SlideShare une entreprise Scribd logo
PLAN DU COURS
 Mise en œuvre du processus de BI
 L’intégration des données
 Les outils de restitutions
 Déploiement de la BI
Définition des terminologies
Le data Warehouse, le datamart, le data mining
Définition (Datawarehouse)
Le lieu de stockage intermédiaire des différentes données en vue de la constitution
du système d'information décisionnel. Le datawarehouse est ainsi le lieu unique de
consolidation de l'ensemble des données de l'entreprises. Selon Bill INMON « Un
datawarehouse est une collection de données orientées sujet, Intégrées, non volatiles
et historisées pour la prise de décisions. »
Définition (Datamart)
Le terme Datamart (littéralement magasin de données) désigne un sous-ensemble du
datawarehouse contenant les données du datawarehouse pour un secteur particulier
de l'entreprise (département, direction, service, gamme de produit, etc.). On parle
ainsi par exemple de DataMart Marketing, DataMart Commercial, ...
Définition (Data mining)
C’est l’extraction d'un savoir ou d'une connaissance à partir de grandes quantités de
données. Le Data Mining est une étape dans le processus d’extraction des
connaissances, qui consiste à appliquer des algorithmes d’analyse des données.
Eléments de base d’un Datawarehouse
 Source: base de données source ou autre
 Base intermédiaire de données (ODS)
 Cible : Serveur de présentation des données
contenues dans le datawarehouse.
Source ODS Cible
Caractéristiques et fonctionnalités
Un datawarehouse:
• Est un dépôt d’information
• Améliore l’accès aux données intégrées
• Garantie l’intégrité et la qualité
• Fournie une perspective historique
• Enregistre les résultats et les données synthétiques
• Est utilisé par plusieurs utilisateurs de profils différent dans
des contextes et des besoins différents
• Réduit l’impact du reporting et de l’analyse sur les bases
opérationnelles
• Requières un effort d’intégration des systèmes (agilité du SI)
Exploration du Datawarehouse
Les données sont organisées et stockées par sujet métier et non
par application. Cela signifie que les données collectées doivent
être orientées « métier » et donc triées par thème
Application opérationnelles Sujet Datawarehouse
Contentieux
Assurances
Dépôts
Crédits
Titres
Information
financière
client
Le datawarehouse - Intégration
C'est-à-dire qu'un « nettoyage » préalable des données est
nécessaire dans un souci de rationalisation et de
normalisation
Le datawarehouse - Non volatile
Une donnée entrée dans l'entrepôt l'est pour de bon et n'a
pas vocation à être supprimée
Le datawarehouse - Historisation
Les données doivent être datées
Modèle physique d’un schéma en étoile
Processus inductif, itératif et interactif de découverte dans
les BD larges de modèles de données valides, nouveaux,
utiles et compréhensibles.
 Itératif: nécessite plusieurs passes
 Interactif: l’utilisateur est dans la boucle du processus
 Valides: valables dans le futur
 Nouveaux: non prévisibles
 Utiles: permettent à l’utilisateur de prendre des décisions
 Compréhensibles: présentation simple
Abduction: diagnostic médical, ...
 Toutes les voitures ont 4 roues
 La Peugeot 206 a 4 roues
 ==> La Peugeot 206 est une voiture
Déduction: Raisonnement qui conclut à partir de prémisses et d’hypothèses à la vérité
d’une proposition en usant des règles d’inférence
 Toutes les voitures ont 4 roues
 La Peugeot 206 est une voiture
 ==> La Peugeot 206 a 4 roues
Induction: Généralisation d’une observation ou d’un raisonnement établis à partir de
cas singuliers.
Utilisée en Datamining (tirer une conclusion à partir d’une série de faits, pas sûre à
100%)
 La clio a 4 roues, La Peugeot 106 a 4 roues, La BMW M3 a 4 roues, La Mercedes 190
a 4 roues
 ==> Toutes les voitures ont 4 roues
 Classification
 Clustering (Segmentation)
 Règle d’associations
 Recherche de séquences
 Détection de déviation
Elle permet de prédire si un élément est membre d’un
groupe ou d’une catégorie donné.
Classes
 Identification de groupes avec des profils particuliers
 Apprentissage supervisé: classes connues à l’avance
 Applications : marketing direct (profils des
consommateurs), grande distribution (classement des
clients), médecine (malades/non malades), etc.
 Exemple : les acheteurs de voiture de sport sont de
jeunes citadins ayant un revenu important
 Partitionnement logique de la base de données en
clusters
 Clusters : groupes d’instances ayant les mêmes
caractéristiques
 Apprentissage non supervisé (classes inconnues)
 Pb : interprétation des clusters identifiés
 Applications : Economie (segmentation de marchés),
médecine (localisation de tumeurs dans le cerveau),
