le datamining dans le business décisionnel

8/14/2019 Le Datamining dans le business dcisionnel

1/24


2/24

Parmi les axes danalyses, on retrouve rgulirement le client, le centre de profit, les produits,

ou le temps auxquels sont associs tout un ensemble de paramtres associs.

Le DataMining prend une ampleur relle et stratgique par rapport un ensemble de facteurs

convergents et notamment :

1. Les progrs technologiques

spectaculaires dans le domaine du DataMining, proprement dit.

2. Linstallation de plus en plus rpandue

des DataWarehouse ainsi que laugmentation exponentielle du nombre de

donnes. De fait, on trouve dans le DataWarehouse de plus en plus de donnes

aussi bien externes quinternes.

3. Les volutions technologiques du

hardware et du software soutiennent lorientation des possibilits danalyses

performantes sur des volumes de donnes de plus en plus importantes.

4. La maturit technologique et

commerciale des outils OLAP (On-line Analytical Process) qui automatisent

les reportings et facilite lanalyse des donnes multidimensionnelles.

5. La gnralisation des besoins

dintelligence mtier pour les diffrents niveaux dutilisateurs.

6. Le besoin de rapprocher des sources de

donnes htrognes nombreuses pour analyser une problmatique de

lentreprise.

De plus, il y a de toute vidence un effet marketing dans le dveloppement des outils du

DataMining, mais il est associ un effet tangible qui est une synthse :

de la chronologiedes concepts dcisionnels, cest--dire, il fallait que lacollecte des donnes soit matrise, que laccs aux donnes soit facilit et enfin que le DataWarehouse se positionnepour que le DataMining commence simposer.

de lvolution technologique et des cots qui font quon peut envisager de mettre en place aujourdhui un projetDataMining un cot intressant.

de laspect OLAP, la base multidimensionnelle qui a permis lutilisateur de se familiariser dans lexploration etlutilisation des donnes dcisionnelles sous un format multidimensionnel.

de la maturit des algorithmes de DataMining qui ont acquis une fiabilit et une diversit qui justifient une rellevaleur ajoute par rapport aux anciennes mthodes statistiques.

En rsum, la prsence concrte du DataMining actuellement est due la conjonction dune

maturit technologie, dune prsence des systmes stabiliss qui rpondent une maturit et

une curiosit de la part des utilisateurs.

2/ Qu'est ce que le DataMining ?


3/24

Le DataMining dans son sens le plus large veut dire la recherche des liens schmatiques

dans une base dinformations volumineuse ou complexe dans le but de les transformer en

connaissance.

Ce que lon dsigne comme outils du DataMining dans cette tude sera plus prcisment des

outils automatiss du DataMining, cest--dire, la dcouverte de la connaissance en utilisantune combinaison des techniques inspires des statistiques traditionnelles, de lintelligence

artificielle et des graphiques.

Le DataMining sassimile ainsi une recherche perptuelle des schmas utiles dans les

donnes.

Cette recherche peut tre automatise ou guide manuellement. Linconvnient dun systme

guid manuellement (OLAP, outils de Reporting & de Query) est que lutilisateur doit crer

lui-mme les types de schmas utiliser et il se peut que dans la foule, il ne saperoive pas

ou nglige des schmas moins vidents.

Le DataMining est une mthode de recherche automatise dans la mesure o mme si

lutilisateur doit fournir une certaine quantit de donnes au systme, il ne les orchestre pas

lui-mme pour trouver les schmas exploitables.

Le DataMining permet de donner un sens aux informations dont dispose lentreprise. Cet outil

relve essentiellement de la smantique.

Le DataMining a vu le jour dans les annes 80, quand les professionnels ont commenc se

soucier des grands volumes de donnes informatiques inutilisables tels quels par les

entreprises.

Le DataMining d'alors consistait essentiellement extraire de l'information de gigantesques

bases de donnes de la manire la plus automatise possible; contrairement aujourd'hui o le

DataMining consiste l'analyse qui suit l'extraction des donnes. Le dataMining s'est donc

dissoc du Datawarehouse.

