Chapitre 4 2014

529 vues

Publié le

Chapitre 4 2014

Publié dans : Formation
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
529
Sur SlideShare
0
Issues des intégrations
0
Intégrations
3
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Chapitre 4 2014

  1. 1. Décembre 2014 Information et technologies de l’information Par Mohamed Louadi ISG-Tunis Veuillez éteindre vos portables SVP Mohamed Louadi, PhD Tunis mlouadi@louadi.com1
  2. 2. Plan général CHAPITRE 1 Théories et modèles CHAPITRE 2 Les SI informatisés CHAPITRE 3 L’entreprise intégrée et l’entreprise étendue “If God were to humiliate a human being, He would deny him knowledge.” Imam Ali Ibn Abi Taleb (6ème siècle) وقال علي بن أبي طالب أمير المُؤمنين عليه السلام: إِذَا أَرْذَلَ اللهُ عَبْداً حَظَرَعَلَيْهِ الْعِلْمَ Mohamed Louadi, PhD Tunis mlouadi@louadi.com2 CHAPITRE 4 Le Knowledge Management • Définitions • Les composantes du savoir • Le savoir et les entreprises • Les types de savoir • Les TIC et la gestion des connaissances • Le data mining • Conclusion
  3. 3. Définitions “The key in business is to know something that nobody else knows.” Aristotle Onassis PHOTO: HULTON-DEUTSCH COLL Mohamed Louadi, PhD Tunis mlouadi@louadi.com3
  4. 4. Définitions Donnée, information et savoir, quelle est la différence? • Donnée: une observation • Information: une interprétation (analyse) de Mohamed Louadi, PhD Tunis mlouadi@louadi.com4 donnée •• • Connaissance: un retour d’expérience sur une information observation, ex.: il fait 18º C donnée, ex: il fait froid information, ex.: il faut allumer le chauffage. Pour Nonaka, l’aspect le plus important du savoir c’est l’action. Source: Nonaka, I. (1994). A Dynamic Theory of Organizational Knowledge Creation, Organization Science, Vol. 5, No. 1, pp. 14-37.
  5. 5. Définitions Nous retenons • 10% de ce que nous lisons lisons, • 20% de ce que nous écoutons écoutons, • 30% de ce que nous voyons voyons, 50% de ce que nous voyons et écoutons, écoutons • 70% de ce que nous disons et • jusqu’à 90% de ce que nous faisons. William Glasser Mohamed Louadi, PhD Tunis mlouadi@louadi.com5
  6. 6. Définitions Nous retenons • 10% de ce que nous lisons, • 20% de ce que nous écoutons, • 30% de ce que nous voyons, 50% de ce que nous voyons et écoutons, • 70% de ce que nous disons et • jusqu’à 90% de ce que nous faisons. William Glasser Mohamed Louadi, PhD Tunis mlouadi@louadi.com6
  7. 7. Définitions Nous retenons • 10% de ce que nous lisons, • 20% de ce que nous écoutons, • 30% de ce que nous voyons, 50% de ce que nous voyons et écoutons, Participation et action • 70% de ce que nous disons et • jusqu’à 90% de ce que nous faisons. William Glasser Mohamed Louadi, PhD Tunis mlouadi@louadi.com7
  8. 8. Définitions Définitions Mohamed Louadi, PhD Tunis mlouadi@louadi.com8
  9. 9. Définitions Donnée, information et contexte Mohamed Louadi, PhD Tunis mlouadi@louadi.com9
  10. 10. Définitions Donnée, information et contexte Mohamed Louadi, PhD Tunis mlouadi@louadi.com10
  11. 11. Définitions Donnée, information et savoir, quelle est la différence? Mohamed Louadi, PhD Tunis mlouadi@louadi.com11 • Donnée • Information • Connaissance I = Information D = Donnée k = Contexte I = D + k où Source: Knowledge Consult (2006). Nouvelles tendances dans les outils de KM, 6ème Forum International, Knowledge Management, Tunis 25 - 27 avril 2006 (Nouvelles tendances Outils du KM V1.1.ppt).
  12. 12. Définitions Donnée, information et savoir, quelle est la différence? Mohamed Louadi, PhD Tunis mlouadi@louadi.com12 • Donnée • Information • Connaissance C = Connaissance I = Information U = Utilisation C = I x U où Source: Knowledge Consult (2006). Nouvelles tendances dans les outils de KM, 6ème Forum International, Knowledge Management, Tunis 25 - 27 avril 2006 (Nouvelles tendances Outils du KM V1.1.ppt).
