OUAZZANI TOUHAMI Raouya et Lamrabet Betissam : Data

On qualifie d'informatique décisionnelle (en anglais « Business intelligence », parfois appelé tout simplement « le décisionnel ») l'exploitation des données de l'entreprise dans le but de faciliter la prise de décision par les décideurs, c'est-à-dire la compréhension du fonctionnement actuel et l'anticipation des actions pour un pilotage éclairé de l'entreprise. Les outils décisionnels comme le Data Warehouse et le Data Mining sont basés sur l'exploitation d'un système d'information décisionnel alimenté grâce à l'extraction de données diverses à partir des données de production, d'informations concernant l'entreprise ou son entourage et de données économiques.

Partie 1 : Data WAREHOUSE

I- Qu’est ce que le DW ?

1- Définition Data Warehouse

 Ensemble de données historisées variant dans le temps, organisé par sujets, consolidé dans une base de données unique, géré dans un environnement de stockage particulier, aidant à la prise de décision dans l’entreprise.

2 -Le schéma général d'un DATA WAREHOUSE

3- Objectifs

 intégrer différentes bases de données opérationnelles;  donner l ’accès aux informations du passé;  fournir des outils d ’analyse sur ces données;  résumer les données;  réconcilier des données inconsistantes.

4- La structure du DATA WAREHOUS

Les données agrégées

Les méta- données

Les données détaillées

DATA WAREHOUSE

Les données historisées



Données détaillées

- Données se représentant aux événement les plus récent; - données issues des systèmes de production qui se réalisent à ce niveau de classe. 

Données agrégées

- données issues d’analyse et de synthétisation au préalable des informations provenant des applications décisionnelles; - Elles représentent les informations ciblant directement les besoins des utilisateurs; - Elles sont sous une forme facilement accessible par l’utilisateur et sémantiquement cohérente pour la bonne compréhension des utilisateurs.



Méta données

- elles permettent de connaître le contenu du DW ; - ainsi de faciliter la recherche de données;  - elles contiennent les informations sur l’ensemble du DW;

Données historisées

- propres, validées et proprement agrégées.

- en harmonie avec la stratégie de l’entreprise.

- elles ne sont ni écrasées, ni modifiées, ni supprimées.

II- Concept du DATAWARHOUSE

Orientée sujet

Données intégrées

DATA WAREHOUSE

Données non volatiles

III- Mise en œuvre d’un DATA WAREHOUSE

Un DATA WAREHOUSE fait partie du domaine stratégique de l’entreprise, d’où l’implication nécessaire de la direction.

1 Bien connaître le métier des utilisateurs 2 Assurer une conduite de projet adapté 3 Critère de réussite

1- Bien connaître le métier des utilisateurs

Les utilisateurs doivent s’approprier le projet pour que celui-ci puisse répondre pleinement à leurs attentes, et pour cela il faut : - les informer très tôt, leur présenter le projet, la démarche et leur implication dans celui-ci.

- Les informer de l’état d’avancement.

- Leur présenter une version de pré production afin qu’ils puissent se faire une idée de la « solution finale ».

2- Assurer une conduite de projet adapté

 La spécification, puis la qualification des besoins que l’on chiffre pour donner naissance à une réalisation faisant l’objet d’une recette finale.

 Cette démarche est inapplicable dans le cas des DWH, car les utilisateurs sont incapables d’exprimer l’intégralité de leur besoin en une seule fois, parce qu’ils n’imaginent pas les possibilités offerte par ce type d’outil.

 Il faut donc construire son DWH par itérations successives

3- Critère de réussite

Pour que la mise en place et la pérennité d’un DWH se fasse, il faut: - une implication forte des utilisateurs; - un soutien convaincu de la direction générale; - un domaine d’activité et des objectifs clairs; - un effectif compétent; - un prototypage par itérations rapprochées; - un chef de projet expérimenté.

IV- Les aspects techniques

1-Les bases de données

OLAP (On-Line Analitical Processing)

C’est un mode de stockage prévu pour l’analyse statistique des données contenues dans la base; - Il est appliqué à un modèle virtuel de représentation de donnée appelé cube ou hypercube OLAP.

OLTP (On-Line Transactional Processing)

- C’est un mode de stockage fait pour les systèmes opérationnels; - Ils supportent très bien une utilisation transactionnelle de la base de données; - À ce mode de stockage est associé des requêtes type sont courtes et ne demandant pas beaucoup de ressource du côté du serveur de la base de données.

2- Modélisation

 

Les tables de dimensions:

- Elles contiennent les données qui permettent de définir un axe d’une étude. - Ce type de tables joue le rôle de référentiel au DATA WAREHOUSE

Les tables de faits:

 - Comme leur nom l’indique, Ces tables contiennent uniquement les données factuelles du DATA WAREHOUSE.

Les tables d'agrégats:

- Ces tables sont spéciales, elles permettent de simplifier le travail de restitution des logiciels d’analyse; - Elles contiennent des données à un niveau de granularité plus grand que dans les tables de faits;

3.Les types de modéle

Modèle en étoile Modèle en flocon

V- Exploitation des entrepôts de données

2) Outils de restitution et d’analyse 1) Outils d’alimentation « ETL

1)Outils d’alimentation « ETL »

Les ETL

(Extract, Transform, load)

pour but de transformer les données primaires en informations stockées dans le DATA WAREHOUSE. sont des outils qui ont Pour cela il est nécessaire de réaliser les fonctions suivantes : - Recherche et identification des données; - Contrôle de qualité (épuration et validation); - Extraction; - Transformation; - Chargement.