etc.
 Corrélations (ou relations) entre attributs (méthode
non supervisée)
 Applications : grande distribution, gestion des
stocks, web (pages visitées), etc.
Exemple
 BD commerciale : panier de la ménagère
 Articles figurant dans le même ticket de caisse
 Ex: achat de riz + vin blanc, achat de poisson
achats bières et couche-culotte
Recherche de séquences
 Liaisons entre événements sur une période de temps
 Extension des règles d’association
- Prise en compte du temps (série temporelle)
- Achat Télévision ==> Achat Magnétoscope d’ici 5 ans
 Applications : marketing direct (anticipation des
commandes), bourse (prédiction des valeurs des actions)
Exemple
 BD commerciale (ventes par correspondance)
 Commandes de clients
 Ex: 60% des consommateurs qui commandent la bière «Mort
subite» commandent de l’aspro juste après.
Instances ayant des caractéristiques les plus différentes
des autres
 Basée sur la notion de distance entre instances
 Expression du problème
- Temporelle : évolution des instances ?
- Spatiale : caractéristique d’un cluster d’instances ?
Applications
 Détection de fraudes (transactions avec une carte
bancaire inhabituelle en télémarketing)
Caractéristiques
 Problème d’interprétation : bruit ou exception (donc
connaissance intéressante)
Exemple 1 - Marketing
 Vous êtes gestionnaire marketing d’un opérateur
de télécommunications mobiles :
 Les clients reçoivent un téléphone gratuit avec un
contrat d’un an; vous payer une commission de
vente de 250€ par contrat
 Problème: Taux de renouvellement(à la fin du
contrat) est de 25%
 Donner un nouveau téléphone à toute personne
ayant expirer son contrat coûte cher.
 Faire revenir un client après avoir quitter est
difficile et coûteux.
 Trois mois avant l’expiration du contrat, prédire
les clients qui vont quitter :
 Si vous voulez les garder, offrir un nouveau
téléphone.
Exemple 2 – Web
Les logs des accès Web sont analysés pour…
 Découvrir les préférences des utilisateurs
 Améliorer l’organisation du site Web
De manière similaire…
 L’analyse de tous les types d’informations sur
les logs
 Adaptation de l’interface
Exemple 3 – Banque, Télécom
Vous êtes à l’étranger et quelqu’un a volé votre carte
bancaire ou votre mobile …
Compagnies bancaires…
 Utiliser les données historiques pour construire un
modèle de comportement frauduleux et utiliser le data
mining pour identifier des instances similaires.
Compagnies téléphoniques…
 Analyser les “patterns” qui dérivent du comportement
attendu (destinataire, durée, etc.)
Objectifs
 Comment mettre en place des processus
d’extraction, de transformation et de chargement
pour la construction d’un datawarehouse.
 Les différentes techniques d’extraction, de
transformation, et de chargement.
Processus d’Extraction, de Transformation et de
Chargement (ETL)
 Extraire les donnés sources
 Transformer et nettoyer les données
 Indexation et agrégation
 Charger les données dans le datawarehouse
 Détecter les changements
 Rafraîchir les données
Extraction de données
 Les sources de données sont souvent diverses et
variées et le but est de trouver des outils ETL
(Extraction / Transformation / Loading) afin de les
extraire, de les nettoyer, de les transformer et de
les mettre dans l'entrepôt de données
Qualités des données
La qualité des données extraites est critique pour :
 Standardisation dans le datawarehouse
 Un bon rapprochement entre noms, adresses ….
 La création de règles et contraintes exactes
 Prévision et analyse
 Création d’une infrastructure solide de support BI
centré sur le client
 Réduction des risques dans les projets
 Réduction des coût à long terme
Transformation
Les Transformations éliminent les anomalies dans les données opérationnelles :
 Nettoyer
 Éliminer le superflu
 Enrichir
 Fusionner
 Intégrer
 Transformer avant chargement
Pourquoi transformer?
Chargement
 Le chargement alimente le datawarehouse des
données.
 Le rafraichissement fréquent charge de petits
volumes.
 Le processus métier détermine le cycle de
chargement
Online Analytical Processing (OLAP)
 OLAP a pour but d'organiser les données à analyser par
domaine/thème et d'en ressortir des résultats pertinents pour le
décideur. Les résultats sont donc des résumés et peuvent être
obtenus par différents algorithmes de datamining (fouille de
données) du serveur d'analyse.
 On peut par exemple établir le résultat suivant : « Les clients qui
achètent généralement du beurre et du pain achètent aussi du lait
». Ces résultats pourraient amener l'organisation (ici en
l'occurrence une grande distribution) à disposer ses rayons de
telle façon qu'à côté de l'emplacement du beurre, elle mettra le
