 SOMMAIRE I. LES FAMILLES PROFESSIONNELLES... 5 II. LES FONCTIONS GENERIQUES... 12 FAMILLE ETUDES ET CONCEPTION......... 15 ASSISTANT D ETUDES ET CONCEPTION...16
Plus en détailMéthodes d apprentissage statistique «Machine Learning»
Méthodes d apprentissage statistique «Machine Learning» Fabrice TAILLIEU, Sébastien DELUCINGE, Rémi BELLINA Le marché de l assurance a rarement été marqué par un environnement aussi difficile qu au cours
Plus en détailEvry - M2 MIAGE Entrepôt de données
Evry - M2 MIAGE Entrepôt de données Introduction D. Ploix - M2 Miage - EDD - Introduction 1 Plan Positionnement du BI dans l entreprise Déclinaison fonctionnelle du décisionnel dans l entreprise Intégration
Plus en détailEn route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille moyenne
Présentation du produit SAP s SAP pour les PME SAP BusinessObjects Business Intelligence, édition Edge Objectifs En route vers le succès avec une solution de BI intuitive destinée aux entreprises de taille
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailLes algorithmes de fouille de données
Février 2005 Les algorithmes de fouille de données DATAMINING Techniques appliquées à la vente, aux services client, interdictions. Cycle C Informatique Remerciements Je remercie les personnes, les universités
Plus en détailLa 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 détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailLe 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 détailSQL 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 détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détailLE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION
LE RÔLE DE LA STATISTIQUE DANS UN PROCESSUS DE PRISE DE DÉCISION Sylvie Gervais Service des enseignements généraux École de technologie supérieure (sylvie.gervais@etsmtl.ca) Le laboratoire des condensateurs
Plus en détailENQUETE RH TIC Baromètre des Salaires
2011 ENQUETE RH TIC Baromètre des Salaires Note de Synthèse Présentation de l étude Réalisé par 1 SOMMAIRE Partie 1 : PRESENTATION DE L ENQUETE p. 3 Partie 2 : ENQUETE DES SALAIRE TIC : RESTITUTION DES
Plus en détailL analyse de la gestion de la clientèle
chapitre 1 - La connaissance du client * Techniques utilisées : observation, recherche documentaire, études de cas, études qualitatives (entretiens de groupes ou individuels, tests projectifs, analyses
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailEnquête 2014 de rémunération globale sur les emplois en TIC
Enquête 2014 de rémunération globale sur les emplois en TIC Enquête 2014 de rémunération globale sur les emplois en TIC Les emplois repères de cette enquête sont disponibles selon les trois blocs suivants
Plus en détailMémo technique MODELES GENERIQUES DE SCORE DE CREDIT ou Le scoring de crédit «prêt à l emploi»
Mémo technique MODELES GENERIQUES DE SCORE DE CREDIT ou Le scoring de crédit «prêt à l emploi» 46, rue de la Tour 75116 Paris tél. (33) 01 73 00 55 00 fax (33) 01 73 00 55 01 www.softcomputing.com Sommaire
Plus en détailSTA108 Enquêtes et sondages. Sondages àplusieurs degrés et par grappes
STA108 Enquêtes et sondages Sondages àplusieurs degrés et par grappes Philippe Périé, novembre 2011 Sondages àplusieurs degrés et par grappes Introduction Sondages à plusieurs degrés Tirage des unités
Plus en détailPas d installations ou d équipement particuliers.
COURS MAM1010 : Niveau : Préalable : Description : Paramètres : MARKÉTING ET GESTION Débutant Aucun L élève acquiert des notions de base en gestion et en markéting et donne des indications sur les meilleures
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
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 détail«Outils de gestion pour TPE CRM / ERP» Club
Réunion des membres du 7 juin 2011 «Outils de gestion pour TPE CRM / ERP» Comment faciliter la gestion journalière d un commerce ou d une TPE par l utilisation d outils TIC? L adoption d outils TIC mais
Plus en détailLicence 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 détailIBM Social Media Analytics
IBM Social Media Analytics Analysez les données des média sociaux afin d améliorer vos résultats commerciaux Les points clés Développez votre activité en comprenant le sentiment des consommateurs et en
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailL olivier Assurances Licence 3 Econométrie Lyon II
15 novembre 2013 L olivier Assurances Licence 3 Econométrie Lyon II Pascal Gonzalvez 1 L olivier Assurances et le Groupe Admiral Segmentation et tarification en assurance auto Autres applications de la
Plus en détailLe scoring est-il la nouvelle révolution du microcrédit?
Retour au sommaire Le scoring est-il la nouvelle révolution du microcrédit? BIM n 32-01 octobre 2002 Frédéric DE SOUSA-SANTOS Le BIM de cette semaine se propose de vous présenter un ouvrage de Mark Schreiner
Plus en détailSolution. collaborative. de vos relations clients.