3/ Les objectifs du DataMining

Dans un premier temps, les entreprises ont t appeles constituer des bases oprationnelles

pour permettre de rcuprer des donnes.

Dans un deuxime temps, les entreprises ont essay de valider ces donnes par des outils de

pilotage comme lEIS et le DataWarehouse. Elles se sont mises transformer des donnes en

informations afin de prendre une dcision.

Cest ainsi quon a pu dcouvrir lmergence du systme dcisionnel.

A ce stade du processus, lutilisateur est amen donner une "intelligence" linformation,

par consquent, la problmatique nest plus seulement daccder linformation mais de faire

en sorte que cette information soit interprte selon des rgles de statistique ou dintelligence

artificielle pour lui donner toute sa valeur.

Les principales actions du DataMining sont :


4/24

3.1 EXPLIQUER un vnement ou un incidentindiscernable

Par la consultation des donnes grce des outils de tableaux de bord papier ou lectronique,

on peut etre en mesure de formuler la question suivante :

Comment se fait-il que lon perd des clients sur tel segment dans telle rgion ?

En scrutant les donnes automatiquement loutil de DataMining va essayer de trouver un

certain nombre dexplications cette question en se basant sur des donnes connectes ou des

mises en signification de paramtres lis.

Le DataMining va aider trouver des hypothses dexplications.

3.2 CONFIRMER : un comportement ou une hypothse

Par la consultation des donnes grce des outils de tableaux de bord papier ou lectronique,

on peut tre en mesure de formuler la question suivante :

Comment se fait-il que nous perdons des clients sur tel segment dans telle rgion ?

Toujours par la consultation, on essai de trouver un certain nombre dexplications cette

question en se basant sur des donnes connectes ou des mises en signification de paramtreslis.

En appliquant des mthodes statistiques ou dintelligence artificielle, le DataMining va

aider valider les hypothses dexplications que nous avons dcouvertes.

3.3 EXPLORER : les donnes pour dcouvrir un lien"inconnu" jusqu l.

Il ny a pas dide sur une hypothse ou sur un fait prcis. Par consquent, on demande au

systme de proposer des associations ou des corrlations qui pourraient aider dcouvrir des

vnements marquants puis dcouvrir des lments dexplication.

Il serait certainement exagr de croire quun tat de technologie puisse remplacer la

rflexion; par contre, linformatique dcisionnelle par le biais du DataMining peut tout fait

suggrer des associations et des corrlations entre les donnes afin didentifier des hypothses

et faire des propositions mais il reste toujours lhomme-utilisateur de les vrifier et de les

valider dfinitivement.


5/24

LE SCHEMA DU

DATAMINING

La connaissance peut se dfinir comme une information enrichie dun contexte et dun savoir

faire.

Les donnes :les donnes sont des donnes brutes provenant des bases de donnes diffrentes comme celles de lacomptabilit, des ventes, dachats ou autres.

Les informations :

X a un revenu suprieur 200KF

X & Y vivent dans les banlieues A & B

La connaissance :

si S a un ordinateur, S est

abonn la revue J

le produit B est achet par des gens qui achtent

les produits E


6/24

La dcision :


7/24

Bien videmment, lhomognit de la problmatique permet de mieux segmenter le

rfrentiel et dobtenir un systme plus performant.

Pour cela, le DataMining va se baser sur la typologie de la question voque et dans cette

perspective, fournir larchitecte du systme des lments pour son analyse de la structure de

la base de donnes. Le rle de larchitecte du systme consiste alors intgrer les hypothsesafin de proposer le modle de donnes le plus performant en terme de rduction de volumes et

de temps daccs aux donnes.

Aprs ce premier niveau de manipulation (par exemple une segmentation gographique

ralise partir dune notion dadresse), On constitue un DataWarehouse et on est en mesure

de raliser des agrgats plus sophistiqus et plus cibls lintrieur d environnements

relationnels ou multidimensionnels.

Ainsi, seront constitus les datamarts qui peuvent tre de type OLAP si la base

multidimensionnelle permet de faciliter la manipulation des agrgats et des modles

constitus.

