02 knowledge management 2015

647 vues

Publié le

Chapter 2

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
647
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

02 knowledge management 2015

  1. 1. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 1 Veuillez éteindre vos portables ou les mettre à silencieux, SVP Knowledge Management “If God were to humiliate a human being, He would deny him knowledge.” Imam Ali Ibn Abi Taleb (6ème siècle) َ‫م‬ْ‫ل‬ِ‫ع‬ْ‫ال‬ ِ‫ه‬ْ‫ي‬َ‫ل‬َ‫ع‬ َ‫ر‬َ‫ظ‬َ‫ح‬ ً‫ا‬‫ْد‬‫ب‬َ‫ع‬ ُ‫هللا‬ َ‫ل‬َ‫ذ‬ ْ‫ر‬َ‫أ‬ ‫ا‬َ‫ذ‬ِ‫إ‬ ‫وقال‬‫طالب‬ ‫أبي‬ ‫بن‬ ‫علي‬‫أمير‬‫ؤمنين‬ُ‫م‬‫ال‬ :‫السالم‬ ‫عليه‬ Premier semestre 2015-2016
  2. 2. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 2 Technologie de l’information • Les investissements génèrent-ils de la valeur pour l’entreprise? • Sont-ils faits à un coût acceptable? • Sont-ils faits à un risque acceptable? Définitions
  3. 3. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 3 Management • Faisons-nous ce qu’il faut? • Le faisons-nous comme il le faut? • Sommes-nous en train d’en tirer les bénéfices? Définitions
  4. 4. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 4 Définitions
  5. 5. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 5 Generic Alignment Framework, April 29, 2011, http://businessitalignment.wordpress.com/, last accessed Jan 23, 2013. Management Technologie de l’information Définitions
  6. 6. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 6 Que devons-nous gérer? • L’information au niveau individuel? • L’information au niveau organisationnel? • La connaissance au niveau individuel? • L’information au niveau individuel? • L’information au niveau organisationnel? • La connaissance au niveau individuel? • La connaissance au niveau organisationnel? Définitions
  7. 7. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 7 “The key in business is to know something that nobody else knows.” Aristotle Onassis PHOTO: HULTON-DEUTSCH COLL Définitions
  8. 8. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 8 • Donnée: une observation • Information: une interprétation (analyse) de donnée Définitions Donnée, information et savoir, quelle est la différence? • Donnée: une observation• Donnée: une observation • Information: une interprétation (analyse) de donnée • Connaissance: un retour d’expérience sur une information • Donnée: une observation, ex.: il fait 18º C • Information: une interprétation (analyse) de donnée • Connaissance: un retour d’expérience sur une information • Donnée: une observation, ex.: il fait 18º C • Information: une interprétation (analyse) de donnée, ex: il fait froid • Connaissance: un retour d’expérience sur une information • Donnée: une observation, ex.: il fait 18º C • Information: une interprétation (analyse) de donnée, ex: il fait froid • Connaissance: un retour d’expérience sur une 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. Mohamed Louadi, PhD Tunis mlouadi@louadi.com 9 • 10% de ce que nous lisons Nous retenons • 10% de ce que nous lisons, • 20% de ce que nous écoutons • 10% de ce que nous lisons, • 20% de ce que nous écoutons, • 30% de ce que nous voyons • 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 • 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 • 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. Définitions • 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
  10. 10. Mohamed Louadi, PhD Tunis mlouadi@louadi.com10 Définitions • 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. Nous retenons William Glasser Participation et action
  11. 11. Mohamed Louadi, PhD Tunis mlouadi@louadi.com11 Définitions Définitions
  12. 12. Mohamed Louadi, PhD Tunis mlouadi@louadi.com12 Définitions Donnée, information et contexte
  13. 13. Mohamed Louadi, PhD Tunis mlouadi@louadi.com13 Définitions Donnée, information et contexte
  14. 14. Mohamed Louadi, PhD Tunis mlouadi@louadi.com14 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. Mohamed Louadi, PhD Tunis mlouadi@louadi.com15 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. Mohamed Louadi, PhD Tunis mlouadi@louadi.com16 La somme du savoir et du non-savoir Définitions 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. Mohamed Louadi, PhD Tunis mlouadi@louadi.com17 Ce que vous savez que vous ne savez pas Ce que vous savez que vous savez Ce que vous ne savez pas que vous ne savez pas Définitions 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. Mohamed Louadi, PhD Tunis mlouadi@louadi.com18 Votre conscience 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 Par exemple: Les meilleurs solutions pour maximiser la rentabilité des clients Ce que vous ne savez pas à propos de vos clients et votre marché peut vous couter 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. Ce que vous ne savez pas que vous ne savez pas Ce que vous savez que vous ne savez pas Définitions Ce que vous savez que vous savez