Figure : Le système d'alimentation

2- Outils de restitution et d’analyse

Source : Business & Decision

 Il s’agit des outils qui se branchent sur le DATA WAREHOUSE.  Il existe des logiciels de datamining qui permettent de trouver des corrélations entre les données, des tableurs et des requêteurs;  Ces derniers créent la requête en fonction des paramètres que vous leur donnez.

- les grands acteurs du décisionnel:

Partie 2 : le Data Mining

I Qu’est ce que le Data Mining?

1- Définition Data Mining

Le Data Mining, ou feuille de données, est l'ensemble des méthodes et techniques destinées à l'exploration et l'analyse de bases de données informatiques, afin d'en tirer des connaissances ,des règles, des associations, des structures particulières restituant l'essentiel de l'information utile en réduisant la quantité de données.

Entrepôt des données DATA MINING Découverte de modèles Connaissances (décision) Compréhension Prédiction

2- Le Data Mining est un processus

 Formaliser un problème que l'organisation cherche à résoudre en terme de données  Accéder aux données qu'elles en soient  Préparer les données en vue des traitements et utilisations futurs  Modéliser les données en leur appliquant des algorithmes d'analyse  Évaluer et valider les connaissances ainsi extraites des analyses  Déployer les analyses dans l'entreprise pour une utilisation effective

Les outils de data mining

Knowledgeseeker Forecast Pro Intelligent Miner Alice Saxon SAS System Mine Set STATlab SPSS

3- Les outil de Data Mining

Technique utilisée

Arbres de décision Prévision Prévision Arbres de décision Réseaux neuronaux Statistiques, arbres de décision, réseaux neuronaux Arbres de décision, découverte de règles Statistiques Réseaux neuronaux Arbres de décision

4- Les principales qualités d'un outil de Data Mining

   doivent offrir des richesses analytiques d'un niveau équivalent aux outils statistiques traditionnels.

doivent offrir une ergonomie, une convivialité, une facilité de mise en oeuvre et d'interprétation les rendant accessibles à des utilisateurs non statisticiens.

Les résultats fournis par l'outil doivent être clairs et compréhensibles   il ne doivent pas contenir trop de termes techniques statistiques Ils ne doivent pas être dédiés à un domaine particulier et doivent pouvoir résoudre différents problèmes provenant de contextes différents.

II- Quel sont les techniques du Data Mining ?

Réseaux neuronaux Découverte des règles

les techniques du Data Mining Fractales

Arbres de décision Signal Processing



Signal Processing

Cette technique consiste à positionner les données et les filtrer à travers une hypothèse pour essayer de faire apparaître un lien entre ces données.



Découverte de règles

Cette technique consiste à demander au système d’aller chercher dans les données une validation d’une règle connue ou de découvrir lui-même une règle. 

Arbres de décision

Cette technique consiste à formaliser un arbre qui va procéder à une analyse critère par critère.



Fractales

Cette technique consiste à Composer des segmentations à partir de modèles mathématiques basés sur des regroupements irréguliers de données.



Réseaux neuronaux

Cette technique consiste à l’utilisation des technologies d’intelligence artificielle afin de découvrir par l’apprentissage du moteur des liens non procéduraux.

III Domaines d'application du DATA MINING

Secteur bancaire Marketing stratégique La grande distribution Gestion de la relation client

Domaines d'application du DATA MINING

Assurance de biens et de personnes Gestion du risque Secteur médical Vente par Correspondance (VPC)

IV- Le Data Mining dans l'architecture du Data WareHouse

Bases de production

Data Marts

Meta données (Dictionnaire ) Utilisateurs SIAD

OLAP

Data Warehouse

OLAP

Utilisateurs EIS Data Mining Data Mining Outils d’alimentation Bases externes Utilisateurs requêteurs

V- Les différents modules du Data Mining

Le Data Mining utilise la technique de la

modélisation

pour faire des découvertes ou des prévisions.

l’outil Data Mining est en mesure de proposer une technique différente correspondant à des algorithmes et une méthode d’approche des données adéquates a fin de répondre à des problématiques concernant :

1- Segmentation

La segmentation permet de fragmenter la base de données en segments ayant des caractéristiques similaires et des comportements homogènes.

2- Classification

Il se propose de caractériser des groupes de populations homogènes en rapprochant des paramètres possédés par chacun des membres.

Ainsi, la classification permet de développer des profils de groupe à partir des critères des enregistrements.

3-Prévision

La prévision permet de mesurer l’influence d'un paramètre présent dans une population sur l’ensemble des autres paramètres de cette population.

4- Association

L’association permet d’analyser la présence simultanée de valeur de paramètres sur un même critère ou sur deux paramètres différents.

5-Modèle Séquentiel

Le modèle séquentiel induit des découvertes liées à l’axe temporel. Il permet de trouver des modèles de comportement qui présupposent des enchaînements systématiques qui suivront sur une période de temps.

Conclusion

L’utilisation des DATAWAREHOUSE est aujourd’hui très demandé dans le monde de l’entreprise, demande qui répond au besoin toujours plus présent des utilisateurs d’avoir les bonnes informations au bon moment. Ainsi que le Data Mining participant dès lors à une meilleur compréhension de l'activité des entreprises , et à une rationalisation avancée du stockage de l'information. Autrement dit, le Data Mining ne consiste pas en une succession d'études ad hoc mais doit bien permettre à l'organisation de capitaliser sur les connaissances acquises. C'est sa raison d'être.

Webographie

 www.wikipédia.org

 www.supinfo.com

Introdution au DataWareHouse.htm l’auteur Nicolas GUILLOT  www.ultrafluide.com

 www.journaldunet.com

 www.lincoln.fr