De fait, dans lutilisation du terme DataMining cohabitent deux concepts qui ne se situent

pas au mme niveau de la chane du systme dinformations. Dans le schma du

DataWarehouse, lun se trouve trs en amont et lautre se trouve trs en aval.

Dans sa version oriente utilisateur final, le deuxime concept, le DataMining va permettre de

travailler des donnes prsentes dans lenvironnement relationnel aussi bien que

multidimensionnel de type OLAP.

A ce niveau, les informations sont passes par le filtre du DataWarehouse et ont pu tre

enrichies ou orientes lors de leur passage dans les datamarts.

Le travail de loutil DataMining est ainsi facilit ou orient par ce premier niveau de

qualification.

En fait, il est aussi intressant daller chercher des hypothses ou dexpliquer des phnomnes

sur des donnes agrges que de poser des questions sur des donnes plus brutes du

DataWarehouse.

Dans le schma de linformatique dcisionnelle, les diffrentes technologies cohabitent en

remplissant une segmentation de fonction. Le DataMining, simpose aujourdhui comme undes segments stratgiques dans le schma dcisionnel dans la catgorie des outils qui

apportent une valeur ajoute linformation.

5/ Les differents modules

Le DataMining utilise la technique de la modlisation pour faire des dcouvertes ou des

prvisions.

La modlisation comme son nom lindique est le fait de crer un modle partir des situationsconnues dans le but de lappliquer des situations inconnues. Par consquent, le processus de

la cration dun modle partir du balayage et du filtrage des donnes est une tapeprimordiale.


8/24

Selon le domaine dapplication, loutil DataMining est en mesure de proposer une technique

diffrente correspondant des algorithmes et une mthode dapproche des donnes adquates.

Ainsi, le DataMining va rpondre des problmatiques de :

5.1 Segmentation

La segmentation permet de fragmenter la base de donnes en segments ayant descaractristiques similaires.

Il sagit ici de dfinir des caractristiques prototypes qui ont des comportements homognes.

5.2 Classification

Ce module est caractristique du DataMining amont. Il se propose de caractriser des groupes

de populations homognes en rapprochant des paramtres possds par chacun des membres.

Ainsi, la classification permet de dvelopper des profils de groupe partir des critres des

enregistrements.

5.3 Prvision

La prvision permet de mesurer linfluence d'un paramtre prsent dans une population sur

lensemble des autres paramtres de cette population.


9/24

Ce module partant des informations agrges se situerait plutt sur la partie aval du schma

dcisionnel.

5.4 Association

Lassociation permet danalyser la prsence simultane de valeur de paramtres sur un mme

critre ou sur deux paramtres diffrents.

A lintrieur dun mme critre qui peut avoir plusieurs occurrences pour un membre donn

ou entre deux paramtres, cela peut permettre de constater des liens entre des valeurs

possibles (rappel : critre = paramtre).

5.5Modle Squentiel

Le modle squentiel induit des dcouvertes lies laxe temporel.

Il permet de trouver des modles de comportement qui prsupposent des enchanements

systmatiques qui suivront sur une priode de temps.

5.6 Exemple

Pour concrtiser les notions dcrites par ces modules, on peut effectuer un exemple simplifi

dune population qualifier par rapport un acte dachat d'une voiture haut de gamme dans

les six mois venir.

Les membres de cette population ont des revenus quil conviendra de segmenter pour obtenir

une nomenclature significative et pertinente, cest dire ni trop dilue (trop de segments) ni

trop rduite (pas assez de dtail).

On obtient ainsi des tranches de revenus et lon va devoir connecter cet lment avec dautres

lments intressants par rapport la cible recherche.

Aprs avoir segment les paramtres, afin de prciser la population type par rapport

lobjectif recherch, on classifie les membres de la population pour dterminer une classe de

membre ayant par exemple un type de revenus donn, une voiture moyenne ou haut de

gamme, propritaire de leur logement, ayant une carte de crdit "premier", etc...

Lensemble des critres choisis permet de caractriser une population homogne sur laquelle

on a pu vrifier certains liens entre paramtres. Par exemple, une prvision de probabilit

dachat de vhicule neuf dcrot selon la rcence de la date dachat du logement.