  13. 13. Définitions La somme du savoir et du non-savoir Sanders, I. (non daté). Strategic Innovation Management - Creating a Sustainable Competitive Advantage (Design for Innovation Ltd.), http://www.slideshare.net/iainsanders/strategic-innovation-management-for-a-competitive-advantage, consulté le 22 décembre 2012. Mohamed Louadi, PhD Tunis mlouadi@louadi.com13
  14. 14. Ce que vous savez que vous ne savez pas Ce que vous savez que vous savez Définitions Ce que vous ne savez pas que vous ne savez pas Sanders, I. (non daté). Strategic Innovation Management - Creating a Sustainable Competitive Advantage (Design for Innovation Ltd.), http://www.slideshare.net/iainsanders/strategic-innovation-management-for-a-competitive-advantage, consulté le 22 décembre 2012. Mohamed Louadi, PhD Tunis mlouadi@louadi.com14
  15. 15. Votre conscience Par exemple: Les meilleurs solutions pour maximiser la rentabilité des clients Définitions Ce que vous ne savez pas que vous ne savez pas Ce que vous savez que vous ne savez pas Ce que vous savez que vous savez Mohamed Louadi, PhD Tunis mlouadi@louadi.com15 Par exemple: Votre modèle d’affaires est dépassé, limitant votre efficacité et les chances d’accomplir un avantage compétitif durable Par exemple: Technologie, création de valeur dans le produit et le service Ce que vous ne savez pas à propos de vos clients et votre marché peut vous coûter des millions! Sanders, I. (non daté). Strategic Innovation Management - Creating a Sustainable Competitive Advantage (Design for Innovation Ltd.), http://www.slideshare.net/iainsanders/strategic-innovation-management-for-a-competitive-advantage, consulté le 22 décembre 2012.
  16. 16. Plan général CHAPITRE 1 Théories et modèles CHAPITRE 2 Les SI informatisés CHAPITRE 3 L’entreprise intégrée et l’entreprise étendue Mohamed Louadi, PhD Tunis mlouadi@louadi.com16 CHAPITRE 4 Le Knowledge Management • Définitions • Les composantes du savoir • Le savoir et les entreprises • Les types de savoir • Les TIC et la gestion des connaissances • Le data mining • Conclusion
  17. 17. Les composantes du savoir •• • Le LLee ccoonntteexxttee contexte • L’expérience • Les vérités absolues • Les meilleures pratiques (best practices) • Le sens commun • Le jugement • Les règles de base (rules of thumb) • Les valeurs et croyances • Les besoins • Les émotions • Les désirs • La socialisation au sein d’une culture D’après Wittgenstein (1960) et Dreyfus (1997). Mohamed Louadi, PhD Tunis mlouadi@louadi.com17
  18. 18. Le savoir et les entreprises • Les besoins en savoir et en formation augmentent et changent en raison de la rapidité des progrès technologiques. Les entreprises sont devenues de vastes machines de traitement de l’information. • On estime que les progrès rendent 50% des compétences obsolètes tous les 3-5 ans. La capacité humaine de traitement de l’information semble de plus en plus limitée. Mohamed Louadi, PhD Tunis mlouadi@louadi.com18
  19. 19. Le savoir et les entreprises • Le satellite Landsat, en opération depuis quarante ans, prend une photographie complète de toute la planète 2 fois par mois. La CIA, le FBI, la NSA, la DIA, l’armée américaine, la Maison Blanche, le gouvernement, tous aux budgets et aux moyens technologiques les plus avancés n’arrivaient pas à détecter le danger malgré leur possession des informations nécessaires sur le 11 septembre. Mohamed Louadi, PhD Tunis mlouadi@louadi.com19
  20. 20. Le savoir et les entreprises • Les besoins en savoir et en formation augmentent et changent en raison de la rapidité des progrès technologiques. Les entreprises sont devenues de vastes machines de traitement de l’information. • On estime que les progrès rendent 50% des compétences obsolètes tous les 3-5 ans. La capacité humaine de traitement de l’information semble de plus en plus limitée. • La technologie sert à mettre le savoir (connu) à la portée des masses. Il n’y a toujours que 24h par jour. Mohamed Louadi, PhD Tunis mlouadi@louadi.com20
  21. 21. Le savoir et les entreprises • La capacité d’une entreprise à gérer son savoir existant et à l’utiliser pour créer de nouveaux savoirs. • L’ensemble de pratiques et des outils qui visent à valoriser le patrimoine immatériel, et en particulier les connaissances (documentation, gestion des compétences, etc.) d’une entreprise. • L’utilisation effective de toutes les (res)sources de savoir disponibles. Cela englobe non seulement les systèmes informatiques, les fichiers et les bases de données, mais également ce qui est enfoui dans la mémoire des hommes. Mohamed Louadi, PhD Tunis mlouadi@louadi.com21
  22. 22. Le savoir et les entreprises Knowledge Management Système d’information Information Donnée Informatique Mohamed Louadi, PhD Tunis mlouadi@louadi.com22 Environnement Base de données Donnée Information Action Connaissance
  23. 23. Plan général CHAPITRE 1 Théories et modèles CHAPITRE 2 Les SI informatisés CHAPITRE 3 L’entreprise intégrée et l’entreprise étendue Mohamed Louadi, PhD Tunis mlouadi@louadi.com23 CHAPITRE 4 Le Knowledge Management • Définitions • Les composantes du savoir • Le savoir et les entreprises • Les types de savoir • Les TIC et la gestion des connaissances • Le data mining • Conclusion
