Les Apports du Text Mining et du Web Mining à la Veille Stratégique. The Contributions of Text Mining and Web Mining for the Strategic Watch

Transcription

1 Les Apports du Text Mining et du Web Mining à la Veille Stratégique The Contributions of Text Mining and Web Mining for the Strategic Watch Anass EL HADDADI (*), Ilham BERRADA (*), Ismail KASSOU (*), Bernard DOUSSET (**) ; kassou@ensias.ma ; dousset@irit.fr (*) ENSIAS, Equipe Al BIRONI, Université Mohamed V Souissi, B.P. 713 AGDAL, Rabat - Maroc (**) IRIT, SIG, Université Paul Sabatier, route de Narbonne, Toulouse cedex 04 Les Journées d Informatique et Mathématiques Décisionnelles (JIMD 2) ENSIAS Rabat du 3 au 5 Juillet Mots clés : Veille Stratégique, Intelligence économique, Signaux faibles, Text Mining, Web Mining, Ontologie. Keywords: Strategic Watch, Competitive Intelligence, Weak Signals, Text Mining, Web Mining, Ontology Résumé: L extraction d informations à partir de données a été de tout temps un challenge depuis que l homme a su écrire. Avec la diversité de langues et d outils, ainsi que l évolution des technologies, la quantité et la diversité d informations qui circulent au sein d une organisation ont pris une ampleur considérable. Le plus grand défi aujourd hui est donc de savoir extraire au mieux dans cette masse d informations celle qui est profitable et pertinente pour la prise de décision. C est dans un tel contexte que s inscrit notre travail de recherche qui concerne l apport du text mining et du web mining à la veille stratégique, veille qui se trouve au cœur de l intelligence économique. Dans cet article, nous proposons une approche basée sur la méthodologie de construction d une ontologie à partir de Text Mining permettant le filtrage d information, et l optimisation du processus de veille que nous appliquons au domaine de Télécom au Maroc. Abstract : The extraction of information from data has always been a challenge since the man was able to write. With the diversity of languages and tools, as well as technological developments, the quantity and diversity of information circulating within an organization have made considerable size. The biggest challenge today, therefore, is to extract better in this mass of information that is relevant and beneficial for decision-making. In this article, we propose an approach based on the methodology of building ontology from Text Mining, for filtering information and optimization process watching. That we apply to the field of Telecom in Morocco. 1

2 1 - Introduction La veille stratégique est le processus informationnel volontariste par lequel l'entreprise recherche des informations à caractère anticipatif concernant l évolution de son environnement socio-économique dans le but de se créer des opportunités et de réduire ses risques liés à l'incertitude. L'expression «veille stratégique» est une expression générique qui englobe plusieurs types de veilles spécifiques telles que la veille technologique, la veille concurrentielle, ou la veille commerciale par exemple. La tache de veille effectués par les acteurs humains, à l aide des moteurs de recherche classiques mais ces derniers ne donnent parfois pas les résultats prévus car ils ne tiennent pas compte du contexte et de la sémantique de l information. Le Text Mining vise à rendre explicite la sémantiques des informations traités. En particulier, le Text Mining doit permettre une recherche sémantique reposant sur une ontologie de domaine. Dans cet article, nous proposons une approche basée sur la méthodologie de construction d une ontologie à partir de Text Mining permettant le filtrage d information, et l optimisation du processus de veille que nous appliquons au domaine de Télécom au Maroc. Après la présentation du processus de veille stratégique. Nous analysons les rôles de Text Mining pour la veille stratégique. Puis nous présentons notre approche d un système de veille stratégique guidée par une ontologie de domaine. 2 Processus de veille stratégique H. Lesca [LES94] [LES97] [LES04] propose une conception du processus de veille «pour le management stratégique» qui a comme principaux objectifs (Fig. 1) : de définir l orientation de la veille ; d identifier les acteurs et types d informations à surveiller ; d aider les utilisateurs à ne sélectionner que l information cruciale ; de définir le portrait d un bon traqueur de signaux faibles (signaux d alerte précoce) ; de déterminer les critères d un bon outil pour la communication des informations du type signaux faibles ; de transformer les signaux faibles en information utile et signifiante ; d intégrer les informations ainsi recueillies dans un processus décisionnel ; et de faire un diagnostic de la veille pour progresser. 2