On va donc affiner notre population en la limitant aux personnes ayant acquis leur logementprincipal depuis plus de trois ans.


10/24

Par ailleurs, toujours avec la volont daffiner, on remarque grce loutil que lachat de

prestation dhtellerie haut de gamme tait associ souvent lachat de voiture haut de

gamme.

Ainsi on peut rajouter ce critre la dfinition de la population et rduire ainsi le primtre

des personnes potentielles.

Enfin, en analysant les modles squentiels de comportements dachat de voitures, on peut

remarqu grce loutil, une tendance racheter un vhicule neuf de gamme suprieure tous

les deux ans environ ou un achat de vhicule neuf ou doccasion de gamme identique au bout

de trois quatre ans environ.

On peut ainsi se concentrer sur les possesseurs de vhicules depuis deux trois ans maximum.

6/ La methodologie

6.1Mthodologie dexploitation

La mthodologie de mise en uvre du DataMining peut tre dfinie en quatre phases

principales.

6.1.1Pr-tude thmatique

Avant de slectionner les donnes il est primordial de dfinir les typologies dobjectifs et le

cadre mthodologique dans lequel la dmarche DataMining peut amener une valeur ajoute.

Au mme titre, il conviendra de commencer une phase de sensibilisation et dimplication desgroupes dutilisateurs potentiels et notamment parmi ceux de la direction gnrale.

Ayant dfini les diffrents cadres de projet susceptible de correspondre, il convient par la suite

de dterminer les sources et les types de donnes disponibles. Ces donnes internes ou externe

lentreprise , doivent converger vers une zone de stockage de type datawarehouse, mme

de garantir lhomognit, la qualit, lunicit, la lablisation, de linformation

Il est indispensable de rendre les donnes recueillies le plus homogne possible afin dviter

la prolifration des dfinitions pour un seul terme ainsi que la surcharge dinformations

inutiles.

Par exemple, la notion de client est typiquement difficile dfinir quand elle implique

diffrents services de lentreprise.

A la fin de cette tape lentreprise obtient un ensemble de projets sappuyant chacun sur une

base de donnes structure, volumineuses mais identifie.

6.1.2Analyse de la structure des donnes

Lobjectif de cette phase est doptimiser la structure de la base de donne.


11/24

Il est possible de rduire le volume

dinformations en diminuant dune

faon pertinente les attributs

concernant ces informations et en

nettoyant la base de donnes.

Ce travail en profondeur sur les

informations reprsente un passage

oblig. Il implique des comptences

"mtier" et des comptences

"DataMining" qui seront

dterminantes pour la qualit des

donnes. La qualit de lanalyse

dpend de la qualit des donnes.

6.1.3Choix dun outil

Il est ncessaire de bien connatre les objectifs et la nature des analyses attendues afin de

dterminer larchitecture technique et les plates-formes outils impliques dans le processus de

DataMining.

Il est galement primordial de dterminer les profils des utilisateurs concerns afin de

comprendre leur capacit apprhender un outil ou une technologie plutt quune autre.

Il existe actuellement sur le march franais un certain nombre doutils de DataMining. Les

principaux sont cits dans les fiches dditeurs se trouvant la fin de cet ouvrage.

Certains outils de DataMining sont englobs dans dautres outils dcisionnels tels que des

requteurs ou des EIS.

Ainsi dans le choix de loutil interviendront plusieurs critres tels que :

la technologie

les types dutilisateurs

les sources de donnes

les typologies danalyse

le mtier

....

6.1.4Mise en uvre de loutil choisi

La mthodologie dexploitation de loutil DataMining peut se dfinir en huit tapes comme

dcrit ci dessous :


12/24

Lune des caractristiques principales de la mthodologie du DataMining sappuie surle fait quelle est itrative et quelle permet de rcuprer les informations obtenues afin de les intgrer dans le systmedcisionnel de lentreprise.

7/ Les techniques

Derrire la terminologie du DataMining se positionnent des outils bass sur des techniques

diffrentes.

Dcouverte de rgles

Arbres de dcision

Signal Processing

Fractales

Rseaux neuronaux

Hybride

7.1Dcouverte de rglesValider ou proposer un schma de fonctionnement des donnes partir de rgles connues ou inconnues.