  19. 19. Mohamed Louadi, PhD Tunis mlouadi@louadi.com19 D’après Wittgenstein (1960) et Dreyfus (1997). Les composantes du savoir • Le contexte• Le contexte • L’expérience • Le contexte • L’expérience • Les vérités absolues • Le contexte • L’expérience • Les vérités absolues • Les meilleures pratiques (best practices) • Le contexte • L’expérience • Les vérités absolues • Les meilleures pratiques (best practices) • Le sens commun • Le contexte • L’expérience • Les vérités absolues • Les meilleures pratiques (best practices) • Le sens commun • Le jugement • Le contexte • L’expérience • Les vérités absolues • Les meilleures pratiques (best practices) • Le sens commun • Le jugement • Les règles de base (rules of thumb) • Le 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 • Le 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 • Le 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 • Le 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 • Le 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
  20. 20. Mohamed Louadi, PhD Tunis mlouadi@louadi.com20 • Les besoins en savoir et en formation augmentent et changent en raison de la rapidité des progrès technologiques. • On estime que les progrès rendent 50% des compétences obsolètes tous les 3-5 ans. • Les besoins en savoir et en formation augmentent et changent en raison de la rapidité des progrès technologiques. Le savoir et les entreprises Les entreprises sont devenues de vastes machines de traitement de l’information. Les entreprises sont devenues de vastes machines de traitement de l’information. La capacité humaine de traitement de l’information semble de plus en plus limitée.
  21. 21. Mohamed Louadi, PhD Tunis mlouadi@louadi.com21 • Le satellite Landsat, en opération depuis quarante ans, prend une photographie complète de toute la planète 2 fois par mois. Le savoir et les entreprises 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. Mohamed Louadi, PhD Tunis mlouadi@louadi.com22 Les entreprises sont devenues de vastes machines de traitement de l’information. La capacité humaine de traitement de l’information semble de plus en plus limitée. Il n’y a toujours que 24h par jour. • Les besoins en savoir et en formation augmentent et changent en raison de la rapidité des progrès technologiques. • On estime que les progrès rendent 50% des compétences obsolètes tous les 3-5 ans. • La technologie sert à mettre le savoir (connu) à la portée des masses. Le savoir et les entreprises
  23. 23. Mohamed Louadi, PhD Tunis mlouadi@louadi.com23 • La capacité d’une entreprise à gérer son savoir existant et à l’utiliser pour créer de nouveaux savoirs. • 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. • 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. Le savoir et les entreprises
  24. 24. Mohamed Louadi, PhD Tunis mlouadi@louadi.com24 Knowledge Management Information Donnée Informatique Environnement Base de données Système d’information Donnée Information Action Connaissance Le savoir et les entreprises
  25. 25. Mohamed Louadi, PhD Tunis mlouadi@louadi.com25 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
  26. 26. Mohamed Louadi, PhD Tunis mlouadi@louadi.com26 Une autre en propose deux: • Le savoir explicite et • Le savoir tacite Les types de savoir
  27. 27. Mohamed Louadi, PhD Tunis mlouadi@louadi.com27 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 Les types de savoir
  28. 28. Mohamed Louadi, PhD Tunis mlouadi@louadi.com28 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. 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. 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. 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). 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. Les types de savoir «We can know more than we can tell» (Polanyi, 1967).
  29. 29. Mohamed Louadi, PhD Tunis mlouadi@louadi.com29 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. Les types de savoir 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.)
