Premier semestre 2014-2015 
“If God were to humiliate a human 
being, He would deny him knowledge.” 
Imam Ali Ibn Abi Tale...
2 
Technologie de 
l’information 
Définitions 
• Les investissements génèrent-ils de 
la valeur pour l’entreprise? 
• Sont...
3 
Management 
Définitions 
• Faisons-nous ce qu’il faut? 
• Le faisons-nous comme il le 
faut? 
• Sommes-nous en train d’...
4 
Définitions
Management 
Technologie de 
l’information 
Définitions 
Generic Alignment Framework, April 29, 2011, http://businessitalig...
6 
Définitions 
Que devons-nous gérer? 
• L’information au niveau individuel? 
• L’information au niveau organisationnel? ...
7 
“The key in business is to know 
something that nobody else 
knows.” 
Aristotle Onassis 
PHOTO: HULTON-DEUTSCH COLL 
Dé...
8 
Définitions 
Donnée, information et savoir, quelle 
est la différence? 
• Donnée: une observation 
• Information: une i...
9 
Nous retenons 
• 10% de ce que nous lisons 
lisons, 
• 20% de ce que nous écoutons 
voyons 
écoutons 
Définitions 
écou...
10 
Définitions 
Nous retenons 
• 10% de ce que nous lisons, 
• 20% de ce que nous écoutons, 
• 30% de ce que nous voyons,...
11 
Définitions 
Définitions
12 
Définitions 
Donnée, information et contexte
13 
Définitions 
Donnée, information et contexte
14 
Définitions 
Donnée, information et savoir, quelle 
est la différence? 
• Donnée 
• Information 
• Connaissance 
I = I...
15 
Définitions 
Donnée, information et savoir, quelle 
est la différence? 
• Donnée 
• Information 
• Connaissance 
C = C...
16 
Définitions 
La somme du savoir et du non-savoir 
Sanders, I. (non daté). Strategic Innovation Management - Creating a...
17 
Ce que vous 
savez que 
vous ne savez 
pas 
Ce que vous 
savez que 
vous savez 
Définitions 
Ce que 
vous ne 
savez pa...
Par exemple: 
Les meilleurs 
solutions pour 
maximiser la 
rentabilité des 
clients 
18 
Votre conscience 
Définitions 
Pa...
19 
Les composantes du savoir 
•• • Le LLee ccoonntteexxttee 
contexte 
• L’expérience 
• Les vérités absolues 
• Les meil...
20 
Le savoir et les entreprises 
• Les besoins en savoir et en formation augmentent et 
changent en raison de la rapidité...
21 
Le savoir et les entreprises 
• Le satellite Landsat, en opération depuis quarante ans, 
prend une photographie complè...
Le savoir et les entreprises 
• On estime que les progrès rendent 50% des compétences 
22 
• Les besoins en savoir et en f...
Le savoir et les entreprises 
• La capacité d’une entreprise à gérer son savoir existant et 
23 
à l’utiliser pour créer d...
24 
Le savoir et les entreprises
2255 
Knowledge and the 
Organization 
Informatique 
Base de 
données
2266 
Système d’information 
Informatique 
Knowledge and the 
Organization 
Base de 
données 
Donnée Information
2277 
Knowledge Management 
Système d’information 
Information 
Donnée 
Informatique 
Knowledge and the 
Organization 
Env...
28 
Les types de savoir 
Une première classification en propose six: 
• Le savoir-comment, 
• Le savoir-qui, 
• Le savoir-...
29 
Les types de savoir 
Une autre en propose deux: 
• Le savoir explicite et 
• Le savoir tacite
30 
Les types de savoir 
Une autre en propose deux: 
• Le savoir explicite 
Il comprend les modèles formels, les règles et...
«We can know more than we can 
tell» (Polanyi, 1967). 
31 
Les types de savoir 
Une autre en propose deux: 
• Le savoir ex...
Note: Le savoir implicite, quant à lui, est le 
savoir qui peut être articulé mais qui ne l’est 
pas (non-dit, sous-entend...
33 
Les types de savoir 
Une autre en propose deux: 
• Le savoir explicite 
E = mc2 
• Le savoir tacite 
3006 est-il suivi...
34 
Les types de savoir
35 
Les types de savoir 
موعدنا بعد صلاة العصر 
موعدنا على الساعة 3:28
36 
Les types de savoir 
SAVOIR 
Oui Non 
Oui Non 
SAVOIR 
IMPLICITE 
SAVOIR 
EXPLICITE 
SAVOIR 
TACITE 
Est-il possible 
...