  24. 24. Les types de savoir Une première classification en propose six: • Le savoir-comment, • Le savoir-qui, • Le savoir-quoi, • Le savoir-pourquoi, • Le savoir-quand et • Le savoir-où … sans oublier le savoir-faire, et…. le faire-savoir Mohamed Louadi, PhD Tunis mlouadi@louadi.com24
  25. 25. Les types de savoir Une autre en propose deux: • Le savoir explicite et • Le savoir tacite Mohamed Louadi, PhD Tunis mlouadi@louadi.com25
  26. 26. Les types de savoir Une autre en propose deux: • Le savoir explicite Il comprend les modèles formels, les règles et les procédures. C’est un savoir objectif et facilement communicable. Le savoir explicite est documenté ou susceptible d’être codifié et documenté. • Le savoir tacite Mohamed Louadi, PhD Tunis mlouadi@louadi.com26
  27. 27. Les types de savoir Une autre en propose deux: • Le savoir explicite Il comprend les modèles formels, les règles et les procédures. C’est un savoir objectif et facilement communicable. Le savoir explicite est documenté ou susceptible d’être codifié et documenté. • Le savoir tacite «We can know more than we can tell» (Polanyi, 1967). Il inclut les expériences et modèles mentaux des humains. C’est le savoir personnel. Il est fortement dépendant du contexte. Résidant le plus souvent dans la tête des individus, il peut être conscient ou inconscient. Il est généralement subjectif, basé sur l’expérience et le jugement qui peut ne pas être exprimé formellement (en chiffres ou en formules, par exemple). Il se prête par conséquent difficilement à la formalisation et à la communication. Mohamed Louadi, PhD Tunis mlouadi@louadi.com27
  28. 28. Les types de savoir Une autre en propose deux: • Le savoir explicite Il comprend les modèles formels, les règles et les procédures. C’est un savoir objectif et facilement communicable. Le savoir explicite est documenté ou susceptible d’être codifié et documenté. • Le savoir tacite Note: Le savoir implicite, quant à lui, est le savoir qui peut être articulé mais qui ne l’est pas (non-dit, sous-entendu, «évident», etc.) Il inclut les expériences et modèles mentaux des humains. C’est le savoir personnel. Il est fortement dépendant du contexte. Résidant le plus souvent dans la tête des individus, il peut être conscient ou inconscient. Il est généralement subjectif, basé sur l’expérience et le jugement qui peut ne pas être exprimé formellement (en chiffres ou en formules, par exemple). Il se prête par conséquent difficilement à la formalisation et à la communication. Mohamed Louadi, PhD Tunis mlouadi@louadi.com28
  29. 29. Les types de savoir Une autre en propose deux: • Le savoir explicite E = mc2 • Le savoir tacite 33000066 eesstt--iill ssuuiivvii ddee 00110077?? Oui puisque le 30 juin est suivi du 1er juillet Mohamed Louadi, PhD Tunis mlouadi@louadi.com29
  30. 30. Les types de savoir Mohamed Louadi, PhD Tunis mlouadi@louadi.com30
  31. 31. Les types de savoir Mohamed Louadi, PhD Tunis mlouadi@louadi.com31
  32. 32. Les types de savoir Mohamed Louadi, PhD Source: http://www.michigan.gov/msp/0,1607,7-123-1589_317 T8u6_n3i2s0 03-84299--,00.html mlouadi@louadi.co3m2
  33. 33. Les types de savoir Mohamed Louadi, PhD Tunis mlouadi@louadi.com33 Source: http://www.michigan.gov/msp/0,1607,7-123-1589_31786_32003-84299--,00.html
  34. 34. • Les faits • Les fonctions • Les relations • L’expertise • Les techniques • etc. Les types de savoir Le savoir explicite des humains Le savoir tacite/implicite des humains Mohamed Louadi, PhD Tunis mlouadi@louadi.com34
  35. 35. Les types de savoir Une troisième catégorisation propose: • Le savoir déclaratif et • Le savoir procédural Mohamed Louadi, PhD Tunis mlouadi@louadi.com35
  36. 36. Les types de savoir Une troisième catégorisation propose: • Le savoir déclaratif C’est la description des faits, des évènements, des objets et des choses. C’est le savoir quoi, le savoir qui, le savoir quand et le savoir où. • Le savoir procédural Aussi appelé le savoir comment C’est le savoir nécessaire pour faire les choses, il indique la manière de mettre en application les méthodes et les procédés. C’est également l’ensemble des aptitudes personnelles permettant de faire les choses et de les appliquer. Mohamed Louadi, PhD Tunis mlouadi@louadi.com36
  37. 37. Les types de savoir – Le savoir procédural Mohamed Louadi, PhD Tunis mlouadi@louadi.com37
  38. 38. Les types de savoir – Le savoir procédural Mohamed Louadi, PhD Tunis mlouadi@louadi.com38 1 2 3 4 5
  39. 39. Les types de savoir – Le savoir procédural Les dispositifs de GPS, comme ceux utilisés dans des systèmes de navigation d'automobile, permettent aux entreprises de pister le personnel de livraison, par exemple. Mohamed Louadi, PhD Tunis mlouadi@louadi.com39
  40. 40. Plan général CHAPITRE 1 Théories et modèles CHAPITRE 2 Les SI informatisés CHAPITRE 3 L’entreprise intégrée et l’entreprise étendue Mohamed Louadi, PhD Tunis mlouadi@louadi.com40 CHAPITRE 4 Le Knowledge Management • Définitions • Les composantes du savoir • Le savoir et les entreprises • Les types de savoir • Les TIC et la gestion des connaissances • Le data mining • Conclusion
  41. 41. Les TIC et la gestion des connaissances Mohamed Louadi, PhD Tunis mlouadi@louadi.com41