  30. 30. Mohamed Louadi, PhD Tunis mlouadi@louadi.com30 3006 est-il suivi de 0107? Une autre en propose deux: • Le savoir explicite • Le savoir tacite Les types de savoir E = mc2 Oui puisque le 30 juin est suivi du 1er juillet
  31. 31. Mohamed Louadi, PhD Tunis mlouadi@louadi.com31 Les types de savoir
  32. 32. Mohamed Louadi, PhD Tunis mlouadi@louadi.com32 Les types de savoir ‫العصر‬ ‫صالة‬ ‫بعد‬ ‫موعدنا‬ ‫الساعة‬ ‫على‬ ‫موعدنا‬3:28
  33. 33. Mohamed Louadi, PhD Tunis mlouadi@louadi.com33 SAVOIR IMPLICITE SAVOIR EXPLICITE SAVOIR TACITE Est-il possible de l’articuler? Le savoir a-t-il été articulé? SAVOIR 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. Oui Non Oui Non Les types de savoir
  34. 34. Mohamed Louadi, PhD Tunis mlouadi@louadi.com34Source: http://www.michigan.gov/msp/0,1607,7-123-1589_31786_32003-84299--,00.html Les types de savoir
  35. 35. Mohamed Louadi, PhD Tunis mlouadi@louadi.com35 Les types de savoir Source: http://www.michigan.gov/msp/0,1607,7-123-1589_31786_32003-84299--,00.html
  36. 36. Mohamed Louadi, PhD Tunis mlouadi@louadi.com36 • 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
  37. 37. Mohamed Louadi, PhD Tunis mlouadi@louadi.com37 Une troisième catégorisation propose: • Le savoir déclaratif et • Le savoir procédural Les types de savoir
  38. 38. Mohamed Louadi, PhD Tunis mlouadi@louadi.com38 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 C’est le savoir nécessaire pour faire les choses, il indique la manière de mettre en application les méthodes et les procédés. 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 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. 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 Les types de savoir Aussi appelé le savoir comment
  39. 39. Mohamed Louadi, PhD Tunis mlouadi@louadi.com39 Les types de savoir – Le savoir procédural
  40. 40. Mohamed Louadi, PhD Tunis mlouadi@louadi.com40 1 2 3 4 5 Les types de savoir – Le savoir procédural
  41. 41. Mohamed Louadi, PhD Tunis mlouadi@louadi.com41 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. Les types de savoir – Le savoir procédural
  42. 42. Mohamed Louadi, PhD Tunis mlouadi@louadi.com42 Les TIC et la gestion des connaissances
  43. 43. Mohamed Louadi, PhD Tunis mlouadi@louadi.com43 Connaissances PartageStockage Les TIC et la gestion des connaissances – Le modèle de Crié Stockage (on sait ce qu’on détient) ExtractionExtractionExtraction (on ne sait pas ce qu’on ne détient pas) PartagePartage (on sait ce qu’on ne détient pas)
  44. 44. Mohamed Louadi, PhD Tunis mlouadi@louadi.com44 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)
  45. 45. Mohamed Louadi, PhD Tunis mlouadi@louadi.com45 • 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 Parmi les moteurs de recherche les plus connus, on compte: Source: Zikmund, W. G. et Babin, B.J. (2009). Essentials of Marketing Research, South-Western Cengage Learning. Les TIC et la gestion des connaissances – Le modèle de Crié
  46. 46. Mohamed Louadi, PhD Tunis mlouadi@louadi.com46 Les TIC et la gestion des connaissances – Le modèle de Crié
  47. 47. Mohamed Louadi, PhD Tunis mlouadi@louadi.com47 Internet Explorer Mozilla Firefox Safari Netscape Chrome Opera Maxthon Mosaic Flock Konqueror CaminoxB Browser + Browser Avant + Browser Avant Crazy Browser + Browser Avant Crazy Browser Chromium Les TIC et la gestion des connaissances – Le modèle de Crié
  48. 48. Mohamed Louadi, PhD Tunis mlouadi@louadi.com48 Browser Avant Crazy Browser Chromium Internet Explorer Mozilla Firefox Safari Netscape Chrome Opera Maxthon Mosaic Flock Konqueror CaminoxB Browser Les TIC et la gestion des connaissances – Le modèle de Crié
  49. 49. Mohamed Louadi, PhD Tunis mlouadi@louadi.com49 Les TIC et la gestion des connaissances – Le modèle de Crié
  50. 50. Mohamed Louadi, PhD Tunis mlouadi@louadi.com50 Les TIC et la gestion des connaissances – Le modèle de Crié
  51. 51. Mohamed Louadi, PhD Tunis mlouadi@louadi.com51 Les TIC et la gestion des connaissances – Le modèle de Crié
  52. 52. Mohamed Louadi, PhD Tunis mlouadi@louadi.com52 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)
  53. 53. Mohamed Louadi, PhD Tunis mlouadi@louadi.com53 See more at http://jrichardstevens.com/work/bushreferences.html 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
  54. 54. Mohamed Louadi, PhD Tunis mlouadi@louadi.com54 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)
  55. 55. Mohamed Louadi, PhD Tunis mlouadi@louadi.com55 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. Le Web mining
  56. 56. Mohamed Louadi, PhD Tunis mlouadi@louadi.com56 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. 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.
