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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Les systèmes d'information analytiques Dr A.R. Baba-ali Maitre de conferences USTHB PLAN Le cycle de decision Les composants analytiques ETL (Extract, Transform and Load) Entrepot de (Data warehouse) Traitement analytique en ligne (OLAP) Fouille de A.R Baba-ali 1 Exemple A.R Baba-ali 2 Exemples de décisions Décisions opérationnelles Peut on vendre à un client la quantité demandée? Peut on lui faire une remise? Décisions tactiques A quel client peut on proposer ce type de produit? Peut on accorder à ce client un prêt d acquisition de véhicule? Quel est le profil des clients fraudeurs, et que faut il faire? Décisions stratégiques Quels sont les segments de clientèles de l entreprise? Et quels sont ceux qu il faut cibler? Quels sont les types de nouveaux produits faut il lancer cette année? Comment Estimer et prédire les revenus l année prochaine? Remarque: ne pas prendre de décision, est la plus mauvaise décision. A.R Baba-ali 3

2 Prise de décision Etapes de decision Etudier les du passé Pour comprendre les connaissances du présent Connaissances Pour entreprendre les actions du futur Passé Présent Futur A.R Baba-ali 5 A.R Baba-ali 6 Analyse Cycle de decision Connaissances Planification autres source s Bases donnees Operationnelles Les Composants analytiques Extract Transform Load ( ETL ) ENTREPOT OLAP analysis DATA mining Historiser A.R Baba-ali 7 Stockage Connaissances A.R Baba-ali 8

3 autres source s Bases donnees Operationnelles Les Composants analytiques Extract Transform Load ( ETL ) ENTREPOT OLAP analysis DATA mining Les Outils ETL Stockage Connaissances A.R Baba-ali 9 A.R Baba-ali 10 Les outils d extraction Fonctions attendues: Rassembler des de sources diverses et de formats différents Unification des représentations Transformation de Corrections d irrégularités, compléter les manquantes A.R Baba-ali 11 autres source s Bases donnees Operationnelles Les Composants analytiques Extract Transform Load ( ETL ) Stockage ENTREPOT OLAP analysis DATA mining Connaissances A.R Baba-ali 12

4 Bases de Bases de Entrepôt de Entrepôt de Représente l état d une entreprise Transactions courtes, isolées Représente l archive d une entreprise Analyses longues détaillées, et instantanées lire et mettre à jour très rapidement quelques relationnelles historisées, résumés temporels lire des millions de, les sont uniquement ajoutées et jamais supprimées ou modifiées multidimensionnelles A.R Baba-ali 14 Définition Cube : Un ensemble de mesures organisées selon un ensemble de dimensions (aussi hypercube) Exemple. Un cube de ventes qui comprend : Les dimensions Temps, Produit, Magasin La mesure Ventes en $ client article Définition Dimension : Une dimension peut être définie comme un thème, ou un axe (attributs), selon lequel les seront analysées (en fonction de ) Ex. Temps, Découpage administratif, Produits Une dimension contient des membres organisés en hiérarchie, chacun des membres appartenant à un niveau hiérarchique (ou niveau de granularité) particulier Ex. Pour la dimension Temps, les années, les mois et les jours peuvent être des exemples de niveaux hiérarchiques est un exemple de membre du niveau Année Temps A.R Baba-ali 15 A.R Baba-ali 16

5 Définition Fait : Un fait représente la valeur d une mesure, mesurée ou calculée, selon un membre de chacune des dimensions (ex. ce qui est recueilli par les systèmes transactionnels). Multidimentionnelles Volume des ventes en function des produits, mois, et region Region Hierarchie des dimensions Industrie Region Année Mesure : Une mesure est un élément de donnée sur lequel portent les analyses, en fonction des différentes dimensions Ex. coût des travaux, nombre d accidents, ventes, dépenses A.R Baba-ali 17 Produit Temps A.R Baba-ali 18 Categorie Pays Trimestre Produit Ville Mois semaine Antenne Jour Exemple de cube Mesure Exemple de vues d un cube Dimensions TV PC VCR Produit Date 1trim 2trim 3trim 4trim U.S.A Canada Mexico Pays Somme A.R Baba-ali 19 A.R Baba-ali 20