Solution collaborative de vos relations clients. Le Collaborative Relationship Management : une autre vision du CRM L un des enjeux majeurs dans les relations qu une entreprise entretient avec ses clients
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailFormation continue. Ensae-Ensai Formation Continue (Cepe)
CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat
Plus en détailLes critères de segmentation Critères Variables retenues Description Exemple Pays, région, ville, Chauffage,
SYNTHÈSE DU CHAPITRE 11 : LA SEGMENTATION DE LA DEMANDE. La segmentation. La segmentation de la demande consiste à définir des groupes de clients (des segments de clientèle) ayant des comportements homogènes
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailà moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq
e élevé Risque faible Risq à moyen Risque moyen Risq à élevé Risque élevé Risq e Risque faible à moyen Risq Risque moyen à élevé Risq L e s I n d i c e s F u n d a t a é Risque Les Indices de faible risque
Plus en détailBUSINESS 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 détailProjet 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 détailSommaire. Rentabilité du retour d une franchise de baseball de la Ligue majeure de baseball à Montréal (les «Expos»)
Sommaire Rentabilité du retour d une franchise de baseball de la Ligue majeure de baseball à Montréal (les «Expos») Novembre 2013 Table des matières 1. CONTEXTE ET OBJECTIFS... 3 2. MÉTHODES DE RECHERCHE...
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailComment réussir son projet de Master Data Management?
Comment réussir son projet MDM? Table des matières Comment réussir son projet de Master Data Management?...... 2 Un marché en croissance..... 2 Les démarches qui réussissent... 2 A quels projets métiers
Plus en détailPlus de données, quels impacts sur la gestion des sinistres? 4 avril 2013 Gontran Peubez
Plus de données, quels impacts sur la gestion des sinistres? 4 avril 2013 Gontran Peubez Sans sinistres, pas d assurance Langage Logique Analyse Intuition Perception Créativité «La plupart des gens utilisent
Plus en détailStratégie Marketing Intégrée COMMENT ABORDER LA PERSONNALISATION DE L OFFRE ET LE ONE TO ONE?
Stratégie Marketing Intégrée COMMENT ABORDER LA PERSONNALISATION DE L OFFRE ET LE ONE TO ONE? GROUPE N 4 Péryne DESMULIER Maxime DEVIN Clément DUBOIS Julien DUTHEIL Mandy LOOSVELDT I II III INTRODUCTION
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 détailProgramme 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 détailSciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION
Sciences de Gestion Spécialité : SYSTÈMES D INFORMATION DE GESTION Classe de terminale de la série Sciences et Technologie du Management et de la Gestion Préambule Présentation Les technologies de l information
Plus en détailSéance 4. Gestion de la capacité. Gestion des opérations et de la logistique 4-530-03
Gestion des opérations et de la logistique Séance 4 4-530-03 Gestion de la capacité Points importants présentés au dernier cours Les principaux types d aménagement Étude du travail et l amélioration des
Plus en détailLe logiciel de gestion intégré conçu pour les Promoteurs Immobilier
Le logiciel de gestion intégré conçu pour les Promoteurs Immobilier Solution globale et intégrée qui couvre l'ensemble des principaux aspects de la gestion des projets immobiliers. Depuis l'étude d'une
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
Plus en détailResponsable grands comptes / comptes clés
Responsable grands comptes / comptes clés DEFINITION DE FONCTION ET ETUDE DE REMUNERATIONS Le responsable grands comptes assure le suivi commercial des comptes clients ayant une importance stratégique
Plus en détailNos 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 détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailQLIKVIEW POUR SALESFORCE
QLIKVIEW POUR SALESFORCE Exploiter rapidement et facilement les données issues de votre CRM QlikView simplifie l intégration de la Business Discovery à une Plate-forme PaaS (Platform as a Service) éprouvée
Plus en détailINTELLIGENCE 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 détailBusiness 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 détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailVotre outil pour vous démarquer sur le terrain de l interactivité. www. Moteurs de recherche. Médias Sociaux. Web. Mobilité. Assurance automobile
Votre outil pour vous démarquer sur le terrain de l interactivité. www Web Mobilité Médias Sociaux Moteurs de recherche Assurance automobile Votre nouveau terrain de concurrence: l interactivité On parle
Plus en détailEdIntégral. Module ENCAISSEMENT. Le logiciel d encaissement multifonctions, évolutif et tactile
EdIntégral Module ENCAISSEMENT Le logiciel d encaissement multifonctions, évolutif et tactile La gestion de la caisse, des stocks, de la fidélisation, les nombreuses et puissantes statistiques, sont autant
Plus en détail«Identifier et définir le besoin en recrutement»
«Identifier et définir le besoin en recrutement» LES ETAPES DU RECRUTEMENT Le recrutement est une démarche structurée qui comporte plusieurs étapes aux quelles il faut attacher de l importance. La majorité
Plus en détailAnalyse 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 détailet 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 détail1. Logiciel ERP pour les PME d ici... 3 2. Technologies Microsoft... 4 3. Modules disponibles... 5 3.1. Finance... 5 3.2. Analyses & BI... 6 3.3.
1. Logiciel ERP pour les PME d ici... 3 2. Technologies Microsoft... 4 3. Modules disponibles... 5 3.1. Finance... 5 3.2. Analyses & BI... 6 3.3. Vente et marketing... 7 3.3.1. Gestion de la relation Client
Plus en détailPlan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation
Data WareHouse Plan Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation 2 Présentation Besoin: prise de décisions
Plus en détailGroupe Eyrolles, 2004 ISBN : 2-212-11331-5
Groupe Eyrolles, 2004 ISBN : 2-212-11331-5 Chapitre 4 La connaissance du client «Au lieu de se concentrer sur un produit à la fois, en essayant de le vendre au plus grand nombre possible, concentrez-vous
Plus en détail