  42. 42. Les TIC et la gestion des connaissances Mohamed Louadi, PhD Tunis mlouadi@louadi.com42
  43. 43. Les TIC et la gestion des connaissances – Le modèle de Crié Connaissances PPaarrttaaggee Partage Stockage (on sait ce qu’on détient) Extttrractttiiion (on ne sait pas ce qu’on ne détient pas) (on sait ce qu’on ne détient pas) Mohamed Louadi, PhD Tunis mlouadi@louadi.com43
  44. 44. Connaissances Stockage (on sait ce qu’on détient) Partage (on sait ce qu’on ne détient pas) Mohamed Louadi, PhD Tunis mlouadi@louadi.com44 Fichiers Moteur de recherche traditionnel GED Text Mining Web Mining Data Mining Les TIC et la gestion des connaissances – Le modèle de Crié Extraction (on ne sait pas ce qu’on ne détient pas)
  45. 45. Les TIC et la gestion des connaissances – Le modèle de Crié Parmi les moteurs de recherche les plus connus, on compte: • Yahoo! http://www.yahoo.com • Google http://www.google.com • Hotbot http://www.hotbot.com • Excite http://www.excite.com • Lycos http://www.lycos.com • Ask Jeeves http://www.ask.com • WebCrawler http://www.webcrawler.com Source: Zikmund, W. G. et Babin, B.J. (2009). Essentials of Marketing Research, South-Western Cengage Learning. Mohamed Louadi, PhD Tunis mlouadi@louadi.com45
  46. 46. Les TIC et la gestion des connaissances – Le modèle de Crié Mohamed Louadi, PhD Tunis mlouadi@louadi.com46
  47. 47. Les TIC et la gestion des connaissances – Le modèle de Crié Internet Explorer Mozilla Firefox Safari Netscape Chrome Opera Mosaic Flock Konqueror xB Browser Maxthon Camino + Browser Avant + Crazy Browser + Chromium Mohamed Louadi, PhD Tunis mlouadi@louadi.com47
  48. 48. Browser Avant Crazy Browser Chromium Les TIC et la gestion des connaissances – Le modèle de Crié Internet Explorer Mozilla Firefox Safari Netscape Chrome Opera Mosaic Flock Konqueror xB Browser Maxthon Camino Mohamed Louadi, PhD Tunis mlouadi@louadi.com48
  49. 49. Les TIC et la gestion des connaissances – Le modèle de Crié Mohamed Louadi, PhD Tunis mlouadi@louadi.com49
  50. 50. Les TIC et la gestion des connaissances – Le modèle de Crié Mohamed Louadi, PhD Tunis mlouadi@louadi.com50
  51. 51. Les TIC et la gestion des connaissances – Le modèle de Crié Mohamed Louadi, PhD Tunis mlouadi@louadi.com51
  52. 52. Connaissances Stockage (on sait ce qu’on détient) Partage (on sait ce qu’on ne détient pas) Mohamed Louadi, PhD Tunis mlouadi@louadi.com52 Fichiers Moteur de recherche traditionnel GED Text Mining Web Mining Data Mining Les TIC et la gestion des connaissances – Le modèle de Crié Extraction (on ne sait pas ce qu’on ne détient pas)
  53. 53. Il y avait 148 discours de campagne électorale pour le Président Bush (le père) et 144 discours pour le Gouverneur Bush (le fils). Le père était un meilleur orateur que le fils. Le père semblait avoir plus de choses à dire et passait davantage de temps à en parler. Quoique les analyses révèlent une forte corrélation entre la façon de parler des deux hommes, le père avait de meilleures scores dans toutes les mesures. Le text mining See more at http://jrichardstevens.com/work/bushreferences.html Mohamed Louadi, PhD Tunis mlouadi@louadi.com53
  54. 54. Connaissances Stockage (on sait ce qu’on détient) Partage (on sait ce qu’on ne détient pas) Mohamed Louadi, PhD Tunis mlouadi@louadi.com54 Fichiers Moteur de recherche traditionnel GED Text Mining Web Mining Data Mining Les TIC et la gestion des connaissances – Le modèle de Crié Extraction (on ne sait pas ce qu’on ne détient pas)
  55. 55. Le Web mining Ginsberg et ses collègues avaient trouvé une méthode pour analyser un nombre impressionnant de requêtes de recherche sur Google pour localiser les cas de grippe dans la population américaine. En compilant des historiques de recherches effectuées entre 2003 et 2008, ils ont ainsi analysé 50 millions de requêtes par semaine. Ginsberg, J., Mohebbi, M.H., Patel, R.S., Brammer, L., Smolinski, M.S. et Brilliant, L. (2009). Detecting influenza epidemics using search engine query data, Nature, Vol. 457, February, pp. 1012-1015, http://li.mit.edu/Stuff/CNSE/Paper/Ginsberg09Mohebbi.pdf, consulté le 4 février 2014. Voir également Aramaki, E., Maskawa, S. et Morita, M. (2011).Twitter Catches The Flu: Detecting Influenza Epidemics using Twitter, Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing, pp. 1568–1576, https://aclweb.org/anthology/D/D11/D11-1145.pdf et Culotta, A. (2010). Towards detecting influenza epidemics by analyzing Twitter messages, 1st Workshop on Social Media Analytics (SOMA ’10), July 25, Washington, DC, USA, http://snap.stanford.edu/soma2010/papers/soma2010_16.pdf, consultés le 4 février 2014. Mohamed Louadi, PhD Tunis mlouadi@louadi.com55