3 Fig. 1 Le processus de veille (d après Lesca) Un tel processus comporte les huit étapes suivantes : Etape 1 de ciblage : qui consiste, à déterminer l ensemble des acteurs et des thèmes de recherche (propres à l environnement du centre) qu il faut surveiller, ainsi que les sources d information. Cette phase est très importante, et le résultat doit évoluer régulièrement (processus itératif). Etape 2 de pré sélection appelée Traque consiste, à partir de différentes sources, à détecter les informations ayant un rapport avec les acteurs et/ou les thèmes du ciblage. La traque peut être statique (veille interne avec des sources définies) ou mobile (collecte d informations à l extérieur du laboratoire). Etape 3 de sélection : Grâce à leur connaissance et leur capacité d interprétation, les capteurs trient les corpus d informations recueillies, affinent l information, l expliquent et formalisent leurs résultats avec l aide d experts. Etape 4 de remontée : Les informations affinées sont acheminées vers l animateur/gestionnaire de la veille pour être regroupées dans une base de données et classées par dossiers acteur/thème. Les outils de la remontée doivent pouvoir s adapter aux types de traques. Etape 5 de stockage : Les informations de veille nécessitent impérativement d être stockées non seulement pour en garder une trace, mais aussi pour pouvoir organiser la création de sens par la suite. Les nouvelles techniques de traitement des documents permettent une gestion informatisée. Etape 6 de synthèse : Le comité de veille et les experts font des analogies entre les différentes informations fragmentaires collectées, afin de créer du sens et formuler des scénarios d évolution de l environnement (comme pour créer un puzzle cohérent, ils assemblent les différentes «pièces» à leur disposition) tout en sachant rester prudents. Etape 7 de diffusion et d accès : La mise à disposition des informations issues de la sélection et de la synthèse peut se faire de deux manières : par diffusion, vers un ensemble de collaborateurs identifiés par l animateur de la veille ou par accès aux informations stockées. 3

4 Etape 8 d action : c est la phase d utilisation des résultats de la veille : des actions stratégiques ou opérationnelles sont décidées en fonction des hypothèses émises, de leur degré de fiabilité et de la marge disponible. Cette étape peut générer une redéfinition de la cible. Ainsi le processus devient dynamique, chaque étape pouvant influencer les autres. 3 La valeur ajoutée de Text Mining Dans les années 60 sont nées un ensemble de technologies qui visaient à exploiter les données sous formes tabulées (volume de vente, âge, fréquence d achat, lieu, etc.), technologies que l on a appelées «Data Mining». Il s agissait de reconnaître des familles de données proches (ou au contraire éloignées), d identifier des relations entre celles-ci (cause, conséquence, association forte, ), de repérer et de caractériser des tendances (croissance, décroissance, forme d évolution ), de construire des modèles de prédiction (comportement, ). Aujourd hui ces technologies sont matures, largement diffusées et sont appliquées sur de grandes bases de données tabulées (données économiques, bases de données clients, données de production, etc.). A la toute fin du siècle dernier, avec l avènement d Internet notamment, sont nées de nouveaux ensembles de technologies qui visaient à étendre le champs d exploitation des données aux données non tabulées et éparpillées dans les textes, technologies que l on appelle aujourd hui «Text Mining». Documents (Textuels) Text Mining Valeur pour l exploitation des documents (entités, cooccurrences, tendances, ) Gains : - Temps - Intelligence INPUT OUTPUT Fig. 2 La valeur ajoutée de text mining Il s agissait là aussi de reconnaître dans des corpus, des éléments textuels proches (acteurs, thèmes, ), d identifier des relations entre ces éléments (entre acteurs, entre thèmes, entre acteurs et thèmes, etc.), de repérer des tendances (teneur du discours, sentiments positifs / négatifs, etc ), et enfin de construire là aussi des modèles prédictifs sur la base d éléments identifiés dans les textes. Les technologies de Text Mining sont aujourd hui plus matures et sont appliquées sur des corpus textuels très divers, qu il s agisse de pages web, de blogs, de questionnaires ouverts, de transcripts de call center, d Intranet d entreprise, ou encore de base de presse par exemple. Ces technologies utilisent, au delà de modèles statistiques et mathématiques communs avec le Data Mining, des connaissances spécifiques liées à la linguistique (analyse lexicale, morphosyntaxique, etc.) et à la sémantique entre autre. En outre, elles doivent s affranchir des langues et développer des processus multilingues ou cross lingues. En somme, on peut caractériser simplement la valeur ajoutée des logiciels et technologies de Text Mining comme un 4