  57. 57. Mohamed Louadi, PhD Tunis mlouadi@louadi.com57 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. Le Web mining
  58. 58. Mohamed Louadi, PhD Tunis mlouadi@louadi.com58 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
  59. 59. Mohamed Louadi, PhD Tunis mlouadi@louadi.com59 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 Le data mining
  60. 60. Mohamed Louadi, PhD Tunis mlouadi@louadi.com60 Base de données produits Base de données clients Base de données ventes Base de données fournis- seurs Le data mining – Les datawarehouses
  61. 61. Mohamed Louadi, PhD Tunis mlouadi@louadi.com61 Le data mining – Les datawarehouses
  62. 62. Mohamed Louadi, PhD Tunis mlouadi@louadi.com62 Ce qui caractérise les données est qu’elles sont historisées. DATAWAREHOUSE Le data mining – Les datawarehouses
  63. 63. Mohamed Louadi, PhD Tunis mlouadi@louadi.com63 Ce qui caractérise les données est qu’elles sont historisées. DATAWAREHOUSE Le data mining – Les datawarehouses
  64. 64. Mohamed Louadi, PhD Tunis mlouadi@louadi.com64 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. Le data mining
  65. 65. Mohamed Louadi, PhD Tunis mlouadi@louadi.com65 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. Le data mining
  66. 66. Mohamed Louadi, PhD Tunis mlouadi@louadi.com66 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. Le data mining
  67. 67. Mohamed Louadi, PhD Tunis mlouadi@louadi.com67 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. 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
  68. 68. Mohamed Louadi, PhD Tunis mlouadi@louadi.com68 Les techniques et les modèles du data mining Les techniques d’apprentissage • Les techniques de bases de données • Les modèles statistiques Le data mining
  69. 69. Mohamed Louadi, PhD Tunis mlouadi@louadi.com69 Les techniques et les modèles du data mining Les techniques d’apprentissage • Les techniques de bases de données • Les modèles statistiques • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) Le data mining
  70. 70. Mohamed Louadi, PhD Tunis mlouadi@louadi.com70 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: Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn X1, X2,X3, …. Xn: les variables indépendantes (ou explicatives) ß1, ß2, ß3, …. ßn: les coefficients de la régression Y: la variable dépendantes (ou expliquée, ou résultat)
  71. 71. Mohamed Louadi, PhD Tunis mlouadi@louadi.com71 Les techniques et les modèles du data mining Les techniques d’apprentissage • Les techniques de bases de données • Les modèles statistiques • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) Le data mining
  72. 72. Mohamed Louadi, PhD Tunis mlouadi@louadi.com72 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
  73. 73. Mohamed Louadi, PhD Tunis mlouadi@louadi.com73 Les techniques et les modèles du data mining Les techniques d’apprentissage • Les techniques de bases de données • Les modèles statistiques • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) Le data mining
  74. 74. Mohamed Louadi, PhD Tunis mlouadi@louadi.com74 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 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.