  56. 56. Le Web mining Les Centers for Disease Control and Prevention (CDC) publient des données régionales et nationales issues de leurs observatoires un e fois par semaine, souvent avec un délai de une à deux semaines…. La fréquence des requêtes sur le Web était fortement corrélée avec les consultations chez les médecins, les chercheurs ont pu estimer l’activité grippale par semaine dans chaque région des Etats-Unis, avec un délai d’une journée. Ginsberg, J., Mohebbi, M.H., Patel, R.S., Brammer, L., Smolinski, M.S., and Brilliant, L. (2009). Detecting influenza epidemics using search engine query data, Nature, Vol. 457, February, pp. 1012-1015, http://li.mit.edu/Stuff/CNSE/Paper/Ginsberg09Mohebbi.pdf, last accessed Feb. 4, 2014. See also Aramaki, E., Maskawa, S., and Morita, M. (2011).Twitter Catches The Flu: Detecting Influenza Epidemics using Twitter, Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing, pp. 1568–1576, https://aclweb.org/anthology/D/D11/D11-1145.pdf and Culotta, A. (2010). Towards detecting influenza epidemics by analyzing Twitter messages, 1st Workshop on Social Media Analytics (SOMA ’10), July 25, Washington, DC, USA, http://snap.stanford.edu/soma2010/papers/soma2010_16.pdf, last accessed Feb 4, 2014. Mohamed Louadi, PhD Tunis mlouadi@louadi.com56
  57. 57. Le Web mining Ainsi une nouvelle méthode de détection des épidémies est de superviser les requêtes de demande d’informations relatives à la santé soumises quotidiennement par des millions d’utilisateurs de par le monde. WHO (2013). Influenza update, World Health Organization, 10 May, Update number 185, http://www.who.int/influenza/surveillance_monitoring/updates/2013_05_10_update_GIP_surveillance/en/index.html, consulté le 4 février 2014. Mohamed Louadi, PhD Tunis mlouadi@louadi.com57
  58. 58. Connaissances Stockage (on sait ce qu’on détient) Partage (on sait ce qu’on ne détient pas) Extraction (on ne sait pas ce qu’on détient) Mohamed Louadi, PhD Tunis mlouadi@louadi.com58 Fichiers Moteur de recherche traditionnel GED Text Mining Web Mining Data Mining Le modèle de Crié revisité
  59. 59. Plan général CHAPITRE 1 Théories et modèles CHAPITRE 2 Les SI informatisés CHAPITRE 3 L’entreprise intégrée et l’entreprise étendue Mohamed Louadi, PhD Tunis mlouadi@louadi.com59 CHAPITRE 4 Le Knowledge Management • Définitions • Les composantes du savoir • Le savoir et les entreprises • Les types de savoir • Les TIC et la gestion des connaissances • Le data mining • Conclusion
  60. 60. Le data mining Le data mining (forage de données) consiste en l’application de systèmes informatiques hautement complexes et sophistiqués sur les entrepôts de données. Ils utilisent des modèles descriptifs et prévisionnels. Avec ces systèmes, l’interrogation des données est faite automatiquement par le système contenant les algorithmes nécessaires, alors que dans les systèmes classiques (tels les SPR), l’interrogation est faite par l’humain. Le data mining est souvent associé à la notion de datawarehouse Mohamed Louadi, PhD Tunis mlouadi@louadi.com60
  61. 61. Le data mining – Les datawarehouses Base de données produits Base de données clients Mohamed Louadi, PhD Tunis mlouadi@louadi.com61 Base de données ventes Base de données fournis-seurs
  62. 62. Le data mining – Les datawarehouses Mohamed Louadi, PhD Tunis mlouadi@louadi.com62
  63. 63. Le data mining – Les datawarehouses Ce qui caractérise les données est qu’elles sont historisées. DATAWAREHOUSE Mohamed Louadi, PhD Tunis mlouadi@louadi.com63
  64. 64. Le data mining – Les datawarehouses Ce qui caractérise les données est qu’elles sont historisées. DATAWAREHOUSE Mohamed Louadi, PhD Tunis mlouadi@louadi.com64
  65. 65. Le data mining L’objectif principal du data mining est de fournir une aide à la décision aux preneurs de décision grâce à la découverte de connaissances grâce à l’analyse de vastes quantités de données historisées. en essayant de découvrir des modèles, des tendances, et des corrélations cachées dans les données pouvant aider une entreprise à améliorer sa performance. et en utilisant des modèles de régression, des arbres de décision, des réseaux de neurones, etc. Mohamed Louadi, PhD Tunis mlouadi@louadi.com65
  66. 66. Le data mining L’objectif principal du data mining est de fournir une aide à la décision aux preneurs de décision grâce à la découverte de connaissances grâce à l’analyse de vastes quantités de données historisées en essayant de découvrir des modèles, des tendances, et des corrélations cachées dans les données pouvant aider une entreprise à améliorer sa performance et en utilisant des modèles de régression, des arbres de décision, des réseaux de neurones, etc. Mohamed Louadi, PhD Tunis mlouadi@louadi.com66
  67. 67. Le data mining En somme, le data mining implique un ensemble de techniques statistiques pour analyser des données dans le but de déceler des relations inconnues ou insoupçonnées et d’identifier des tendances. Par exemple, dans un CRM, le data mining est utile pour déceler des comportements récurrents correspondant à des profils de clients. Mohamed Louadi, PhD Tunis mlouadi@louadi.com67
  68. 68. Le data mining A travers une analyse de corrélations, par exemple, le data mining peut révéler des associations entre la probabilité qu’un client qui achète un produit A achètera également un produit B. Produit A Produit B Produit C Produit D Produit E Produit F Produit G A B C D E F G Mohamed Louadi, PhD Tunis mlouadi@louadi.com68
  69. 69. Le data mining Les techniques et les modèles du data mining Les techniques d’apprentissage • Les techniques de bases de données • Les modèles statistiques Mohamed Louadi, PhD Tunis mlouadi@louadi.com69
  70. 70. Le data mining Les techniques et les modèles du data mining Les techniques d’apprentissage • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) • Les techniques de bases de données • Les modèles statistiques Mohamed Louadi, PhD Tunis mlouadi@louadi.com70