5 processus de traitement de corpus de documents, créateur de gain de temps et d intelligence pour l exploitation de ces documents. Mais la veille introduit en effet une difficulté inhabituelle par rapport aux domaines d applications classiques des techniques de text mining. Puisque, au lieu de rechercher de l information fréquente cachée dans les données, il faut rechercher de l information inattendue. D où la nécessite de création de sens (la sémantique) dans la recherche d information, et la connaissance dans le processus de veille. Ainsi les algorithmes d extraction de motifs séquentiels fréquents, employés habituellement en data mining, sont inappropriés pour la veille. D où l idée ne notre approche de la construction d une ontologie de domaine fondée sur l extraction conceptuelle à partir de textes. Ontologie de domaine - Text mining - DM - Capitalisation de connaissance Fig. 3 Le mining et le processus de la veille 4 Utilisation des ontologies pour la veille Les activités d analyse prennent en compte des descripteurs issus des documents ainsi que leurs méta-données. De nombreux travaux visent à intégrer de la connaissance dans le processus de veille pour exploiter ces données. Cette connaissance peut être représentée sous forme de ressources de plusieurs natures : ressources terminologiques (vocabulaire contrôlé, thésaurus) ou hiérarchies de concepts. L indexation des documents se fait à partir de ce vocabulaire contrôlé. Cette indexation a pour intérêt d améliorer la classification et la cartographie des données par rapport à un système n utilisant pas de lexique et basant l extraction des index sur la recherche de patrons. Un autre type d approche consiste à indexer les documents à partir de hiérarchies de concepts. Une hiérarchie de concepts est formée des concepts d un domaine organisés du plus générique ou plus spécifique. Un concept peut être défini à partir d un ou plusieurs termes. Cette approche est utilisée dans [GIV et Al, 01]. Les documents sont annotés à partir de hiérarchies représentant les problèmes rencontrés par un utilisateur de télécommunication. Ces annotations permettent ensuite d organiser les données et de les catégoriser en fonction des problèmes rencontrés. Cette approche est également utilisée dans [AUG et Al, 01]. Plusieurs hiérarchies sont alors utilisées pour indexer des documents suivant les différentes facettes du domaine abordé dans un corpus. Dans le cadre de ces travaux, des documents portant sur l économie sont ainsi catégorisés suivant trois hiérarchies de concepts relatives aux régions, aux industries et aux économiques. Dans [AUS et Al, 04] les ontologies servent de support à la construction de 5