  75. 75. Mohamed Louadi, PhD Tunis mlouadi@louadi.com75 Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn 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. Le data mining – L’apprentissage semi supervisé
  76. 76. Mohamed Louadi, PhD Tunis mlouadi@louadi.com76 Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn 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. Le data mining – L’apprentissage semi supervisé
  77. 77. Mohamed Louadi, PhD Tunis mlouadi@louadi.com77 En cherchant les valeurs de X1, X2, etc. on obtient une régression à l’aide d’un logiciel approprié, dont l’output ressemblerait à: Le data mining – L’apprentissage semi supervisé
  78. 78. Mohamed Louadi, PhD Tunis mlouadi@louadi.com78 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 ? Le data mining – L’apprentissage semi supervisé
  79. 79. Mohamed Louadi, PhD Tunis mlouadi@louadi.com79 Les techniques et les modèles du data mining Les techniques d’apprentissage • Les techniques de bases de données • Les modèles statistiques • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) • Les modèles prévisionnels • Les modèles descriptifs Le data mining
  80. 80. Mohamed Louadi, PhD Tunis mlouadi@louadi.com80 Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXnY = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXnY = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn Le data mining Dans les modèles prévisionnels, on connaît les Xi, on cherche Y:
  81. 81. Mohamed Louadi, PhD Tunis mlouadi@louadi.com81 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. Tridas Vickie Mike Honnête BarneyWaldoWally Escroc Honnête = a des yeux ronds et sourit Le data mining – Les modèles prédictifs
  82. 82. Mohamed Louadi, PhD Tunis mlouadi@louadi.com82 Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn Le data mining – Les modèles prévisionnels • 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? On connaît les Xi, on cherche Y:
  83. 83. Mohamed Louadi, PhD Tunis mlouadi@louadi.com83 Les techniques et les modèles du data mining Les techniques d’apprentissage • Les techniques de bases de données • Les modèles statistiques • L’apprentissage supervisé (classement) • L’apprentissage non supervisé • L’apprentissage semi-supervisé (classification) • 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) Le data mining
  84. 84. Mohamed Louadi, PhD Tunis mlouadi@louadi.com84 Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn Le data mining – Les modèles descriptifs Dans les modèles descriptifs, on connaît Y, on cherche les Xi: • Les modèles de classification • Les modèles de régression • Les modèles d’association • Les modèles de séquence d’événements • Les modèles de groupement (clustering models)
  85. 85. Mohamed Louadi, PhD Tunis mlouadi@louadi.com85 • Les modèles de classification: constats frauduleux et constats non frauduleux Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn Le data mining – Les modèles descriptifs On connaît Y, on cherche les Xi: • Les modèles de régression • Les modèles d’association • Les modèles de séquence d’événements • Les modèles de groupement (clustering models)
  86. 86. Mohamed Louadi, PhD Tunis mlouadi@louadi.com86 • Les modèles de classification: constats frauduleux et constats non frauduleux Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn On connaît Y, on cherche les Xi: • 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) Le data mining – Les modèles descriptifs
  87. 87. Mohamed Louadi, PhD Tunis mlouadi@louadi.com87 • Les modèles de classification: constats frauduleux et constats non frauduleux Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn On connaît Y, on cherche les Xi: • 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) Le data mining – Les modèles descriptifs
  88. 88. Mohamed Louadi, PhD Tunis mlouadi@louadi.com88 • Les modèles de classification: constats frauduleux et constats non frauduleux Y = ß0 + ß1X1 + ß2X2 + ß3X3 +……+ ßnXn On connaît Y, on cherche les Xi: • 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) Le data mining – Les modèles descriptifs
  89. 89. Mohamed Louadi, PhD Tunis mlouadi@louadi.com89 Ne sait rien A besoin de savoir Croit savoir mais ne sait pas Veut savoir mais ne saura jamais Sait toutSait tout Sait mais ne dit pas Ne doit pas savoir N’a pas besoin de savoir A besoin de savoir Croit savoir mais ne sait pas Sait tout Sait mais ne dit pas Veut savoir mais ne saura jamais 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. Conclusion
  90. 90. Mohamed Louadi, PhD Tunis mlouadi@louadi.com90 MERCI

×