Cette technique consiste demander au systme daller chercher dans les donnes une

validation dune rgle connue ou de dcouvrir lui-mme une rgle. On essais ici de construire

une logique procdurale dans les donnes.

7.2Arbres de dcision

Dterminer les critres significatifs dans un arbre de paramtres selon les poids statistiques

des valeurs constates.


13/24

Cette technique consiste formaliser un arbre qui va procder une analyse critre par

critre.

Loutil DataMining va scanner diffrents critres possibles afin dessayer dy retrouver des

propositions en arbre daprs les poids statistiques qui auront un sens et qui permettront

ensuite de trouver des liens entre les chemins qui ont une signification par rapport laproblmatique donne.

7.3Signal Processing

Filtrer les donnes afin de mettre en vidence des comportements de donnes.

Cette technique consiste positionner les donnes et les filtrer travers une hypothse pour

essayer de faire apparatre un lien entre ces donnes.

7.4Fractales

Composer des segmentations partir de modles mathmatiques bass sur des regroupements

irrguliers de donnes.

7.5Rseaux neuronaux

Utiliser des technologies dintelligence artificielle afin de dcouvrir par lapprentissage du

moteur des liens non procduraux.

Ces deux dernires techniques sappuient sur des algorithmes mathmatiques (Fractales) et

dintelligence artificielle (Rseaux neuronaux) et tentent travers des mthodes

dapprentissage de constituer des logiques non procdurales.

8/ Les outils du DataMining

Editeur

Outil

Technique utilise

Angoss

Knowledgeseeker Arbres de dcision

Business Forecast

Systems

Forecast Pro Prvision

Cross/Z International F-DBMS Fractales


14/24

Inc.

Datamind

Datamind Dtection de modles,

prdictions, hybride

IBM

Intelligent Miner Prvision

Information Discovery

IDIS Dcouverte de rgles

Integrated Solutions

Ltd.

Clmentine Arbres de dcision,

Rseaux neuronaux

Isoft

Alice Arbres de dcision

MIT GMbH

Data Engine Signal Processing

Netral

Neuro One Rseaux neuronaux

NeuralWare

Predict Rseaux neuronaux

PMSI

Saxon Rseaux neuronaux

RIS

4Thought Rseaux neuronaux

SAS Institute

SAS System Statistiques, arbres de

dcision, rseaux

neuronaux

Silicon Graphics

Mine Set Arbres de dcision,

dcouverte de rgles

SLP Infoware

STATlab Statistiques

SPSS

Neural Connection

SPSS Chaid

Rseaux neuronaux

Arbres de dcision

9/ Les diverses applications

Depuis lapparition du concept de DataMining, il existe une tendance lassocier

exclusivement aux domaines du marketing et de la grande distribution.

Il est certain que le DataMining reprsente un outil "exceptionnel" pour les directionsmarketing, mais de nombreuses autres fonctions de lentreprise peuvent tre concernes.


15/24

Afin de mieux comprendre les liens et les corrlations caches quun outil de DataMining

peut dnicher, voici quelques exemples concrets dinformations provenant de lutilisation de

cette famille doutils.

9.1Par fonctionMarketing:

Comportement des consommateurs : dcouverte de comportements dachats coupls dans le cadre dune

politique promotionnelle. Cela a permis un accroissement de la rentabilit des politiques promotionnelles dune chanede magasins.

Marketing direct: augmentation du taux de retour des mailings (75 80%) grce un meilleur ciblage des envois.

Fidlisation de la clientle : une banque a trouv des relations et des comportements inconnus jusqualors en

vrifiant lactivit des comptes clients. Cela lui a permis de dfinir une nouvelle cible marketing et de la fidliser pardes moyens plus appropris son comportement.

Segmentation de clientle : dcouverte dune niche de petite taille dont le revenu est trs lev, inconnue par le

service marketing.

Optimisation dun rseau dagence grce la dcouverte des couples cible/produit et produit/march.