Les types de savoir 
37 Source: http://www.michigan.gov/msp/0,1607,7-123-1589_31786_32003-84299--,00.html
38 
Les types de savoir 
Source: http://www.michigan.gov/msp/0,1607,7-123-1589_31786_32003-84299--,00.html
39 
• Les faits 
• Les fonctions 
• Les relations 
• L’expertise 
• Les techniques 
• etc. 
Le savoir explicite 
des humai...
40 
Les types de savoir 
Une troisième catégorisation propose: 
• Le savoir déclaratif et 
• Le savoir procédural
41 
Les types de savoir 
Une troisième catégorisation propose: 
• Le savoir déclaratif 
C’est la description des faits, de...
42 
Les types de savoir – Le savoir procédural
43 
Les types de savoir – Le savoir procédural 
1 
2 
3 
4 
5
Les dispositifs de GPS, comme ceux utilisés dans des systèmes de 
navigation d'automobile, permettent aux entreprises de p...
45 
Les types de savoir 
SAVOIR 
DECLARATIF 
SAVOIR 
Oui Non 
Oui Non 
SAVOIR 
IMPLICITE 
SAVOIR 
PROCEDURAL 
SAVOIR 
EXPL...
46 
Plan général 
CHAPITRE 1 
Théories et modèles 
CHAPITRE 2 
Les SI informatisés 
CHAPITRE 3 
L’entreprise intégrée et 
...
47 
Les TIC et la gestion des 
connaissances
48 
Les TIC et la gestion des 
connaissances – Le modèle de Crié 
Connaissances 
Partage 
Stockage 
(on sait ce qu’on 
dét...
49 
Connaissances 
Stockage 
(on sait ce qu’on 
détient) 
Partage 
(on sait ce qu’on 
ne détient pas) 
Fichiers 
Moteur de...
Les TIC et la gestion des 
connaissances – Le modèle de Crié 
Parmi les moteurs de recherche les plus connus, on compte: 
...
51 
Les TIC et la gestion des 
connaissances – Le modèle de Crié
52 
Internet Explorer Mozilla Firefox Safari Netscape 
Chrome Opera 
Mosaic Flock 
Konqueror xB Browser Maxthon 
Camino 
+...
53 
Browser Avant 
Crazy Browser 
Chromium 
Les TIC et la gestion des 
connaissances – Le modèle de Crié 
Internet Explore...
54 
Les TIC et la gestion des 
connaissances – Le modèle de Crié
55 
Les TIC et la gestion des 
connaissances – Le modèle de Crié
56 
Les TIC et la gestion des 
connaissances – Le modèle de Crié
57 
Connaissances 
Stockage 
(on sait ce qu’on 
détient) 
Partage 
(on sait ce qu’on 
ne détient pas) 
Fichiers 
Moteur de...
Il y avait 148 discours de campagne 
électorale pour le Président Bush (le père) et 
144 discours pour le Gouverneur Bush ...
59 
Connaissances 
Stockage 
(on sait ce qu’on 
détient) 
Partage 
(on sait ce qu’on 
ne détient pas) 
Fichiers 
Moteur de...
60 
Le Web mining 
Ginsberg et ses collègues avaient 
trouvé une méthode pour analyser 
un nombre impressionnant de 
requê...
Les Centers for Disease Control and Prevention (CDC) publient 
des données régionales et nationales issues de leurs 
obser...
Ainsi une nouvelle méthode de détection des épidémies est de 
superviser les requêtes de demande d’informations relatives ...
63 
Connaissances 
Stockage 
(on sait ce qu’on 
détient) 
Partage 
(on sait ce qu’on 
ne détient pas) 
Extraction 
(on ne ...
Le data mining 
Le data mining (forage de données) consiste en l’application 
de systèmes informatiques hautement complexe...
65 
Le data mining – Les datawarehouses 
Base de 
données 
produits 
Base de 
données 
clients 
Base de 
données 
ventes 
...
66 
Le data mining – Les datawarehouses
67 
Le data mining – Les datawarehouses 
Ce qui caractérise les 
données est qu’elles 
sont historisées. 
DATAWAREHOUSE
68 
Le data mining – Les datawarehouses 
Ce qui caractérise les 
données est qu’elles 
sont historisées. 
DATAWAREHOUSE
69 
Le data mining 
L’objectif principal du data mining est de fournir une aide 
à la décision aux preneurs de décision gr...
70 
Le data mining 
L’objectif principal du data mining est de fournir une aide 
à la décision aux preneurs de décision gr...