  71. 71. Le data mining – L’apprentissage supervisé Dans l’apprentissage supervisé, on connaît les Xi et les Yi et on cherche à établir une relation entre eux par voie de régression linéaire, par exemple: ß1, ß2, ß3, …. ßn: les coefficients de la régression Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn X1, X2,X3, …. Xn: les variables indépendantes (ou explicatives) Mohamed Louadi, PhD Tunis mlouadi@louadi.com71 Y: la variable dépendantes (ou expliquée, ou résultat)
  72. 72. Le data mining Les techniques et les modèles du data mining Les techniques d’apprentissage • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) • Les techniques de bases de données • Les modèles statistiques Mohamed Louadi, PhD Tunis mlouadi@louadi.com72
  73. 73. Le data mining – L’apprentissage non supervisé Dans l’apprentissage non supervisé • soit on connaît les Yi et on cherche les Xi • soit on connaît les Xi et on cherche les Yi Mohamed Louadi, PhD Tunis mlouadi@louadi.com73
  74. 74. Le data mining Les techniques et les modèles du data mining Les techniques d’apprentissage • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) • Les techniques de bases de données • Les modèles statistiques Mohamed Louadi, PhD Tunis mlouadi@louadi.com74
  75. 75. Le data mining – L’apprentissage semi supervisé Dans l’apprentissage semi supervisé • soit on connaît quelques Yi et tous les Xi et on cherche la relation entre X et Y • soit on connaît quelques Xi et tous les Yi et on cherche la relation entre X et Y Montant du crédit Taux du crédit Profession Etat civil Revenu Solvabilité 1.000.000 9,5% enseignant M 980.000 O 2.000.000 7,4% employé M 1.080.000 N 2.500.000 8,1% ouvrier C 1.200.000 O 2.200.000 5,3% cadre M 1.600.000 O 3.000.000 8,1% ouvrier M 1.500.000 N 1.900.000 6,1% avocat D 2.100.000 O 4.200.000 6,9% cadre M 1.800.000 O etc. Mohamed Louadi, PhD Tunis mlouadi@louadi.com75
  76. 76. Le data mining – L’apprentissage semi supervisé Montant du crédit Taux du crédit Profession Etat civil Revenu Solvabilité 1.000.000 9,5% enseignant M 980.000 O 2.000.000 7,4% employé M 1.080.000 N 2.500.000 8,1% ouvrier C 1.200.000 O 2.200.000 5,3% cadre M 1.600.000 O 3.000.000 8,1% ouvrier M 1.500.000 N 1.900.000 6,1% avocat D 2.100.000 O 4.200.000 6,9% cadre M 1.800.000 O etc. Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn Mohamed Louadi, PhD Tunis mlouadi@louadi.com76
  77. 77. Le data mining – L’apprentissage semi supervisé Montant du crédit Taux du crédit Profession Etat civil Revenu Solvabilité 1.000.000 9,5% enseignant M 980.000 O 2.000.000 7,4% employé M 1.080.000 N 2.500.000 8,1% ouvrier C 1.200.000 O 2.200.000 5,3% cadre M 1.600.000 O 3.000.000 8,1% ouvrier M 1.500.000 N 1.900.000 6,1% avocat D 2.100.000 O 4.200.000 6,9% cadre M 1.800.000 O etc. Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn Mohamed Louadi, PhD Tunis mlouadi@louadi.com77
  78. 78. Le data mining – L’apprentissage semi supervisé En cherchant les valeurs de X1, X2, etc. on obtient une régression à l’aide d’un logiciel approprié, dont l’output ressemblerait à: Mohamed Louadi, PhD Tunis mlouadi@louadi.com78
  79. 79. Le data mining – L’apprentissage semi supervisé Montant du crédit Taux du crédit Profession Etat civil Revenu Solvabilité 2.100.000 7,2% employé C 1.200.000 ? 1.900.000 7,4% employé M 1.170.000 ? 3.300.000 6,9% avocat C 1.900.000 ? 1.700.000 7,0% cadre M 2.050.000 ? 3.100.000 7,3% ouvrier M 1.200.000 ? 2.400.000 6,9% fonction M 1.100.000 ? 4.000.000 7,1% cadre M 1.900.000 ? Mohamed Louadi, PhD Tunis mlouadi@louadi.com79
  80. 80. Le data mining Les techniques et les modèles du data mining Les techniques d’apprentissage • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) • Les techniques de bases de données • Les modèles statistiques • Les modèles prévisionnels • Les modèles descriptifs Mohamed Louadi, PhD Tunis mlouadi@louadi.com80
  81. 81. Le data mining Dans les modèles prévisionnels, on connaît les Xi, on cherche Y: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn Mohamed Louadi, PhD Tunis mlouadi@louadi.com81
  82. 82. Le data mining – Les modèles prédictifs Tridas Vickie Mike Source: Pishvayi, S.J. (non daté). Data Mining Techniques for CRM, Tehran University, www.data-miners.com/companion/Chapter14- Example2.ppt, consulté le 30 septembre 2012. Mohamed Louadi, PhD Tunis mlouadi@louadi.com82 Honnête Wally Waldo Barney Escroc Honnête = a des yeux ronds et sourit
  83. 83. Le data mining – Les modèles prévisionnels On connaît les Xi, on cherche Y: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn • Quelle est la probabilité qu’un client aille à un concurrent? • Quelle est la probabilité pour qu’un constat d’accident de voiture soit frauduleux? • Quelle est la probabilité pour que le patient A attrape la maladie Mohamed Louadi, PhD Tunis mlouadi@louadi.com83 B? • Quelle est la probabilité pour que le client C passe une commande dans les 15 jours à venir? • Quel chiffre d’affaires est-ce que le client D générera l’an prochain? • Quelle est la probabilité pour que cet étudiant, accepté dans le Mastère, réussisse parmi les 5 premiers?