Ressources humaines:

Politique dacceptation et de rejet des candidatures

Politique dvolution des carrires

Ventes:

Prvision des ventes

Dcouverte de cycles de ventes

Qualit:

Analyse de satisfaction des clients

Typologie des clients

Dtection des fraudes

Pricing:

Dtermination des prix par rapport des catgories et des comportements dachat.


16/24

etc... :

Analyse financire, Gestion des stocks, Logistique, etc..

9.2 Par Secteur

Les secteurs dactivit dans lesquels le DataMining est dj prsent sont de plus en plus

nombreux.

Aprs la grande distribution aux Etats-Unis, cible historique, le DataMining est apparu dans

dautres secteurs tels que :

Transport : pour rduire lover-booking qui cotait trs cher aux entreprises.

Sant

Assurance

Tlcommunications

Gouvernement : Trsor amricain.

Banque : American Express - pour rduire le nombre de rsiliations des cartes

de crdit.

Electronique : pour cibler les garanties des appareils.

Automobile : pour dterminer le niveau de fabrication qui provoque le plus de pannes.

Electricit

9.3Par Utilisateur

Aujourdhui le DataMining est utilis par des personnes ayant un profil et des exigences bien

particulires. Nous les avons classs en quatre groupes distincts :

Lutilisateur final = est lutilisateur qui ne connat pas la technologie duDataMining et ne veut surtout pas y tre confront. Il est en gnral protg par des crans "presse-boutons". Ildemande loutil de DataMining de lui apporter des solutions ses problmes particuliers.

Le statisticien = est lutilisateur qui est passionn par la technique et souhaite y treconfront. Il demande loutil de DataMining dtre "puissant" et riche en fonctionnalits.

Le business analyste = est lutilisateur le plus hybride car il connat un peula technique et trs bien son mtier. Il demande loutil de DataMining dtre facile utiliser tout en lui laissantquelques choix technologiques.

Le scientifique = est lutilisateur le plus difficile satisfaire car il a toujours une longueurdavance par rapport la technique. Cest le scientifique qui permet aux outils de DataMining dvoluer.

10/ Fiches diteurs


17/24

Les diteurs cits sont les principaux acteurs du DataMining prsents sur le march franais.

Ce mmoire est un aspect volutif par rapport aux diteurs.

En effet, le march du DataMining est en pleine croissance et de nombreux acteurs du march

amricain vont sans doute arriver en France.

Par consquent, il ne sera pas possible de pouvoir tous les cits.

10.1 ANGOSS

IDENTITE SOCIETE :

ANGOSS SOFTWARE

66, rueEscudier

92100 Boulogne

PRINCIPAUX OUTILS DE LEDITEUR :

- Knowledge seecker

10.2 DATA MIND

IDENTITE SOCIETE :

DATAMIND France S.A.

31, rue du Pontjkh

92200 Neuilly-Sur-Seine


- DataMind Professional Edition (version monoposte Windows)

- DataMind Data Cruncher TM (version serveur Unix, NT)

DOMAINES DAPPLICATION :

- Marketing

- Commercial

- Production/Qualit

- Ressources Humaines


18/24

- Contrle de gestion

- SAV

TECHNOLOGIES ASSOCIEES :

Extraction faite partir des bases relationnelles, des bases multidimensionnelles et des

fichiers plats.

10.3 HOLISTIC

IDENTITE SOCIETE :

HOLISTIC FRANCE

31, bld de la Paix

78200 Saint-Germain-en-Laye


- Holos

10.4 IBM

IDENTITE SOCIETE :

IBM FRANCE

Tour Descartes - La Dfense 5

2, avenue Gambetta

Courbevoie

Hauts de Seine.


- Intelligent Miner (S/390, RS/600, AS/400)


- Marketing- Vente


Extraction faite partir des bases relationnelles et des fichiers plat.


19/24

10.5 ISOFT

IDENTITE SOCIETE :

ISOFT SA / ALICE SA

Chemin de Moulon

91190 Gif-sur-Yvette


- ALICE (Version standard & Windows 3.11, Windows 95/NT)- AC2 (Windows 16 et 32 bits, Unix)


- Marketing commercial

- Marketing direct

- Finance (Analyse et risque)

- Etude et sondage

- Ressources humaines

- Etude clinique (sant)


Extraction faite partir des bases relationnelles, des bases multidimensionnelles et des tableurs.