En somme, le data mining implique un ensemble de 
techniques statistiques pour analyser des données dans le 
but de décele...
72 
Le data mining 
A travers une analyse de corrélations, par exemple, le 
data mining peut révéler des associations entr...
Le data mining 
Les techniques et les modèles du data mining 
73 
Les techniques d’apprentissage 
• Les techniques de base...
Le data mining 
Les techniques et les modèles du data mining 
74 
Les techniques d’apprentissage 
• L’apprentissage superv...
75 
Le data mining – L’apprentissage supervisé 
Dans l’apprentissage supervisé, on connaît les Xi et les 
Yi et on cherche...
Le data mining 
Les techniques et les modèles du data mining 
76 
Les techniques d’apprentissage 
• L’apprentissage superv...
77 
Le data mining – L’apprentissage non supervisé 
Dans l’apprentissage non supervisé 
• soit on connaît les Yi et on che...
Le data mining 
Les techniques et les modèles du data mining 
78 
Les techniques d’apprentissage 
• L’apprentissage superv...
79 
Le data mining – L’apprentissage semi supervisé 
Dans l’apprentissage semi supervisé 
• soit on connaît quelques Yi et...
Le data mining – L’apprentissage semi supervisé 
Etat 
civil Revenu Solvabilité 
80 
Montant 
du crédit Taux du crédit Pro...
Le data mining – L’apprentissage semi supervisé 
Etat 
civil Revenu Solvabilité 
81 
Montant 
du crédit Taux du crédit Pro...
82 
Le data mining – L’apprentissage semi supervisé 
En cherchant les valeurs de X1, X2, etc. on obtient une 
régression à...
83 
Le data mining – L’apprentissage semi supervisé 
Montant 
du crédit Taux du crédit Profession 
Etat 
civil Revenu Solv...
Le data mining 
Les techniques et les modèles du data mining 
84 
Les techniques d’apprentissage 
• L’apprentissage superv...
85 
Le data mining 
Dans les modèles prévisionnels, on connaît les Xi, on cherche Y: 
Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnX...
Le data mining – Les modèles prédictifs 
Source: Pishvayi, S.J. (non daté). Data Mining Techniques for CRM, Tehran Univers...
87 
Le data mining – Les modèles prévisionnels 
On connaît les Xi, on cherche Y: 
Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn 
•...
Le data mining 
Les techniques et les modèles du data mining 
88 
Les techniques d’apprentissage 
• L’apprentissage superv...
89 
Le data mining – Les modèles prévisionnels 
Dans les modèles descriptifs, on connaît Y, on cherche les Xi: 
Y = ß0 + ß...
90 
Le data mining – Les modèles prévisionnels 
On connaît Y, on cherche les Xi: 
Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn 
•...
91 
Le data mining – Les modèles prévisionnels 
On connaît Y, on cherche les Xi: 
Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn 
•...
92 
Le data mining – Les modèles prévisionnels 
On connaît Y, on cherche les Xi: 
Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn 
•...
93 
Le data mining – Les modèles prévisionnels 
On connaît Y, on cherche les Xi: 
Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn 
•...
Ne sait 
rien 
94 
Conclusion 
A besoin 
de savoir 
Croit savoir 
mais ne sait 
pas 
Veut savoir 
mais ne 
saura jamais 
S...
95 
MERCI
Prochain SlideShare
Chargement dans…5
×

Knowledge management

525 vues

Publié le

0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
525
Sur SlideShare
0
Issues des intégrations
0
Intégrations
2
Actions
Partages
0
Téléchargements
0
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Knowledge management

  1. 1. Premier semestre 2014-2015 “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 Veuillez éteindre vos portables ou les mettre à silencieux, SVP 1 Knowledge Management
  2. 2. 2 Technologie de l’information Définitions • Les investissements génèrent-ils de la valeur pour l’entreprise? • Sont-ils faits à un coût acceptable? • Sont-ils faits à un risque acceptable?
  3. 3. 3 Management Définitions • Faisons-nous ce qu’il faut? • Le faisons-nous comme il le faut? • Sommes-nous en train d’en tirer les bénéfices?
  4. 4. 4 Définitions
  5. 5. Management Technologie de l’information Définitions Generic Alignment Framework, April 29, 2011, http://businessitalignment.wordpress.com/, last accessed Jan 23, 2013. 5
  6. 6. 6 Définitions Que devons-nous gérer? • L’information au niveau individuel? • L’information au niveau organisationnel? • La connaissance au niveau individuel? • La connaissance au niveau organisationnel?