pain et le lait..
 l'OLAP signifie faire de l'analyse de données. Analyser les ventes,
détecter les fraudes, prospecter des clients font partie du
processus OLAP.
Module de restitution d’un SID
 Les plus visibles pour l’utilisateur
 Régit les conditions d'accès de l'utilisateur aux
informations.
 Assure le fonctionnement du poste de travail, le contrôle
d'accès, la prise en charge des requêtes, la visualisation
des résultats sous une forme ou une autre.
 Utilise toutes les techniques de communication
possibles (outils bureautiques, requêteurs et
générateurs d'états spécialisés, infrastructure web,
télécommunications mobiles, etc.)
Définitions (Reporting)
 Présentation périodique (hebdomadaire, mensuelle,
annuelle) des données liées à l’activité de
l’entreprise globale ou par métier (Reporting
financier, commercial), le plus souvent restituées
sous la forme de tableaux de bord (ex : graphiques
du CA mensuel etc.) et de rapports d’activité (ex :
rapport d’activité financière).
Définitions (Tableaux de bord)
 Outil de Reporting de l’activité d’entreprise au global ou
par métier sous forme de tableaux dynamiques ou
statiques. Chaque utilisateur peut réaliser ses propres
tableaux de bord en croisant les données selon
différents axes d’analyse (analyse simple= un seul
critère d’information ou multidimensionnelle =
plusieurs critères d’information). Le tableau de bord est
également un outil d’aide au pilotage de l’activité
permettant de prendre les décisions en temps réel.
 Pour qu’un tableau de bord soit efficace il faut choisir de
bons indicateurs.
Qu’est ce qu’un bon indicateur
 Temps réel: le tableau de bord de pilotage doit comporter les
indicateurs dont le rafraîchissement est compatible avec la prise de
décision  lorsque l’information est délivrée l’action est possible.
 Réalisable à coût acceptable : un bon indicateur est réalisable avec
un coût acceptable; il faut chercher le juste milieu entre le profit à
tirer des indicateurs en terme de décision et le coût de leurs
disponibilités.
 Fiable :le décideur doit avoir une totale confiance en son tableau
de bord, si le doute s’installe l’outil sera rejeté
 Présentation :la présentation de l’indicateur doit être étudiée, les
longs tableaux de bord sont à éviter et les présentations (Courbes,
Jauges, listes etc.) sont à utiliser chacun dans sons contexte précis.
Quelques exemples
 Quelques exemples
 Comparaisons entre certains outils
Les projets de mise en place et déploiement de solutions
de Business Intelligence ont ceci de particulier qu’ils nécessitent
très tôt une implication et une sollicitation forte des utilisateurs.
Les besoins fonctionnels sont en effet très répartis au sein de
l’entreprise ; il s’agit dans la majorité des cas de remplacer des
outils personnels, développés par les utilisateurs eux mêmes
(bureautique).
Il en découle certaines spécificités, sur lesquelles nous devons
prêter une attention particulière :
 La présence d’un sponsor fort, et la communication en interne
des objectifs stratégiques de l’entreprise.
 Un lien très étroit entre la définition des besoins (maitrise
d’œuvre) et la réalisation technique (maitrise d’ouvrage).
 La mise en place d’équipes mixtes (techniques et fonctionnelles)
tout au long du projet.
 De manière standard, un projet de déploiement de solution de
Business Intelligence se base sur les étapes suivantes :
Phase Objectifs Livrables
PRE ÉTUDE - LANCEMENT
Estimer les coûts internes et externes
Analyser les opportunités
Description des fonctionnalités attendues
Définition des enjeux pour l'entreprise
Macro Planning
CADRAGE
Présenter le projet en interne
Identifier les utilisateurs
Identifier les sources de données
Choisir la solution technique (architecture)
Définir l'équipe projet
Description de la solution retenue
Planning de réalisation
Annuaire du projet
CONCEPTION
Concevoir architecture technique et applicative
Rédiger la modélisation multidimensionnelle
Rédiger les spécifications techniques (alimentation
et métadonnées, outil d'administration et de
restitution, portail et sécurité
Dossier de spécifications
Cahier de recettes techniques
Cahier de recettes fonctionnelles
RÉALISATION
Mettre en place les environnements de tests
Réaliser les prototypes
Réaliser les recettes techniques et fonctionnelles
Assurer le déploiement de la solution
PV de recettes
Documentations techniques (architecture,
paramétrage)
ACCOMPAGNEMENT AU CHANGEMENT
Formations des utilisateurs
Formations des équipes techniques
Documentation utilisateur
Dossier de support
Outils pour la phase de Run
Bilan du projet
Seance 1 & 2 deploiement de la bi dans l'entreprise