  84. 84. Le data mining Les techniques et les modèles du data mining Les techniques d’apprentissage • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) • Les techniques de bases de données • Les modèles statistiques • Les modèles prévisionnels • Les modèles descriptifs • Les modèles de classification • Les modèles de régression • Les modèles d’association • Les modèles de séquence d’événements • Les modèles de groupement (clustering models) Mohamed Louadi, PhD Tunis mlouadi@louadi.com84
  85. 85. Le data mining – Les modèles prévisionnels Dans les modèles descriptifs, on connaît Y, on cherche les Xi: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn • Les modèles de classification • Les modèles de régression • Les modèles d’association • Les modèles de séquence d’événements • Les modèles de groupement (clustering models) Mohamed Louadi, PhD Tunis mlouadi@louadi.com85
  86. 86. Le data mining – Les modèles prévisionnels On connaît Y, on cherche les Xi: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn • Les modèles de classification: constats frauduleux et constats non Mohamed Louadi, PhD Tunis mlouadi@louadi.com86 frauduleux • Les modèles de régression • Les modèles d’association • Les modèles de séquence d’événements • Les modèles de groupement (clustering models)
  87. 87. Le data mining – Les modèles prévisionnels On connaît Y, on cherche les Xi: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn • Les modèles de classification: constats frauduleux et constats non Mohamed Louadi, PhD Tunis mlouadi@louadi.com87 frauduleux • Les modèles de régression • Les modèles d’association: prévoient l’occurrence d’un deuxième événement étant donné l’occurrence du premier (les buveurs de thé achètent aussi du sucre 90% du temps) • Les modèles de séquence d’événements • Les modèles de groupement (clustering models)
  88. 88. Le data mining – Les modèles prévisionnels On connaît Y, on cherche les Xi: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn • Les modèles de classification: constats frauduleux et constats non Mohamed Louadi, PhD Tunis mlouadi@louadi.com88 frauduleux • Les modèles de régression • Les modèles d’association: prévoient l’occurrence d’un deuxième événement étant donné l’occurrence du premier (les buveurs de thé achètent aussi du sucre 90% du temps) • Les modèles de séquence d’événements: ceux qui louent la saison 1 de la série Game of Thrones, loueront la saison 2, dans cet ordre • Les modèles de groupement (clustering models)
  89. 89. Le data mining – Les modèles prévisionnels On connaît Y, on cherche les Xi: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn • Les modèles de classification: constats frauduleux et constats non Mohamed Louadi, PhD Tunis mlouadi@louadi.com89 frauduleux • Les modèles de régression • Les modèles d’association: prévoient l’occurrence d’un deuxième événement étant donné l’occurrence du premier (les buveurs de thé achètent aussi du sucre 90% du temps) • Les modèles de séquence d’événements: ceux qui louent la saison 1 de la série Game of Thrones, loueront la saison 2, dans cet ordre • Les modèles de groupement (clustering models): décrivent les groupements naturels (dans le tourisme, telle destination est recherchée par les gens de troisième âge)
  90. 90. Plan général CHAPITRE 1 Théories et modèles CHAPITRE 2 Les SI informatisés CHAPITRE 3 L’entreprise intégrée et l’entreprise étendue Mohamed Louadi, PhD Tunis mlouadi@louadi.com90 CHAPITRE 4 Le Knowledge Management • Définitions • Les composantes du savoir • Le savoir et les entreprises • Les types de savoir • Les TIC et la gestion des connaissances • Le data mining • Conclusion
  91. 91. Ne sait rien Conclusion Mohamed Louadi, PhD Tunis mlouadi@louadi.com91 A besoin de savoir Croit savoir mais ne sait pas Veut savoir mais ne saura jamais SSaaiitt ttoouutt N’a pas besoin de savoir Sait tout Sait mais ne dit pas Ne doit pas savoir Sait mais ne réalise pas « … Un profond changement est en train de se produire – une transition de la technologie en tant que moyen au service des individus vers la technologie au service des relations ». John Seely Brown Citation prélevée de Dugage, M.R. (2008). Organisation 2.0 - Le knowledge management nouvelle génération, Eyrolles.
