Université Mohammed Ben Abdellah École Supérieure d Technologie Fès Licence Professionnelle: Management International Et NTIC Exposé sous thème: Présenté par : Encadré par : OUAZZANI TOUHAMI Raouya Mr. HACHMOUD
Université Mohammed Ben AbdellahÉcole Supérieure d Technologie
Fès
Licence Professionnelle: Management International
Et NTICExposé sous thème:
Présenté par : Encadré par :
OUAZZANI TOUHAMI Raouya Mr. HACHMOUD
LAMRABET Betissam Année universitaire: 2007/2008
Plan
I- Qu’est ce que le DW ?II- Concept du DWIII- Mise en œuvre d’un DW IV- Les aspects techniquesV- Exploitation des entrepôts de données
I- Qu’est ce que le Data Mining?II- Quel sont les techniques principales du Data
Mining ?III- Domaines d'application du DATA MININGIV- Le Data Mining dans l'architecture du Data
WAREHOUSEV- Les différents modules du Data Mining
IntroductionIntroduction
ConclusionConclusion
Partie 1 : Data WAREHOUSEPartie 1 : Data WAREHOUSE
Partie 2 : Data MININGPartie 2 : Data MINING
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.
Introduction
1- Définition 1- Définition Data WarehouseData 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.
PartiePartie 1 : Data WAREHOUSE1 : Data WAREHOUSE
I- Qu’est ce que le I- Qu’est ce que le DW ?DW ?
2 -2 -Le schéma général d'un DATA WAREHOUSELe schéma général d'un DATA WAREHOUSE
3- Objectifs
intégrer différentes bases de données opérationnelles;intégrer différentes bases de données opérationnelles;
donner l ’accès aux informations du passé;donner l ’accès aux informations du passé;
fournir des outils d ’analyse sur ces données;fournir des outils d ’analyse sur ces données;
résumer les données;résumer les données;
réconcilier des données inconsistantes.réconcilier des données inconsistantes.
4- La structure du DATA WAREHOUS
Les donnéesLes données agrégéesagrégées Les méta- donnéesLes méta- données
Les données historiséesLes données historiséesLes donnéesLes données détailléesdétaillées
DATA WAREHOUSEDATA WAREHOUSE
Données détailléesDonnées détaillées
- Données se représentant aux événement les plus récent;
- données issues des systèmes de production qui se réalisent à ce
niveau de classe.
Données agrégéesDonnées 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 donnéesMéta 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 historiséesDonnées 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 intégréesDonnées intégrées
Données non volatilesDonnées non volatiles
DATA WAREHOUSE
III- Mise en œuvre d’un DATA
WAREHOUSEUn 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 techniques1-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.
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;
2- Modélisation
3.Les types de modéle
Modèle en étoile Modèle en flocon
V- Exploitation des entrepôts de données
1)1)Outils d’alimentation Outils d’alimentation
« ETL« ETL » »
2) Outils de restitution et d’analyse2) Outils de restitution et d’analyse
1)Outils d’alimentation « ETL »Les ETL (Extract, Transform, load) sont des outils qui ont
pour but de transformer les données primaires en informations stockées dans le DATA WAREHOUSE.
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:
I I Qu’est ce que le Data Mining?Qu’est ce que le Data Mining?
1- Définition Data MiningLe 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 desdonnées
DATA MINING
Connaissances(décision)
CompréhensionPrédiction
Découverte demodèles
Partie 2 : le Data MiningPartie 2 : le Data Mining
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 Technique utilisée
Knowledgeseeker Arbres de décision
Forecast Pro Prévision
Intelligent Miner Prévision
Alice Arbres de décision
Saxon Réseaux neuronaux
SAS System Statistiques, arbres de décision, réseaux neuronaux
Mine Set Arbres de décision, découverte de règles
STATlab Statistiques
SPSS Réseaux neuronaux
Arbres de décision
3- Les outil de Data Mining
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.
les techniques les techniques du Data Mining du Data Mining
Fractales
Découverte des règles
Arbres de décision
Signal Processing
Réseaux neuronaux
II- Quel sont les techniques du II- Quel sont les techniques du Data Mining ?Data Mining ?
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
Domaines d'application Domaines d'application du DATA MININGdu DATA MINING
Secteur Secteur bancairebancaire
La grandeLa grandedistributiondistribution
GestionGestion du risquedu risque
Secteur médicalSecteur médical
Gestion deGestion dela relation clientla relation client
Marketing Marketing stratégiquestratégique
Assurance Assurance de biens etde biens et
de personnesde personnes
Vente parVente parCorrespondanceCorrespondance
(VPC)(VPC)
Data WarehouseData Warehouse
Bases deproduction
Bases externes
Outilsd’alimentation
DataData MartsMarts
IV- Le Data Mining dans l'architecture du Data WareHouse
Meta données (DictionnaireMeta données (Dictionnaire))
Utilisateurs SIADUtilisateurs SIAD
Utilisateurs EISUtilisateurs EIS
Utilisateurs requêteursUtilisateurs requêteurs
OLAP
OLAP
Data MiningData Mining
Data MiningData Mining
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 :
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.
1- Segmentation1- Segmentation
La prévision permet de mesurer l’influence d'un paramètre présent dans une population sur l’ensemble des autres paramètres de cette population.
4- AssociationL’association permet d’analyser la présence simultanée
de valeur de paramètres sur un même critère ou sur deux paramètres différents.
5-Modèle SéquentielLe 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.
3-Prévision3-Prévision
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