Contenu connexe

Tendances

Management ehoussou
Management ehoussouManagement ehoussou
Management ehoussou
sciafrique
 
Formations d'approfondissement de l'ANC
Formations d'approfondissement de l'ANCFormations d'approfondissement de l'ANC
Formations d'approfondissement de l'ANC
Institute of Neurocognitivism
 
Loic sarton seance 8
Loic sarton seance 8Loic sarton seance 8
Loic sarton seance 8
Loic Sarton
 
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
IEAM-Paris
 
Conduite du changement, le grand tabou
Conduite du changement, le grand tabouConduite du changement, le grand tabou
Conduite du changement, le grand tabou
Microsoft Ideas
 
Change management short
Change management shortChange management short
Change management short
ytimmermans
 
THESE_EMS_BC1314_CHAPELLE_Jason-Sylvain-Soutenance-v0.32
THESE_EMS_BC1314_CHAPELLE_Jason-Sylvain-Soutenance-v0.32THESE_EMS_BC1314_CHAPELLE_Jason-Sylvain-Soutenance-v0.32
THESE_EMS_BC1314_CHAPELLE_Jason-Sylvain-Soutenance-v0.32CHAPELLE Sylvain Jason
 
Powerpoint management thème i icemba 2016
Powerpoint management thème i icemba  2016Powerpoint management thème i icemba  2016
Powerpoint management thème i icemba 2016
sciafrique
 