10.6 PILOT

IDENTITE SOCIETE :

PILOT SOFTWARE

101-109, rue Jean Jaurs

92300 Levallois-Perret


- Pilot discovery server


- Marketing


20/24


Extraction faite partir des bases relationnelles

10.7 SAS Institute

IDENTITE SOCIETE :

SAS INSTITUTE

BP 5

77166 Evry Gregy


- Marketing

- Marketing direct

- Scoring

- Analyse comportementale


- Etude clinique (sant)


Extraction faite partir des bases relationnelles, des bases multidimensionnelle SAS, des fichiers plat, des feuilles decalcul et des progiciels.

10.8 Silicon Graphics

IDENTITE SOCIETE :

SILICON GRAPHICS

21, rue Albert Calmette

78350 Jouy-en-Josas


- Logiciel MINESET



21/24

Extraction faite partir des bases relationnelles

10.9 SLP INFOWARE

IDENTITE SOCIETE :

SLP Infoware

51, rue Ledru Rollin

94853 Ivry-sur-Seine Cedex


- STATlab : Analyse exploratoire

- DATAboard : Gnrateur de tableaux de bord et de rapports- DATAMAN : Datamart multidimensionnelle


- Marketing

- Commercial

- Qualit de service


- Contrle de gestion

- Etudes


Extraction des donnes faites partir des bases relationnelles, des tableurs, des fichiers statistiques et des progiciels.

11/ Glossaire

11.1 Agents intelligents.Les agents intelligents sont des programmes d'exploration de rseaux dans le but d'analyser et d'en extraire de l'information.On peut les diviser en deux groupes principaux :

Les agents de recherche dinformation peuvent apporter des lments de rponse la question pose par unutilisateur, dans un langage plus ou moins proche du langage naturel, en explorant rapidement des volumesimportants dinformations et en triant celles qui ont un rapport avec la question de lutilisateur. Citons lexemple de laquestion suivante laquelle ils peuvent apporter une aide prcieuse : "Quelles sont les agences de la rgion Ouest ola vente de placements financiers est suprieure la moyenne franaise ?"

Les agents de traitement peuvent tre programms par lutilisateur ou ladministrateur pour effectuer intervallesrguliers des tches de recherche, de mise jour de bases, dextraction ou de traitement. Par exemple : lelancement durant la nuit de requtes personnalises pour chaque responsable dagence bancaire, lalimentation duncube multidimensionnel de ces donnes et ldition dun tableau de bord quotidien sur limprimante de lutilisateur.


22/24

11.2 Base de donnes

La base de donnes o sont stockes les informations extraites des bases de production est le

composant principal du DataWarehouse.

On peut y retrouver des diffrents fichiers concernant les clients ainsi que des " tiquettes" quiindiquent les liens entre les diverses donnes -client/article ou client/facture, par exemple.

La cration de ces nombreux index ncessite un volume de stockage important, par

consquent, une base de donnes DataWarehouse ou "entrept de donnes" peut atteindre des

tailles considrables, savoir, plusieurs Gigaoctets ou mme des Teraoctets de donnes .

Les bases de donnes peuvent tre de diffrentes types :

- hirarchiques.

- relationnelles (stockage des donnes sous forme de tables).

- multimdia (stockage non seulement des donnes mais aussi des images et des sons).

- orientes objets.

-multidimensionnelles (stockage/rangement des donnes en plusieurs "dimensions" que

l'utilisateur peut croiser sa convenance pour rpondre la question pose).

11.3 Base de donnes mutlidimensionnelles

Une base de donnes multidimensionnelle est une base dont les donnes sont stockes de

manire optimiser le croisement entre les donnes.

La base multidimensionnelle est reprsente par un cube en 3D bien quelle ne soit pas limite

aux trois dimensions. En effet, elle peut grer jusqu quinze ou vingt dimensions la fois.

Seul inconvnient, laugmentation des dimensions fait accrotre galement le nombre des

croisements entre les donnes et ceci ralentit considrablement les temps de rponse.