6 autres source s Bases donnees Operationnelles Les Composants analytiques Extract Transform Load ( ETL ) ENTREPOT OLAP analysis DATA mining Le reporting traditionnel Stockage Connaissances A.R Baba-ali 21 A.R Baba-ali 22 Tableaux de bord Exemple d indicateurs Accès facile & convivial Aux informations sur l'entreprise sur son environnement Destiné aux dirigeants Construits sur-mesure Temps réel Systèmes d information des dirigeants Cliquez pour ajouter un plan A.R Baba-ali 23 A.R Baba-ali 24

7 Les Composants analytiques Exemples d Operations OLAP autres source s Bases donnees Operationnelles Extract Transform Load ( ETL ) ENTREPOT OLAP analysis DATA mining Drill-up: Drill down : Slice : Pivot (rotate): TV PC VCR Produit Date 1trim 2trim 3trim 4trim U.S.A Canada Mexico Somme Pays Stockage Connaissances A.R Baba-ali 25 A.R Baba-ali 26 Slice Rotation (Pivot Table) A.R Baba-ali 27 A.R Baba-ali 28

8 Possibilités de Visualisation avec combinaisons des mesures et des dimensions A.R Baba-ali 30 Possibilités de visualisation (suite) Possibilités de visualisation graphiques A.R Baba-ali 31 A.R Baba-ali 32

9 Visualisation automatique d exceptions Possibilités de calcul étendues A.R Baba-ali 33 A.R Baba-ali 34 Les Composants analytiques autres source s OLAP analysis Bases donnees Operationnelles Extract Transform Load ( ETL ) ENTREPOT DATA mining Stockage Connaissances A.R Baba-ali 35

10 Exemple de pour le data mining Attributs Decision Ou classe Illustration de tabulaires et de modèle Attributs Attribut de classe Code Situation familliale Nombre enfants epargne maison Ancienneté Historique Code Situation familliale Nombre enfants epargne maison Ancienneté Historique Instances 1 M P 2 remboursé 2 C L 1 Non remboursé 3 C P 12 remboursé... Instances 1 C P 2 remboursé 2 M L 1 Non remboursé 3 C P 12 remboursé... D apprentissage Attributs numériques Attributs nominaux Data Mining Si (Situation=célibataire ) et (Epargne >50000) Alors : Crédit Oui Modèle A.R Baba-ali 37 A.R Baba-ali 38 Definition: Modèle prédictif Une connaissance qui permet de faire des predictions sur le futur basées sur des du présent et du passé. Exemple de modèle de classification (modèle de réponse) 4677 Réponse : 3.2 % mails Réponse : 2.6 % Sexe=homme Sexe=femme 5323 Réponse : 2.1 % Age Situation familiale Montant epargne Nombre d enfants Modèle Classer Preter ou Ne pas preter? (classe ou nominal) Estimer % Risque? (numerique) Revenu < Revenu > <= Revenu <= Réponse : 1.7 % 2106 Réponse : 3.6 % 1281 Réponse : 4.1 % Modèle : Age < 40 Age >= Réponse : 0.7 % Réponse : 4.3 % A.R Baba-ali 39 Si ( homme ET revenu> 45K ) OU ( femme ET age>=40 ) ALORS réponse=oui A.R avec Baba-ali une probabilité de réponse 40 > 4%

11 Exemples de Classes Bon ou mauvais client Client solvable ou non solvable Client fraudeur ou pas Prospect ou client susceptible d être intéressé par une offre ou pas Client partant ou pas Segmentation C'est le processus de partitionnement d'une population de clients par exemple, en sous populations homogènes. A.R Baba-ali 41 A.R Baba-ali 42 Example de la segmentation Segmentation Question : Quelles catégories? age 10 age taille taille de départ Cluster algorithm Processus de Clusterisation Clusterisées Le CRM par A.R Baba-ali 43 Le CRM par A.R Baba-ali 44

