Fichier PDF

Partage, hébergement, conversion et archivage facile de documents au format PDF

Partager un fichier Mes fichiers Convertir un fichier Boite à outils Recherche Aide Contact



SIanalytic .pdf



Nom original: SIanalytic.pdf
Titre: SIanalytic
Auteur: acer

Ce document au format PDF 1.3 a été généré par PScript5.dll Version 5.2 / GPL Ghostscript 8.15, et a été envoyé sur fichier-pdf.fr le 13/05/2011 à 22:42, depuis l'adresse IP 41.200.x.x. La présente page de téléchargement du fichier a été vue 1415 fois.
Taille du document: 1.2 Mo (12 pages).
Confidentialité: fichier public




Télécharger le fichier (PDF)









Aperçu du document


Les systèmes d'information
analytiques

PLAN



Le cycle de decision
Les composants analytiques
ETL (Extract, Transform and Load)
Entrepot de données (Data warehouse)
Reporting
Traitement analytique en ligne (OLAP)
Fouille de données

Dr A.R. Baba-ali
Maitre de conferences USTHB



A.R Baba-ali

1

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

Exemple
A.R Baba-ali

2

Etapes de decision

Prise de décision
• Etudier les données du passé
• Pour comprendre les connaissances du
présent

Connaissances

Données

• Pour entreprendre les actions du futur

Decisions

Passé
A.R Baba-ali

Futur

Présent

5

A.R Baba-ali

6

Les Composants analytiques
Cycle de decision

autres

Planification

Analyse

source
s
Bases donnees
Operationnelles

Connaissances

OLAP
analysis
Extract
Transform
Load
( ETL )

ENTREPOT

Données

DATA
mining

Reporting

Données
Decisions

Acquisition
données

Historiser
A.R Baba-ali

7

Stockage
données
A.R Baba-ali

Acquisition
Connaissances

Decisions
8

Les Composants analytiques

Les Outils ETL

autres

source
s
Bases donnees
Operationnelles

OLAP
analysis
Extract
Transform
Load
( ETL )

DATA
mining

ENTREPOT

Données

Reporting

Acquisition
données

Stockage
données

Acquisition
Connaissances

A.R Baba-ali

Decisions
9

A.R Baba-ali

10

Les Composants analytiques

Les outils d’extraction
autres

source
s

• Fonctions attendues:
– Rassembler des données de sources diverses
et de formats différents

Bases donnees
Operationnelles

– Unification des représentations

OLAP
analysis
Extract
Transform
Load
( ETL )

ENTREPOT

Données

– Transformation de données

Reporting

– Corrections d ’irrégularités, compléter les
données manquantes
A.R Baba-ali

DATA
mining

11

Acquisition
données

Stockage
données
A.R Baba-ali

Acquisition
Connaissances

Decisions
12

Bases de données
Entrepôt de données
Bases de données

Entrepôt de données



Représente l’état d’une entreprise



Représente l’archive d’une entreprise



Transactions courtes, isolées



Analyses longues



Données détaillées, et instantanées



Données historisées, résumés temporels



lire et mettre à jour très rapidement
quelques données



lire des millions de données, les données
sont uniquement ajoutées et jamais
supprimées ou modifiées



Données relationnelles



Données multidimensionnelles

A.R Baba-ali

Définition

14

Définition

Cube :
• Un ensemble de mesures organisées selon un
ensemble de dimensions (aussi hypercube)
Exemple. Un cube de ventes qui comprend :

Dimension :
• Une dimension peut être définie comme un thème, ou un axe
(attributs), selon lequel les données seront analysées (en
fonction de …)
– Ex. Temps, Découpage administratif, Produits

• Les dimensions Temps, Produit, Magasin
• La mesure Ventes en $

• Une dimension contient des membres organisés en
hiérarchie, chacun des membres appartenant à un niveau
hiérarchique (ou niveau de granularité) particulier

client

– Ex. Pour la dimension Temps, les années, les mois et les jours peuvent
être des exemples de niveaux hiérarchiques. 1998 est un exemple de
membre du niveau Année

article

Temps

A.R Baba-ali

15

A.R Baba-ali

16

Définition

Données Multidimentionnelles
• Volume des ventes en function des
produits, mois, et region
Hierarchie des dimensions

Re
gi
on

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).

Industrie Region

Année

Categorie Pays

Produit

Mesure :
• Une mesure est un élément de donnée sur lequel
portent les analyses, en fonction des différentes
dimensions

Produit

Ville

Trimestre
Mois

Antenne

– Ex. coût des travaux, nombre d’accidents, ventes, dépenses
A.R Baba-ali

Temps

17

A.R Baba-ali

18

Exemple de vues d’un cube

Exemple de cube

Mesure

Dimensions

1trim

2trim 3trim

4trim ∑
U.S.A



Canada
Mexico

Pays

Pr
od
ui
t

Date

TV
PC
VCR

Somme∑

A.R Baba-ali

19

A.R Baba-ali

20

semaine
Jour

Les Composants analytiques

Le reporting traditionnel

autres

source
s
Bases donnees
Operationnelles

OLAP
analysis
Extract
Transform
Load
( ETL )