11.4 Base de donnes relationnelles

La base de donnes relationnelle, modle de stockage le plus utilis en informatique, prsente

une organisation de linformation sous forme de tables.

11.5 Base de production

Dans un environnement DataWarehouse, on appelle frquemment bases de production, ou

encore systmes oprants, les bases de donnes utilises par les applications non

dcisionnelles de lentreprise.

Dans cette catgorie, entrent les systmes comptables, les bases de gestion commerciale, les

systmes de paie, les bases de gestion de production industrielle....


23/24

11.6 Business intelligence

Ce terme, cre par le Gartner Group, regroupe les requteurs, les outils danalyse

multidimensionnels dont la base est stocke en local, ainsi que certains outils de DataMining -

des outils de bureautique destins un oprationnel par opposition un informaticien.

11.7 Data Marts

Le Datamart est un sous ensemble du DataWarehouse. Il contient les donnes de lentreprise,

lis un mtier tels que le marketing ou la comptabilit, par exemple.

Il peut contenir des donnes provenant des divers domaines de lentreprise linverse de la

base de production. Il maintient le lien avec lentrept de donnes et le dictionnaire,

permettant ainsi de retrouver lorigine dune information.

11.8 DataMiningLes outils dits de DataMining, traduisible par "forage des donnes", ou "prospection des donnes", permettent de slectionner, la place de lutilisateur un certain nombre de donnes.

Les diffrentes techniques utilises dans les outils de DataMining sont les suivantes :- Dcouverte des rgles- Arbres de dcision- Signal Processing- Fractales- Rseaux neuronaux- Hybride

11.9 DataWareHouse

Le DataWarehouse ou l entrept de donnes a deux dsignations :

- la base dans laquelle sont stockes lensemble des informations

- lensemble du systme dinformation dcisionnel.

11.10 EISUn EIS (Executive Information System) est un outil qui permet de visualiser des donnes de

lentreprise sous forme de tableaux de bord prablement conus. A la diffrence dun SIAD, il

ne permet pas de poser une question qui naurait pas t prvue initialement.

11.11 Mta-donnes.Les mta-donnes sont les donnes sur les donnes, cest--dire, lensemble des informations qui vont qualifier une donne.


24/24

11.12 OLAP

Le systme OLAP (On-Line Analytical Processing) Processing) est une architecture qui

privligie lanalyse multidimensionnelle li linformatique dcisionnelle sur le traitement

transactionnel li aux bases de production.

La norme OLAP a t dfinie par un chercheur amricain, E.F. Codd.

Dans linformatique dcisionnelle, lOLAP se situe gnralement au niveau des data marts.

11.13 OLTP

Le systme OLTP (On-Line Transaction Processing), galement dfinis par E.F. Codd dans

les annes 1970 est appliqu dans les bases de production (comptabilit, gestion commerciale,

gestion de production, gestion bancaire,...).

Il gre des transactions dtailles (ligne de commande, mouvement bancaire,...).

11.14 Outils d'alimentation

Les outils dalimentation figurent en amont dans le schma de linformatique dcisionnelle.

Ces outils sont utiliss pour rcuprer les donnes des bases de production, systmes oprants,

les convertir, les transformer et enfin les stocker dans lentrept de donnes. Ils serventgalement grer et mettre jour les mtadonnes.

Conclusion

LE FUTUR ... DES OUTILS DECISIONNELS :

Le DataMining pourrait reprsenter une avance importante dans linformatique dcisionnelle.

Dans la phase pr-DataMining, les outils dcisionnels servaient principalement accder aux

donnes ou mettre en place des simulations simples connues et prouves.

Aujourdhui, avec le DataMining et le DataWarehouse, les outils dcisionnels accdent ltape danalyse des donnes.

Et demain, de quoi sera fait la phase post-DataMining ?

Les outils dcisionnels de demain arriveront-ils un tel niveau de sophistication quils

permettront de prendre des dcisions en donnant aux utilisateurs des "recommandations" en

temps rel ?

Dans tout les cas, il restera aux utilisateurs en faire bon usage... et cela n'est certainement

pas la partie la moins intressante du processus de management.

le datamining dans le business décisionnel

Documents