12 OLAP vs Data Mining OLAP (qu est ce qu il y a) Fournit une vue de ce qui se passe, mais ne peut pas dire pourquoi cela se passe. DM (pourquoi, comment dans le futur) Donne des explications (modèles descriptifs) et donne des moyens de prédire (modèles prédictifs) A.R Baba-ali 45

Entreposage, analyse en ligne et fouille de données

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

Plus en détail

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

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

Plus en détail

Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants:

Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants: Collabora'on IRISA/INRA sur le transfert de nitrates et l améliora'on de la qualité des eaux des bassins versants: Tassadit BOUADI 22 Juin 2010, Saint Jacut 1 Plan Introduc

Plus en détail

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

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

Plus en détail

Urbanisation des SI-NFE107

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

Plus en détail

Informatique Décisionnelle pour l environnement

Informatique Décisionnelle pour l environnement Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche AgroParisTech - Cirad - Irstea Informatique Décisionnelle pour l environnement Principe, architecture informatique

Plus en détail

BI = Business Intelligence Master Data-ScienceCours 3 - Data

BI = Business Intelligence Master Data-ScienceCours 3 - Data BI = Business Intelligence Master Data-Science Cours 3 - Datawarehouse UPMC 8 février 2015 Rappel L Informatique Décisionnelle (ID), en anglais Business Intelligence (BI), est l informatique à l usage

Plus en détail

La problématique. La philosophie ' ) * )

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

Plus en détail

Entrepôt de données 1. Introduction

Entrepôt de données 1. Introduction Entrepôt de données 1 (data warehouse) Introduction 1 Présentation Le concept d entrepôt de données a été formalisé pour la première fois en 1990 par Bill Inmon. Il s agissait de constituer une base de

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Bases de données multidimensionnelles OLAP. OnLine Analytical Processing

Bases de données multidimensionnelles OLAP. OnLine Analytical Processing Bases de données multidimensionnelles OLAP OnLine Analytical Processing OLAP OLAP (On Line Analytical Processing): Ensemble des outils nécessaires pour la mise en place d'un Système d'information décisionnel

Plus en détail

CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2. Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP...

CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2. Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP... Table des matières CARTE HEURISTIQUE...1 LA CHAÎNE DÉCISIONNELLE...2 Collecte des données...2 Stockage des Données...3 Exploitation des Données...4 OLTP ET OLAP...6 OPÉRATIONS SUR LES CUBES...7 Exemple

Plus en détail

Bases de Données Avancées

Bases de Données Avancées 1/26 Bases de Données Avancées DataWareHouse Thierry Hamon Bureau H202 - Institut Galilée Tél. : 33 1.48.38.35.53 Bureau 150 LIM&BIO EA 3969 Université Paris 13 - UFR Léonard de Vinci 74, rue Marcel Cachin,

Plus en détail

Système OLAP Fresqueau

Système OLAP Fresqueau Système OLAP Fresqueau Kamal BOULIL Journées 20 mars Strasbourg Réunion plénière -Fresqueau 07-08 octobre 2013 1 Plan 1. Introduction 1. Projet ANR Fresqueau 2. Systèmes OLAP 2. Système OLAP Fresqueau

Plus en détail

Plan. Introduction Eléments de la théorie des systèmes d'informations Les entrepôts de données (Datawarehouse) Les datamart Architecture Modélisation

Plan. 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 détail

Nouspresentonslesprincipauxaspectsautourdelanotion(entrep^otde Resume

Nouspresentonslesprincipauxaspectsautourdelanotion(entrep^otde Resume EdgardBentez-Guerrero,ChristineCollet,MichelAdiba Entrep^otsdeDonnees:SyntheseetAnalyse RR1017-I-LSR8 RAPPORTDERECHERCHE Mai1999 e-mail:fedgard.benitez,christine.collet,michel.adibag@imag.fr Entrep^otsdeDonnees:SyntheseetAnalyse

Plus en détail

Les entrepôts de données pour les nuls... ou pas!