6 hiérarchies de concepts. Chaque document de la collection est associé à un ensemble de concepts d une ou plusieurs hiérarchies. Ces hiérarchies sont ensuite utilisées pour l exploration graphique d une collection. Dans la majorité des cas, la connaissance est représentée par des ressources terminologiques. Dans le cas ou la connaissance est représentée à un niveau conceptuel (hiérarchie de concept), la seule relation utilisée pour organiser les concepts est la relation de spécificité/généricité. Les travaux présentés dans l article [NAT et Al, 04] reposent sur une ontologie dans laquelle les niveaux lexical et conceptuel sont élaborés (concepts définis à partir de plusieurs termes, relations de plusieurs types). Ce type de représentation de connaissance a pour intérêt de permettre un niveau d analyse plus fin à partir des relations entre les concepts sémantiquement plus riches. Les relations sont également formalisées. Des inférences peuvent alors permettre d extraire de nouvelles connaissances. Par exemple, si la relation transitive lie les concepts A et B puis les concepts B et C, une inférence permettra d établir que A et C sont également reliés par R. 5 Approche de construction d ontologie de domaine Nous avons développé une ontologie intégrée des compétences et connaissances sur laquelle des mécanismes d inférences seront développés notamment dans le domaine de télécommunication. Le développement des ressources servant à construire l ontologie passe par la construction d un corpus de textes nécessaire au fonctionnement d outils d analyse du langage naturel. Dans le but de couvrir, avec le plus d exhaustivité et d objectivité possible, l ensemble de l activité de secteur de télécommunication, nous avons servit de tout les rapports et études publier officiellement en 2007 par l Agence National de Règlement de Télécommunication (ANRT) qui a pour objectif central de réunir les conditions pour favoriser la dynamique de développement du secteur des télécommunications au Maroc. Au total nous disposons de 14 rapports et études. Ce premier corpus correspond à mots. Pour construire l ontologie à partir du corpus ANRT, nous nous sommes basés sur les résultats fournis par l analyseur de corpus SPSS Text Mining pour Clementine 5.0 qui utilise des technologies linguistiques et le traitement du langage naturel pour traiter la diversité de données textuelles non structurées à partir de corpus ANRT, et extraire et organiser les concepts-clés. Le module catégorisation des données textuelles permet de regrouper ces concepts en catégories qui servent ensuite à la construction de l ontologie. Puis, le module analyse des classes permet un regroupement de concepts liés, généré par des algorithmes de classification non supervisée qui se fondent sur la fréquence d apparition de ces concepts dans l ensemble de corpus ANRT et la fréquence d apparition conjointe des concepts dans le même document de corpus (ou cooccurrence). Notre ontologie (fig. 4) contient à ce jour 139 concepts primitifs, issus de la première analyse des candidats termes dont la fréquence d apparition dans le corpus ANRT est supérieure à 5%. 6

7 Fig.4 : Extrait de l ontologie de secteur télécommunication au Maroc visualisable avec l éditeur d ontologie Protégé Système de veille stratégique guidée par une ontologie de domaine Après le développement de l ontologie de domaine on va l introduire comme Input du système de veille stratégique Tétralogie de l I.R.I.T (fig. 5) [DOU, 88], [DKA, 93], [CHR, 97]. Qui est un des éléments essentiels de la station bibliométrique "ATLAS" élaborée conjointement grâce aux aides du CEDOCAR et du SGDN et qui fait intervenir de nombreux partenaires nationaux (CNRS, CRRM, IRIT, Ministères,...) afin de proposer sur un même support l'ensemble des méthodes qui sont opérationnelles à l'heure actuelle dans ce domaine. Ce logiciel est disponible sur station SUN pour les systèmes d'exploitation SUN/OS et Solaris, il est accessible pour évaluation par le réseau aussi bien à partir de terminaux X que de PC ou de Macintosh. TETRALOGIE est essentiellement composé de deux modules: - Un système de manipulation des corpus permettant de gérer les fichiers issus de téléchargements ou d'interrogations sur CD et d'en extraire, par divers outils, des matrices de croisement en tenant compte des spécificités de chaque base et de chaque format. - Un système d'analyse des informations contenues dans les matrices, qui s'articule autour d'un tableur 3D spécifique et qui fait intervenir des techniques d'analyse des données classiques ou innovantes sur des domaines statiques, bipartis ou évolutifs. Ce système est complété par un module d'aide à l'élaboration des comptes rendus d'analyses facilitant la gestion des résultats numériques et graphiques générés par les diverses méthodes qui sont proposées. 7

8 Tétralogie Résultat Recherche Sémantique Agent dédié à La recherche Veilleur Requête Ontologie Thèmes de ciblage, Connaissance de domaine Requête Résultat Moteur de Recherche Document Web Fig. 5 Le système de veille Tétralogie guidée par une ontologie de domaine 7 Résultat d analyse 7.1 Recherche sémantique On se basant su l ontologie télécom, on effectue une recherche sémantique dans la base INSPEC. Et comme résultat on a trouve 9514 articles correspondant à la requête «Morocco, GSM, UMTS, 3G, ADSL» qui sont des concepts de l ontologie télécom. Résultat de recherche entre 2004 et 2008 est Fig. 6 Résultat de recherche dans INSPEC en se basant sur l ontologie Télécom 8