  7. 7. 7 “The key in business is to know something that nobody else knows.” Aristotle Onassis PHOTO: HULTON-DEUTSCH COLL Définitions
  8. 8. 8 Définitions Donnée, information et savoir, quelle est la différence? • Donnée: une observation • Information: une interprétation (analyse) de 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.
  9. 9. 9 Nous retenons • 10% de ce que nous lisons lisons, • 20% de ce que nous écoutons voyons écoutons Définitions 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
  10. 10. 10 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
  11. 11. 11 Définitions Définitions
  12. 12. 12 Définitions Donnée, information et contexte
  13. 13. 13 Définitions Donnée, information et contexte
  14. 14. 14 Définitions Donnée, information et savoir, quelle est la différence? • 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).
  15. 15. 15 Définitions Donnée, information et savoir, quelle est la différence? • 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).
  16. 16. 16 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.
  17. 17. 17 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.
  18. 18. Par exemple: Les meilleurs solutions pour maximiser la rentabilité des clients 18 Votre conscience Définitions 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 que vous ne savez pas Ce que vous ne savez pas à propos de vos clients et votre marché peut vous couter des millions! Ce que vous savez que vous ne savez pas Ce que vous savez que vous savez 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.
  19. 19. 19 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).
  20. 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.
  21. 21. 21 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.
  22. 22. Le savoir et les entreprises • On estime que les progrès rendent 50% des compétences 22 • 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. 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.
  23. 23. Le savoir et les entreprises • La capacité d’une entreprise à gérer son savoir existant et 23 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.
  24. 24. 24 Le savoir et les entreprises
  25. 25. 2255 Knowledge and the Organization Informatique Base de données
  26. 26. 2266 Système d’information Informatique Knowledge and the Organization Base de données Donnée Information
  27. 27. 2277 Knowledge Management Système d’information Information Donnée Informatique Knowledge and the Organization Environnement Base de données Donnée Information Action Connaissance
  28. 28. 28 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
  29. 29. 29 Les types de savoir Une autre en propose deux: • Le savoir explicite et • Le savoir tacite
  30. 30. 30 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
  31. 31. «We can know more than we can tell» (Polanyi, 1967). 31 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 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.
  32. 32. 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.) 32 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 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.
  33. 33. 33 Les types de savoir Une autre en propose deux: • Le savoir explicite E = mc2 • Le savoir tacite 3006 est-il suivi de 0107? Oui puisque le 30 juin est suivi du 1er juillet
  34. 34. 34 Les types de savoir
  35. 35. 35 Les types de savoir موعدنا بعد صلاة العصر موعدنا على الساعة 3:28
  36. 36. 36 Les types de savoir SAVOIR Oui Non Oui Non SAVOIR IMPLICITE SAVOIR EXPLICITE SAVOIR TACITE Est-il possible de l’articuler? Le savoir a-t-il été articulé? Nickols, F. (2010). The Knowledge in Knowledge Management. The Knowledge Management Yearbook, pp 12-21. Boston: Butter-worth- Heinemann, http://www.nickols.us/knowledge_in_KM.pdf, consulté le 30 janvier 2014.
  37. 37. Les types de savoir 37 Source: http://www.michigan.gov/msp/0,1607,7-123-1589_31786_32003-84299--,00.html
  38. 38. 38 Les types de savoir Source: http://www.michigan.gov/msp/0,1607,7-123-1589_31786_32003-84299--,00.html
  39. 39. 39 • Les faits • Les fonctions • Les relations • L’expertise • Les techniques • etc. Le savoir explicite des humains Le savoir tacite/implicite des humains Les types de savoir
  40. 40. 40 Les types de savoir Une troisième catégorisation propose: • Le savoir déclaratif et • Le savoir procédural
  41. 41. 41 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.
  42. 42. 42 Les types de savoir – Le savoir procédural
  43. 43. 43 Les types de savoir – Le savoir procédural 1 2 3 4 5
  44. 44. 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. 44 Les types de savoir – Le savoir procédural
  45. 45. 45 Les types de savoir SAVOIR DECLARATIF SAVOIR Oui Non Oui Non SAVOIR IMPLICITE SAVOIR PROCEDURAL SAVOIR EXPLICITE SAVOIR TACITE Est-il possible de l’articuler? Le savoir a-t-il été articulé? Description des choses et des faits, des tâches et des méthodes Actions à travers les aptitudes mentales et motrices Nickols, F. (2010). The Knowledge in Knowledge Management. The Knowledge Management Yearbook, pp 12-21. Boston: Butter-worth- Heinemann, http://www.nickols.us/knowledge_in_KM.pdf, consulté le 30 janvier 2014.