Les entrepôts de données pour les nuls... ou pas! Atelier aideà la Décision à tous les Etages AIDE@EGC2013 Toulouse Mardi 29 janvier 2013 Cécile Favre Fadila Bentayeb Omar Boussaid Jérôme Darmont Gérald Gavin Nouria Harbi Nadia Kabachi Sabine Loudcher

Plus en détail

Contexte général de l étude

Contexte général de l étude 1 2 Contexte général de l étude Les entrepôts de données associés à des outils d analyse On Line Analytical Processing (OLAP), représentent une solution effective pour l informatique décisionnelle (Immon,

Plus en détail

ENRICHIR LES DONNEES DE DETAILS ACCEDEES A TRAVERS UN RAPPORT OLAP

ENRICHIR LES DONNEES DE DETAILS ACCEDEES A TRAVERS UN RAPPORT OLAP ENRICHIR LES DONNEES DE DETAILS ACCEDEES A TRAVERS UN RAPPORT OLAP SAS Web Report Studio offre depuis de nombreuses versions la possibilité de visualiser les observations spécifiques à partir des données

Plus en détail

Informatique Décisionnelle pour l environnement

Informatique Décisionnelle pour l environnement Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche AgroParisTech - Cirad - Irstea Informatique Décisionnelle pour l environnement Principe, architecture informatique

Plus en détail

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

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

Plus en détail

OLAP PAR L'EXEMPLE. La vente de chaussures. NEGRE Elsa 2015-2016 Université Paris-Dauphine S o u r c e : B e r n a r d L u p i n

OLAP PAR L'EXEMPLE. La vente de chaussures. NEGRE Elsa 2015-2016 Université Paris-Dauphine S o u r c e : B e r n a r d L u p i n OLAP PAR L'EXEMPLE La vente de chaussures NEGRE Elsa 2015-2016 Université Paris-Dauphine S o u r c e : B e r n a r d L u p i n CONTEXTE La société Au bon pied, installée à Bonneuil, désire construire une

Plus en détail

Business Intelligence : Informatique Décisionnelle

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

Plus en détail

Action de formation: SQL Server Business Intelligence & Data Warehouse

Action de formation: SQL Server Business Intelligence & Data Warehouse Action de formation: SQL Server Business Intelligence & Data Warehouse Contenu : Integration Services Présentation de Management Studio - Présenter les différentes tâches de SSMS - Structure des serveurs

Plus en détail

Les Entrepôts de Données

Les 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 détail

BI = Business Intelligence Master Data-ScienceCours 4 - OLAP

BI = Business Intelligence Master Data-ScienceCours 4 - OLAP BI = Business Intelligence Master Data-Science Cours 4 - OLAP UPMC 15 février 2015 Plan Vision générale ETL Datawarehouse OLAP Reporting Data Mining Entrepôt de données Les entrepôts de données (data warehouse)

Plus en détail

Prototype SOLAP appliqué sur des champs continus en mode raster

Prototype SOLAP appliqué sur des champs continus en mode raster Session démos 24 novembre 2014 Prototype SOLAP appliqué sur des champs continus en mode raster Analyse de hot spots de criminalité Jean-Paul Kasprzyk, doctorant Introduction 2 L informatique décisionnelle

Plus en détail

HERMES SYSTEM et BEWISE souhaitent vous offrir les meilleures compétences.

HERMES SYSTEM et BEWISE souhaitent vous offrir les meilleures compétences. Notre alliance, Votre atout. HERMES SYSTEM et BEWISE souhaitent vous offrir les meilleures compétences. C est de cette philosophie qu est née notre partenariat avec la société toulousaine (31) Bewise,

Plus en détail

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

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

Plus en détail

Introduction à Business Objects. J. Akoka I. Wattiau

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

Plus en détail

Agenda de la présentation

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

Plus en détail

Outils Statistiques du Data Mining

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

Plus en détail

Business & High Technology

Business & High Technology UNIVERSITE DE TUNIS INSTITUT SUPERIEUR DE GESTION DE TUNIS Département : Informatique Business & High Technology Chapitre 8 : ID : Informatique Décisionnelle BI : Business Intelligence Sommaire Introduction...