ENTREPOT

Données

DATA
mining

Reporting

Acquisition
données

Stockage
données
A.R Baba-ali

Acquisition
Connaissances

Decisions
21

Tableaux de bord
• Accès facile & convivial
– Aux informations
• sur l'entreprise
• sur son
environnement
• Destiné aux dirigeants
– Construits sur-mesure
– Temps réel
• Systèmes d’information
des dirigeants

A.R Baba-ali

A.R Baba-ali

22

Exemple d’indicateurs
Cliquez pour ajouter un plan

23

A.R Baba-ali

24

Exemples d’ Operations OLAP

Les Composants analytiques
autres

Operationnelles

Extract
Transform
Load
( ETL )

Date

• Drill down :

DATA
mining

ENTREPOT

Données

TV
PC
VCR

1trim

2trim 3trim

4trim ∑
U.S.A



Canada

• Slice :

Mexico

Reporting

• Pivot (rotate):
Acquisition
données

Stockage
données

Acquisition
Connaissances

A.R Baba-ali

Decisions
25

Slice

A.R Baba-ali

Somme∑

A.R Baba-ali

26

Rotation (Pivot Table)

27

A.R Baba-ali

28

Pays

Bases donnees

• Drill-up:

OLAP
analysis

Pr
od
ui
t

source
s

Possibilités de Visualisation
avec combinaisons des mesures et des dimensions

A.R Baba-ali

Possibilités de visualisation (suite)

A.R Baba-ali

31

30

Possibilités de visualisation
graphiques

A.R Baba-ali

32

Visualisation automatique
d’exceptions

A.R Baba-ali

33

A.R Baba-ali

Les Composants analytiques
autres

source
s
Bases donnees
Operationnelles

OLAP
analysis
Extract
Transform
Load
( ETL )

ENTREPOT

Données

DATA
mining

Reporting

Acquisition
données

Stockage
données
A.R Baba-ali

Acquisition
Connaissances

Decisions
35

Possibilités de calcul étendues

34

Exemple de données pour
le data mining

Illustration de données tabulaires
et de modèle

Decision

Attributs

Attributs

Ou

Attribut de classe

Code

Situation
familliale

Nombre
enfants

epargne

maison

Ancienneté

Historique

Code

Situation
familliale

Nombre
enfants

epargne

maison

Ancienneté

Historique

1

M

2

120 000

P

2

remboursé

1

C

0

120 000

P

2

remboursé

2

C

0

20 000

L

1

Non
remboursé

2

M

3

20 000

L

1

Non
remboursé

3

C

0

450 000

P

12

remboursé

3

C

0

450 000

P

12

remboursé

….





….



….





….



… ….

Instances

Instances

classe

… ….

Data Mining

Attributs
numériques

Modèle

Si (Situation=célibataire )

Attributs nominaux
A.R Baba-ali

et (Epargne >50000) Alors

37

Definition: Modèle prédictif

:

38

Exemple de modèle de classification
(modèle de réponse)
10 000 mails
Réponse : 2.6 %
Sexe=femme

Sexe=homme

5323

4677

Réponse : 2.1 %

Réponse : 3.2 %

Classer
Preter ou Ne pas preter ?
(classe ou nominal)

Age
Situation familiale

Modèle

Nombre d’enfants

Estimer
% Risque ?
(numerique)

Crédit Oui

A.R Baba-ali

• Une connaissance qui permet de faire
des predictions sur le futur basées
sur des données du présent et du
passé.

Montant epargne

Données
D’apprentissage

Revenu < 30000

Revenu > 45000
Age < 40

30000 <= Revenu <= 45000

Age >= 40

1290

2106

1281

3112

2211

Réponse : 1.7 %

Réponse : 3.6 %

Réponse : 4.1 %

Réponse : 0.7 %

Réponse : 4.3 %

Modèle :
Si ( homme ET revenu> 45K ) OU ( femme ET age>=40 )

A.R Baba-ali

39

A.R avec
Baba-ali
40 > 4%
ALORS réponse=oui
une probabilité de réponse

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

A.R Baba-ali

Segmentation
C'est le processus de partitionnement d'une
population de clients par exemple, en sous
populations homogènes.

41

A.R Baba-ali

42

Segmentation
Example de la segmentation

age

age

10

10

9

9

8

8

7

7

6

6

5

5

4

4

3

Question : Quelles catégories ?

Cluster
algorithm

3

2

2

1

1

0
0

1

2

3

4

5

6

7

8

9

10

0
0

1

2

3

4

5

6

7

8

taille

Le CRM par A.R Baba-ali

9

10

taille

43

Données de
départ

Données Clusterisées

Processus de Clusterisation

Le CRM par A.R Baba-ali

44

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


Documents similaires


Fichier PDF sianalytic
Fichier PDF gto etablissements techniques extinction 1
Fichier PDF crisp dm
Fichier PDF cursus gestion operationnelle des rh 20 jours
Fichier PDF cours marketing operationnel
Fichier PDF partie ii exploitation donnees 2014


Sur le même sujet..