  46. 46. 46 Plan général 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
  47. 47. 47 Les TIC et la gestion des connaissances
  48. 48. 48 Les TIC et la gestion des connaissances – Le modèle de Crié Connaissances Partage Stockage (on sait ce qu’on détient) Exttrracttiion (on ne sait pas ce qu’on ne détient pas) PPaarrttaaggee (on sait ce qu’on ne détient pas)
  49. 49. 49 Connaissances Stockage (on sait ce qu’on détient) Partage (on sait ce qu’on ne détient pas) 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)
  50. 50. Les TIC et la gestion des connaissances – Le modèle de Crié Parmi les moteurs de recherche les plus connus, on compte: 50 • 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.
  51. 51. 51 Les TIC et la gestion des connaissances – Le modèle de Crié
  52. 52. 52 Internet Explorer Mozilla Firefox Safari Netscape Chrome Opera Mosaic Flock Konqueror xB Browser Maxthon Camino + Browser Avant + Crazy Browser + Chromium Les TIC et la gestion des connaissances – Le modèle de Crié
  53. 53. 53 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
  54. 54. 54 Les TIC et la gestion des connaissances – Le modèle de Crié
  55. 55. 55 Les TIC et la gestion des connaissances – Le modèle de Crié
  56. 56. 56 Les TIC et la gestion des connaissances – Le modèle de Crié
  57. 57. 57 Connaissances Stockage (on sait ce qu’on détient) Partage (on sait ce qu’on ne détient pas) 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)
  58. 58. 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. 58 Le text mining See more at http://jrichardstevens.com/work/bushreferences.html
  59. 59. 59 Connaissances Stockage (on sait ce qu’on détient) Partage (on sait ce qu’on ne détient pas) 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)
  60. 60. 60 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.
  61. 61. 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…. 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. 61 Le Web mining 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.
  62. 62. 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. 62 Le Web mining
  63. 63. 63 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) Fichiers Moteur de recherche traditionnel GED Text Mining Web Mining Data Mining Le modèle de Crié revisité
  64. 64. 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. 64 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
  65. 65. 65 Le data mining – Les datawarehouses Base de données produits Base de données clients Base de données ventes Base de données fournis-seurs
  66. 66. 66 Le data mining – Les datawarehouses
  67. 67. 67 Le data mining – Les datawarehouses Ce qui caractérise les données est qu’elles sont historisées. DATAWAREHOUSE
  68. 68. 68 Le data mining – Les datawarehouses Ce qui caractérise les données est qu’elles sont historisées. DATAWAREHOUSE
  69. 69. 69 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.
  70. 70. 70 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.
  71. 71. 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. 71 Le data mining
  72. 72. 72 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
  73. 73. Le data mining Les techniques et les modèles du data mining 73 Les techniques d’apprentissage • Les techniques de bases de données • Les modèles statistiques
  74. 74. Le data mining Les techniques et les modèles du data mining 74 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
  75. 75. 75 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) Y: la variable dépendantes (ou expliquée, ou résultat)
  76. 76. Le data mining Les techniques et les modèles du data mining 76 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
  77. 77. 77 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
  78. 78. Le data mining Les techniques et les modèles du data mining 78 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
  79. 79. 79 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.
  80. 80. Le data mining – L’apprentissage semi supervisé Etat civil Revenu Solvabilité 80 Montant du crédit Taux du crédit Profession 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
  81. 81. Le data mining – L’apprentissage semi supervisé Etat civil Revenu Solvabilité 81 Montant du crédit Taux du crédit Profession 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
  82. 82. 82 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:
  83. 83. 83 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 ?
  84. 84. Le data mining Les techniques et les modèles du data mining 84 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
  85. 85. 85 Le data mining Dans les modèles prévisionnels, on connaît les Xi, on cherche Y: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn
  86. 86. Le data mining – Les modèles prédictifs 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. 86 Tridas Vickie Mike Honnête Wally Waldo Barney Escroc Honnête = a des yeux ronds et sourit
  87. 87. 87 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 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?
  88. 88. Le data mining Les techniques et les modèles du data mining 88 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)
  89. 89. 89 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)
  90. 90. 90 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 frauduleux • Les modèles de régression • Les modèles d’association • Les modèles de séquence d’événements • Les modèles de groupement (clustering models)
  91. 91. 91 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 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)
  92. 92. 92 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 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)
  93. 93. 93 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 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)
  94. 94. Ne sait rien 94 Conclusion 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.
  95. 95. 95 MERCI

×