Plus en détail

Ce qu est le Data Mining

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

Plus en détail

LES ENTREPOTS DE DONNEES

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

Plus en détail

Datawarehouse. C. Vangenot

Datawarehouse. C. Vangenot Datawarehouse C. Vangenot Plan Partie 1 : Introduction 1. Objectifs 2. Qu'est ce qu'un datawarehouse? 3. Pourquoi ne pas réutiliser les BD? Partie 2 : Implémentation d'un datawarehouse ROLAP MOLAP HOLAP

Plus en détail

Les solutions SAS pour les Petites et Moyennes Entreprises

Les solutions SAS pour les Petites et Moyennes Entreprises BROCHURE SOLUTION Les solutions SAS pour les Petites et Moyennes Entreprises Sur un marché aussi compétitif que celui des Petites et Moyennes Entreprises, le temps et l efficacité sont deux valeurs prioritaires

Plus en détail

Les entrepôts de données

Les entrepôts de données Les entrepôts de données Lydie Soler Janvier 2008 U.F.R. d informatique Document diffusé sous licence Creative Commons by-nc-nd (http://creativecommons.org/licenses/by-nc-nd/2.0/fr/) 1 Plan Introduction

Plus en détail

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

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

Plus en détail

QU EST-CE QUE LE DECISIONNEL?

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

Plus en détail

solution technologique globale qui couvre en

solution technologique globale qui couvre en Dealer Management System solution technologique globale qui couvre en amont tous les besoins fonctionnels et techniques de l activité d un distributeur de véhicules : magasin, atelier, VN/VO. Adaptable

Plus en détail

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

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

Plus en détail

Base de données clients outil de base du CRM

Base de données clients outil de base du CRM Base de données clients outil de base du CRM Introduction Objectifs SOMMAIRE Constitution de la base de données clients Alimentation Datamart et DataWarehouse Contenu Dimensions Exploitation de la base

Plus en détail

Evry - M2 MIAGE Entrepôt de données

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

Plus en détail

L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes

L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes II - II 1ère génération 13 2ème génération : Entrepôt de données / Magasin de données 15 3ème génération OLAP 16 Références Bibliographiques 18 A. 1ère génération Infocentre Tableur Base de données Infocentre

Plus en détail

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

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

Plus en détail

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

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

Méthodes de DM pour la GRC dans les banques

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

Plus en détail

Initiation à la fouille de données et à l apprentissage automatiq

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

Plus en détail

Thibault Denizet. Introduction à SSIS

Thibault Denizet. Introduction à SSIS Thibault Denizet Introduction à SSIS 2 SSIS - Introduction Sommaire 1 Introduction à SQL Server 2008 Integration services... 3 2 Rappel sur la Business Intelligence... 4 2.1 ETL (Extract, Transform, Load)...

Plus en détail

Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL

Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Sécurité des entrepôts de données dans le Cloud Un SaaS pour le cryptage des données issues d un ETL Présenté par Hana Gara Kort Sous la direction de Dr Jalel Akaichi Maître de conférences 1 1.Introduction

Plus en détail

Activités informatiques du BCCDC

Activités informatiques du BCCDC Activités informatiques du BCCDC Atelier sur la surveillance en santé environnementale Le 26 février 2013 Informatique en santé publique Application de disciplines clés pour la santé publique Science de

Plus en détail

L information et la technologie de l informationl

L information et la technologie de l informationl L information et la technologie de l informationl CRM & informatique décisionnelled CRM CRM & informatique décisionnelle. d 1 2 3 Les Les fondements managériaux managériaux du du CRM. CRM. Les Les fondements