  92. 92. CONCURRENTS BANQUE ADMINISTRATION SOUS-TRAITANTS Site Gestion de la financier trésorerie Publicité CLIENTS CLIENTS R&D Maintenance Télé-tutoring Distributeur/ Marchand Dématérialisation des procédures Gestion Mohamed Louadi, PhD Tunis mlouadi@louadi.com92 FOURNISSEURS ACTIONNAIRES Ventes Production GRH Finances CLIENTS Web FOURNISSEURS Marketing one-to-one CLIENTS Sites d’appel Marketing d’offres Veille technologique PARTENAIRES Veille concurrentielle et intelligence économique Co-ingénierie Extranet DG SCM / B2B Recherche nouveaux fournisseurs / Place de marché Achats Télétravail Site de recrutement e-mailing, site promotionnel, etc. EDI B2B CLIENTS e-commerce Télé-maintenance e-Learning SAV
  93. 93. CONCURRENTS BANQUE ADMINISTRATION SOUS-TRAITANTS Site Gestion de la financier trésorerie Publicité CLIENTS R&D Maintenance Télé-tutoring Dématérialisation des procédures Gestion Mohamed Louadi, PhD Tunis CLIENTSmlouadi@louCadLiI.EcoN9mTS3 FOURNISSEURS ACTIONNAIRES Ventes Production GRH Finances CLIENTS Web FOURNISSEURS Marketing one-to-one CLIENTS Sites d’appel Marketing d’offres Veille technologique PARTENAIRES Veille concurrentielle et intelligence économique Co-ingénierie Extranet DG SCM / B2B Recherche nouveaux fournisseurs / Place de marché Achats Télétravail Site de recrutement e-mailing, site promotionnel, etc. EDI B2B Distributeur/ Marchand e-commerce e-Learning SAV e-mailing, site e-commerce e-Learning Extranet Télé-maintenance
  94. 94. CONCURRENTS BANQUE ADMINISTRATION SOUS-TRAITANTS Site Extranet Extranet Gestion de la financier trésorerie S C M Télé-maintenance Publicité CLIENTS R&D Maintenance Télé-tutoring Dématérialisation des procédures Gestion KM Mohamed Louadi, PhD Tunis CLIENTSmlouadi@louCadLiI.EcoN9mTS4 FOURNISSEURS ACTIONNAIRES Ventes Production GRH Finances CLIENTS Web FOURNISSEURS Marketing one-to-one CLIENTS Sites d’appel Marketing d’offres Veille technologique PARTENAIRES Veille concurrentielle et intelligence économique Co-ingénierie Extranet DG SCM / B2B Recherche nouveaux fournisseurs / Place de marché Achats Télétravail Site de recrutement e-mailing, site promotionnel, etc. EDI B2B Distributeur/ Marchand e-commerce e-Learning SAV e-mailing, site e-commerce e-Learning
  95. 95. CONCURRENTS BANQUE ADMINISTRATION SOUS-TRAITANTS Site Gestion de la financier trésorerie Extranet Publicité CLIENTS CLIENTS R&D Maintenance Télé-tutoring Distributeur/ Marchand Dématérialisation des procédures Gestion Mohamed Louadi, PhD Tunis mlouadi@louadi.com95 FOURNISSEURS ACTIONNAIRES Ventes Production GRH Finances CLIENTS Web FOURNISSEURS Marketing one-to-one CLIENTS Sites d’appel Marketing d’offres Veille technologique PARTENAIRES Veille concurrentielle et intelligence économique Co-ingénierie Extranet DG SCM / B2B Recherche nouveaux fournisseurs / Place de marché Achats Télétravail Site de recrutement e-mailing, site promotionnel, etc. EDI B2B CLIENTS e-commerce Télé-maintenance e-Learning SAV e-mailing, site e-commerce e-Learning Extranet S C M KM Cette diapo est inspirée du travail de Jean-Michel Yolin. Principales utilisations des technologies de l'Internet dans une entreprise, http://www.yolin.net/prediagnostic.ppt, consulté le 20 janvier 2009
  96. 96. Récapitulatif général • Introduction générale • La théorie des systèmes • Le modèle d’Anthony • Le modèle de Nolan • Les décisions et les structures de décision • Définitions • Les différents types de systèmes • Les systèmes d’information fonctionnels • Le cycle transactionnel • Les évolutions récentes • Les systèmes ERP • Les avantages et les inconvénients • Les systèmes ERP «libres» • Les systèmes ERP en mode hébergé • Les systèmes ERP II • Les systèmes SCM • Les systèmes CRM • Conclusion CHAPITRE 1 Théories et modèles CHAPITRE 2 Les SI informatisés CHAPITRE 3 L’entreprise intégrée et l’entreprise étendue CHAPITRE 4 Le Knowledge Management • Définitions • Les composantes du savoir • Le savoir et les entreprises • Les types de savoir • Les TIC et la gestion des connaissances • Le data mining • Conclusion Mohamed Louadi, PhD Tunis mlouadi@louadi.com96
  97. 97. MERCI Mohamed Louadi, PhD Tunis mlouadi@louadi.com97

×