Innhotep - Quelles collaborations entre les grands groupes et startups, pour ...
Innhotep - Quelles collaborations entre les grands groupes et startups, pour ...Innhotep - Quelles collaborations entre les grands groupes et startups, pour ...
Innhotep - Quelles collaborations entre les grands groupes et startups, pour ...
Innhotep
 
Les fondements de l'agilité organisationnelle
Les fondements de l'agilité organisationnelleLes fondements de l'agilité organisationnelle
Les fondements de l'agilité organisationnelle
Claude Emond
 
Knowledge Management 2.0
Knowledge Management 2.0Knowledge Management 2.0
Knowledge Management 2.0
Martin Roulleaux Dugage
 
Plaquette process com certifiés
Plaquette process com certifiésPlaquette process com certifiés
Plaquette process com certifiésjeanpierrelemaitre
 
Présentation Process Com
Présentation Process ComPrésentation Process Com
Présentation Process Com
Jeremy ABDILLA
 
Gestion des connaissances dans l'entreprise 2.0
Gestion des connaissances dans l'entreprise 2.0Gestion des connaissances dans l'entreprise 2.0
Gestion des connaissances dans l'entreprise 2.0
Anthony Poncier
 
Integration Supply Chain (French)
Integration Supply Chain (French)Integration Supply Chain (French)
Integration Supply Chain (French)
Mary
 
Séminaire conduite du changement ère20 by_voirin_consultants
Séminaire conduite du changement ère20 by_voirin_consultantsSéminaire conduite du changement ère20 by_voirin_consultants
Séminaire conduite du changement ère20 by_voirin_consultantsConseils Atelya
 
Conduite du Changement: Guide Méthodologique
Conduite du Changement: Guide MéthodologiqueConduite du Changement: Guide Méthodologique
Conduite du Changement: Guide Méthodologique
Christophe Lastennet
 

Tendances (19)

Management ehoussou
Management ehoussouManagement ehoussou
Management ehoussou
 
Formations d'approfondissement de l'ANC
Formations d'approfondissement de l'ANCFormations d'approfondissement de l'ANC
Formations d'approfondissement de l'ANC
 
Loic sarton seance 8
Loic sarton seance 8Loic sarton seance 8
Loic sarton seance 8
 
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
Management de l'information et des connaissances - IEAM - Nicolas BOURNEZ DES...
 
Conduite du changement, le grand tabou
Conduite du changement, le grand tabouConduite du changement, le grand tabou
Conduite du changement, le grand tabou
 
De lintelligence-relationnelle-a-lintelligence-collective
De lintelligence-relationnelle-a-lintelligence-collectiveDe lintelligence-relationnelle-a-lintelligence-collective
De lintelligence-relationnelle-a-lintelligence-collective
 
Change management short
Change management shortChange management short
Change management short
 
THESE_EMS_BC1314_CHAPELLE_Jason-Sylvain-Soutenance-v0.32
THESE_EMS_BC1314_CHAPELLE_Jason-Sylvain-Soutenance-v0.32THESE_EMS_BC1314_CHAPELLE_Jason-Sylvain-Soutenance-v0.32
THESE_EMS_BC1314_CHAPELLE_Jason-Sylvain-Soutenance-v0.32
 
Powerpoint management thème i icemba 2016
Powerpoint management thème i icemba  2016Powerpoint management thème i icemba  2016
Powerpoint management thème i icemba 2016
 
Innhotep - Quelles collaborations entre les grands groupes et startups, pour ...
Innhotep - Quelles collaborations entre les grands groupes et startups, pour ...Innhotep - Quelles collaborations entre les grands groupes et startups, pour ...
Innhotep - Quelles collaborations entre les grands groupes et startups, pour ...
 