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

Base de données en mémoire

Base de données en mémoire Base de données en mémoire Plan Bases de données relationnelles OnLine Analytical Processing Difficultés de l OLAP Calculs en mémoire Optimisations 1 Base de données relationnelle Introduction Date Exemple

Plus en détail

Analyse de données électroniques et intelligence d affaires

Analyse de données électroniques et intelligence d affaires Analyse de données électroniques et intelligence d affaires Valoriser les données internes et externes 3 avril 2014 Ordre du jour UNE INTRODUCTION À L ANALYSE DE DONNÉES Analyse de données et l intelligence

Plus en détail

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

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

Plus en détail

Gestion des Donnés Métier de Référence

Gestion des Donnés Métier de Référence Gestion des Donnés Métier de Référence (Master Data Management - MDM) Michel Bruley Directeur Marketing Teradata Western Europe Définitions Données Métier de Référence elles permettent d identifier et

Plus en détail

IUT STID, 1 ère année Découverte de logiciels statistiques Prise en main du logiciel SPAD

IUT STID, 1 ère année Découverte de logiciels statistiques Prise en main du logiciel SPAD Université de Perpignan - IUT de Carcassonne Vivien ROSSI Année 2006/2007 IUT STID, 1 ère année Découverte de logiciels statistiques Prise en main du logiciel SPAD Ce document est tiré du site : http ://www.stat.ucl.ac.be/ispersonnel/lecoutre/stats/spad/

Plus en détail

Entrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016

Entrepôts de données. NEGRE Elsa Université Paris-Dauphine 2015-2016 Entrepôts de données NEGRE Elsa Université Paris-Dauphine 2015-2016 Contexte et problématique Le processus de prise de décision L entrepôt de données Définition Différence avec un SGBD Caractéristiques

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Bases de données multidimensionnelles OLAP

Bases de données multidimensionnelles OLAP Bases de données multidimensionnelles OLAP OLAP OLAP (On Line Analytical Processing): Ensemble des outils nécessaires pour l analyse multidimensionnelle. Les données sont historisées, résumées, consolidées.

Plus en détail

L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes

L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes II - II A. 1ère génération Infocentre L'infocentre sert à prendre des décisions opérationnelles basées sur des valeurs courantes Définition L'infocentre est une collection de données orientées sujet, intégrées,

Plus en détail

Informatique décisionnelle (Première partie) Emmanuelle Cravoisier

Informatique décisionnelle (Première partie) Emmanuelle Cravoisier Informatique décisionnelle (Première partie) Emmanuelle Cravoisier Informatique décisionnelle Concepts Présentation de Business Objects Conception d un univers Business Objects Structure générale d une

Plus en détail

Gestion de la Relation Client (GRC)

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

Plus en détail

INTRODUCTION AU DATA MINING

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

Plus en détail

BASES DE DONNEES AVANCEES

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

Plus en détail

Datawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani

Datawarehouse: Cubes OLAP. Marlyse Dieungang Khaoula Ghilani Datawarehouse: Cubes OLAP Marlyse Dieungang Khaoula Ghilani Table des matières 1 Data Warehouse 3 1.1 Introduction............................ 3 1.1.1 Définition......................... 3 1.1.2 Architecture........................

Plus en détail

JASPERSOFT ET LE PAYSAGE ANALYTIQUE. Jaspersoft et le paysage analytique 1

JASPERSOFT ET LE PAYSAGE ANALYTIQUE. Jaspersoft et le paysage analytique 1 JASPERSOFT ET LE PAYSAGE ANALYTIQUE Jaspersoft et le paysage analytique 1 Ce texte est un résumé du Livre Blanc complet. N hésitez pas à vous inscrire sur Jaspersoft (http://www.jaspersoft.com/fr/analyticslandscape-jaspersoft)

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

Le terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification

Le terme «ERP» provient du nom de la méthode MRP (Manufacturing Ressource Planning) utilisée dans les années 70 pour la gestion et la planification Séminaire national Alger 12 Mars 2008 «L Entreprise algérienne face au défi du numérique : État et perspectives» CRM et ERP Impact(s) sur l entreprise en tant qu outils de gestion Historique des ERP Le

Plus en détail

Attention : Ce document est un travail d étudiant, il n a pas été relu et vérifié par Marketing-etudiant.fr.