9 7.2 Résultat : le secteur de Télécom au Maroc Nous allons exploiter les champs de la recherche en les croisant entre eux pour en faire ressortir des informations. Pour réaliser ce croisement, nous créons une matrice de cooccurrence avec les deux ou les trois champs souhaités en utilisant les options tri absolu, relatif ou par connexité et retirant les lignes vides. Parmi les résultats obtenus on essaie de connaître les mots clés sur les quels le Maroc travail en terme de domaine de télécommunication (fig. 7). Fig. 7 Transitivité «Morocco» dans le croisement «Pays» & «Mots clé INSPEC» Et on a trouvé que le Maroc travail sur toutes les nouvelles technologies de télécommunications (Fig.8) Fig. 8 Le secteur télécom au Maroc 9

10 En plus la carte géostratégique nous montre que la Maroc est parmi les pays émergent et innovateur dans le domaine de recherche en télécommunication (Fig. 9). Fig. 9 l émergence du Maroc dans le secteur de Télécommunication 8 Conclusion et perspective Dans cet article nous avons proposé une nouvelle approche pour construire un système de veille stratégique guidée par une ontologie de domaine. Ainsi, un des enjeux de ce travail est de montrer que la méthodologie mise au point permet à un chercheur, non spécialiste du domaine modélisé, de construire une ontologie à partir de textes à l aide d outils de traitement automatiques des langues. En plus, après avoir analysé le processus de la veille à l I.R.I.T avec Tétralogie. Nous avons considéré que l exploitation d une ontologie de domaine pourrait être utile en plusieurs phases : Dans la phase se ciblage : l utilisation des concepts dans l ontologie peut aider à éviter l ambigüité du contexte de recherche, en permettant de spécifier la formulation de la requête. Une telle ambigüité peut être liée à des phénomènes linguistiques comme la synonymie ou l homonymie. Dans la phase de sélection : l ontologie peut être utile pour associer les documents aux sujets spécifiques. Dans la phase de traitement : les ontologies nous semblent pouvoir jouer un rôle potentiel dans la tache d annotation de document. Dans la phase de diffusion : selon le centre d intérêt de l utilisateur, décrit en utilisant l ontologie, le système pourra automatiquement envoyer à un utilisateur donné des suggestions pour l inciter à lire certains documents semblant pertinent pour cet utilisateur. 10

11 La dernière et indispensable étape de la validation de l ontologie se fera par l usage. L ontologie doit être mise à disposition des acteurs du secteur de Télécommunication au Maroc au travers d un environnement d aide à la décision et au partage et gestion de connaissance. 9 Bibliographie [AUG et Al, 01] Auge J., Englmeier K., Hubert G., Mothe J., classification automatique de textes basée sur des hiérarchies de concepts, VSST, pp , 2001 [AUS et Al, 04] Aussenac-Gilles N., Mothe J., Ontologies as Background knowledge to Explore Document Cllections, RIAO, pp [CHR 97] CHRISEMENT C., DKAKI T., DOUSSET B., MOTHE J., «Extraction et synthèse de connaissances à partir de bases de données hétérogènes.», Ingénierie des systèmes d information, vol. 5, n 3, 1997, pp [DOU 88] DOUSSET B., BENJAMAA T., «Trilogie logiciel d analyse de données», conférence sur les systèmes d information élaborée : Bibliométrie Informatique stratégique veille technologique, 1988, pp [DKAK 93] DKAKI T., «Outils mathématique et méthodes automatiques pour la veille technologique», Thèse de Doctorat, Université Paul Sabatier-IRIT, France, Aout 1993 [Giv et Al, 01] Givel L, Guillemin-Lanne S., Coupet P., Huot C., Analyse en ligne de l information : une approche permettant l extraction d information stratégique basée sur la construction de composants de connaissance, VSST, pp , 2001 [LES, 94] Lesca H., Veille stratégique pour le management stratégique : Etat de la question et axes de recherche, Economies et Sociétés, Sciences de Gestion, 20, 5, 31-50, [LES, 97] Lesca H., Rouibah K., Des outils au service de la veille stratégique, In Systèmes d information et management, 2, 2, , [LES, 04] Lesca H., Veille stratégique : La méthode L.E.SCAnning, Paris : EMS, [NAT et Al, 04] Nathlie HERNADEZ, Josiane MOTHE, Ontologies pour l aide à l exploration d une collection de documents, VSST, pp ,