Les fondements de l'agilité organisationnelle
Les fondements de l'agilité organisationnelleLes fondements de l'agilité organisationnelle
Les fondements de l'agilité organisationnelle
 
Knowledge Management 2.0
Knowledge Management 2.0Knowledge Management 2.0
Knowledge Management 2.0
 
Plaquette process com certifiés
Plaquette process com certifiésPlaquette process com certifiés
Plaquette process com certifiés
 
Présentation Process Com
Présentation Process ComPrésentation Process Com
Présentation Process Com
 
Gestion des connaissances dans l'entreprise 2.0
Gestion des connaissances dans l'entreprise 2.0Gestion des connaissances dans l'entreprise 2.0
Gestion des connaissances dans l'entreprise 2.0
 
Integration Supply Chain (French)
Integration Supply Chain (French)Integration Supply Chain (French)
Integration Supply Chain (French)
 
Conduire le changement
Conduire le changementConduire le changement
Conduire le changement
 
Séminaire conduite du changement ère20 by_voirin_consultants
Séminaire conduite du changement ère20 by_voirin_consultantsSéminaire conduite du changement ère20 by_voirin_consultants
Séminaire conduite du changement ère20 by_voirin_consultants
 
Conduite du Changement: Guide Méthodologique
Conduite du Changement: Guide MéthodologiqueConduite du Changement: Guide Méthodologique
Conduite du Changement: Guide Méthodologique
 

En vedette

Powerpoint management thème ii icemba 2016
Powerpoint management thème ii icemba  2016Powerpoint management thème ii icemba  2016
Powerpoint management thème ii icemba 2016
sciafrique
 
Powerpoint management thème iv icemba 2016
Powerpoint management thème iv icemba  2016Powerpoint management thème iv icemba  2016
Powerpoint management thème iv icemba 2016
sciafrique
 
Les cles du management d'equipe
Les cles du management d'equipeLes cles du management d'equipe
Les cles du management d'equipe
Boubacar Cissé
 
Importance de la veille digitale
Importance de la veille digitaleImportance de la veille digitale
Importance de la veille digitale
Social media Club Tunisia
 
Les outils du_developpement_personnel_manager
Les outils du_developpement_personnel_managerLes outils du_developpement_personnel_manager
Les outils du_developpement_personnel_manager
BAMBA Athanaz
 
Tests & recette - Les fondamentaux
Tests & recette - Les fondamentauxTests & recette - Les fondamentaux
Tests & recette - Les fondamentaux
COMPETENSIS
 
Séance 2.4 Business Finance
Séance 2.4 Business FinanceSéance 2.4 Business Finance
Séance 2.4 Business Finance
sciafrique
 
Séance 2.3 Business Finance
Séance 2.3 Business FinanceSéance 2.3 Business Finance
Séance 2.3 Business Finance
sciafrique
 
Séance 2.1 Business Finance
Séance 2.1 Business FinanceSéance 2.1 Business Finance
Séance 2.1 Business Finance
sciafrique
 
Séance 2.2 Business Finance
Séance 2.2 Business FinanceSéance 2.2 Business Finance
Séance 2.2 Business Finance
sciafrique
 

En vedette (10)

Powerpoint management thème ii icemba 2016
Powerpoint management thème ii icemba  2016Powerpoint management thème ii icemba  2016
Powerpoint management thème ii icemba 2016
 
Powerpoint management thème iv icemba 2016
Powerpoint management thème iv icemba  2016Powerpoint management thème iv icemba  2016
Powerpoint management thème iv icemba 2016
 
Les cles du management d'equipe
Les cles du management d'equipeLes cles du management d'equipe
Les cles du management d'equipe
 
Importance de la veille digitale
Importance de la veille digitaleImportance de la veille digitale
Importance de la veille digitale
 
Les outils du_developpement_personnel_manager
Les outils du_developpement_personnel_managerLes outils du_developpement_personnel_manager
Les outils du_developpement_personnel_manager
 
Tests & recette - Les fondamentaux
Tests & recette - Les fondamentauxTests & recette - Les fondamentaux
Tests & recette - Les fondamentaux
 
Séance 2.4 Business Finance
Séance 2.4 Business FinanceSéance 2.4 Business Finance
Séance 2.4 Business Finance
 