Attention : Ce document est un travail d étudiant, il n a pas été relu et vérifié par Marketing-etudiant.fr. Document mis à disposition par : www.marketing-etudiant.fr Attention : Ce document est un travail d étudiant, il n a pas été relu et vérifié par Marketing-etudiant.fr. En conséquence croisez vos sources

Plus en détail

BUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise

BUSINESS INTELLIGENCE. Une vision cockpit : utilité et apport pour l'entreprise BUSINESS INTELLIGENCE Une vision cockpit : utilité et apport pour l'entreprise 1 Présentation PIERRE-YVES BONVIN, SOLVAXIS BERNARD BOIL, RESP. SI, GROUPE OROLUX 2 AGENDA Définitions Positionnement de la

Plus en détail

OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE

OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE «Journée Open Data» 5 Novembre 2013 Présenté par : Imen Megdiche Directeur de thèse : Pr. Olivier Teste (SIG-IRIT) Co-directeur de thèse : Mr. Alain

Plus en détail

7'685/$02'(/,6$7,21'(&,6,211(//(3$57,(

7'685/$02'(/,6$7,21'(&,6,211(//(3$57,( 8QLYHUVLWp-RVHSK)RXULHU 3RO\7HFK*UHQREOH,0$ $QQpH8QLYHUVLWDLUH 5,&0 03*,2SWLRQ6, 6\VWqPHVG,QIRUPDWLRQ'pFLVLRQQHOV Concepteur : Didier DONSEZ Durée : 4 heures 30 Indications : Remarques : L exercice 1 est

Plus en détail

PARTIE 1 : ETAT DE L ART...

PARTIE 1 : ETAT DE L ART... Table des matières INTRODUCTION... 1 Contexte général de l étude... 3 Problématiques... 4 Contributions des nos travaux de recherche... 5 Organisation du mémoire... 6 PARTIE 1 : ETAT DE L ART... 9 CHAPITRE

Plus en détail

Cours Fouille de données avancée

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

Plus en détail

Présentation du logiciel CTB3D. Centrale de Tableaux de Bord 3 Dimensions

Présentation du logiciel CTB3D. Centrale de Tableaux de Bord 3 Dimensions Présentation du logiciel CTB3D. Centrale de Tableaux de Bord 3 Dimensions Le logiciel offre une méthode simple de centralisation de compte rendus normés sous forme de tableaux Excel pour éditer des tableaux

Plus en détail

Les Réseaux de Neurones avec

Les Réseaux de Neurones avec Les Réseaux de Neurones avec Au cours des deux dernières décennies, l intérêt pour les réseaux de neurones s est accentué. Cela a commencé par les succès rencontrés par cette puissante technique dans beaucoup

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

Entrepôt de Données. Jean-François Desnos. Jean-Francois.Desnos@grenet.fr ED JFD 1

Entrepôt de Données. Jean-François Desnos. Jean-Francois.Desnos@grenet.fr ED JFD 1 Entrepôt de Données Jean-François Desnos Jean-Francois.Desnos@grenet.fr ED JFD 1 Définition (Bill Inmon 1990) Un entrepôt de données (data warehouse) est une collection de données thématiques, intégrées,

Plus en détail

L approche Bases de données

L approche Bases de données L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base

Plus en détail

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

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

Plus en détail

BUSINESS OBJECTS V5 / V6

BUSINESS OBJECTS V5 / V6 BUSINESS OBJECTS V5 / V6 Durée Objectif 2 jours L objectif de ce cours est de savoir utiliser le logiciel BUSINESS OBJECTS pour faire des interrogations multi - dimensionnelles sur les univers BO et de

Plus en détail

Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP)

Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP) Magasins et entrepôts de données (Datamart, data warehouse) Approche relationnelle pour l'analyse des données en ligne (ROLAP) Définition (G. Gardarin) Entrepôt : ensemble de données historisées variant

Plus en détail

Master Professionnel Informatique Appliquée aux Systèmes d Informations Géographiques. Projet personnel. Thème : Présenté par IOGO Valentin

Master Professionnel Informatique Appliquée aux Systèmes d Informations Géographiques. Projet personnel. Thème : Présenté par IOGO Valentin Master Professionnel Informatique Appliquée aux Systèmes d Informations Géographiques Projet personnel Thème : «Etude exploratoire des systèmes d information géographique décisionnels (SIG décisionnels)

Plus en détail

Moyen terme 2014-2018

Moyen terme 2014-2018 Moyen terme 2014-2018 ATTENTES DES UTILISATEURS POUR LA PERIODE 2014-2018 Selon les entretiens réalisés par le Cnis au 2 è semestre 2012 COMMISSION «SYSTEME FINANCIER ET FINANCEMENT DE L ECONOMIE» POUR

Plus en détail

5. Architecture et sécurité des systèmes informatiques Dimension Fonctionnelle du SI

5. Architecture et sécurité des systèmes informatiques Dimension Fonctionnelle du SI 5. Architecture et sécurité des systèmes informatiques Dimension Fonctionnelle du SI Un SI : et pour faire quoi? Permet de stocker de manière définitive des informations volatiles provenant d autre BD.

Plus en détail

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

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

Plus en détail

Entrepôt de données (ED) Exercice traité en cours

Entrepôt de données (ED) Exercice traité en cours Enoncé Entrepôt de données (ED) Exercice traité en cours Une grande entreprise à succursales multiples veut rassembler toutes les nuits dans un entrepôt de données des informations sur les s du jour afin

Plus en détail

Didier MOUNIEN Samantha MOINEAUX

Didier MOUNIEN Samantha MOINEAUX Didier MOUNIEN Samantha MOINEAUX 08/01/2008 1 Généralisation des ERP ERP génère une importante masse de données Comment mesurer l impact réel d une décision? Comment choisir entre plusieurs décisions?

Plus en détail

Projet Fresqueau: un entrepôt des données pour analyser la qualité de l eau en France

Projet Fresqueau: un entrepôt des données pour analyser la qualité de l eau en France Projet Fresqueau: un entrepôt des données pour analyser la qualité de l eau en France 12 juin 2013 Atelier SOLAP @EDA2013 Démarrage Projet MIDAS - 29 Janvier 2008 1 Plan Projet Fresqueau Objectifs généraux

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

TOOLS GROUP OPTIMISATION DES STOCKS. Pour vos appels d offre. 2 e ÉDITION. SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort

TOOLS GROUP OPTIMISATION DES STOCKS. Pour vos appels d offre. 2 e ÉDITION. SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort Mars 2009 Pour vos appels d offre OPTIMISATION DES STOCKS 2 e ÉDITION TOOLS GROUP SupplyChainMagazine.fr 19, rue Saint-Georges - 94700 Maisons-Alfort QUESTIONNAIRE EDITEURS DE LOGICIELS D OPTIMISATION

Plus en détail

F. Opérations multidimensionnelles

F. Opérations multidimensionnelles F. Opérations multidimensionnelles Roll up (drill-up)/drill down (roll down) Roll up (drill-up) : résumer, agréger des données en montant dans une hiérachie ou en oubliant une dimension Drill down (roll

Plus en détail

Conception de systèmes d'information et d'entrepôts de données

Conception de systèmes d'information et d'entrepôts de données Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche AgroParisTech - Cirad - Irstea Conception de systèmes d'information et d'entrepôts de données Vers des structures

Plus en détail

Décisionnel & Reporting

Décisionnel & Reporting Décisionnel & Reporting Quelle solution est la plus adaptée à mes besoins? Présentation Société EASYNEO Conseil & Intégration de solutions Décisionnelles Spécialisations : ERP (SAP en particulier) Reporting

Plus en détail