Séance 2.3 Business Finance
Séance 2.3 Business FinanceSéance 2.3 Business Finance
Séance 2.3 Business Finance
 
Séance 2.1 Business Finance
Séance 2.1 Business FinanceSéance 2.1 Business Finance
Séance 2.1 Business Finance
 
Séance 2.2 Business Finance
Séance 2.2 Business FinanceSéance 2.2 Business Finance
Séance 2.2 Business Finance
 

Similaire à Seance 1 & 2 deploiement de la bi dans l'entreprise

Business Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseBusiness Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseAlexandre Equoy
 
Séminaire IDS Scheer Processus Santé part 1
Séminaire IDS Scheer Processus Santé part 1Séminaire IDS Scheer Processus Santé part 1
Séminaire IDS Scheer Processus Santé part 1
SAGIDS1
 
Bank insight n°7 - La valorisation de la donnée
Bank insight n°7 - La valorisation de la donnéeBank insight n°7 - La valorisation de la donnée
Bank insight n°7 - La valorisation de la donnée
Wavestone
 
7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...
dibs-conseil
 
IBM Data lake
IBM Data lakeIBM Data lake
IBM Data lake
IBMInfoSphereUGFR
 
Final
FinalFinal
Final
FinalFinal
Etude fichiers clients et base de données
Etude   fichiers clients et base de donnéesEtude   fichiers clients et base de données
Etude fichiers clients et base de donnéeslapigemd
 
Livre blanc optimisation_ressources_marketing
Livre blanc optimisation_ressources_marketingLivre blanc optimisation_ressources_marketing
Livre blanc optimisation_ressources_marketing
Amel Miaoulis
 
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Perrein Jean-Pascal
 
Dwh udl 2014_2015_v0.22 - student
Dwh udl 2014_2015_v0.22 - studentDwh udl 2014_2015_v0.22 - student
Dwh udl 2014_2015_v0.22 - student
Carlos Sanin
 
Webinaire Business&Decision - Trifacta
Webinaire  Business&Decision - TrifactaWebinaire  Business&Decision - Trifacta
Webinaire Business&Decision - Trifacta
Victor Coustenoble
 
Data Mining (Partie 1).pdf
Data Mining (Partie 1).pdfData Mining (Partie 1).pdf
Data Mining (Partie 1).pdf
OuailChoukhairi
 
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
DÉBAT SUR LA GOUVERNANCE DE DONNÈESDÉBAT SUR LA GOUVERNANCE DE DONNÈES
DÉBAT SUR LA GOUVERNANCE DE DONNÈESAngelaPieruccini
 
Exploitez le Big Data dans le cadre de votre stratégie MDM
Exploitez le Big Data dans le cadre de votre stratégie MDMExploitez le Big Data dans le cadre de votre stratégie MDM
Exploitez le Big Data dans le cadre de votre stratégie MDM
Jean-Michel Franco
 
Chapitre 1 les entrepôts de données
Chapitre 1 les entrepôts de donnéesChapitre 1 les entrepôts de données
Chapitre 1 les entrepôts de données
Mohamed Mkaouar
 
Le Big Data dans la Banque et l'Assurance
Le Big Data dans la Banque et l'AssuranceLe Big Data dans la Banque et l'Assurance
Le Big Data dans la Banque et l'Assurance
AMNIS Consulting
 
[Fr] Information builders - MDM et Big Data
[Fr] Information builders - MDM et Big Data[Fr] Information builders - MDM et Big Data
[Fr] Information builders - MDM et Big Data
Yann Gourvennec
 
Introduction au Big data
Introduction au Big data Introduction au Big data
Introduction au Big data
fatimabenjelloun1
 

Similaire à Seance 1 & 2 deploiement de la bi dans l'entreprise (20)

Business Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouseBusiness Intelligence : introduction to datawarehouse
Business Intelligence : introduction to datawarehouse
 
Séminaire IDS Scheer Processus Santé part 1
Séminaire IDS Scheer Processus Santé part 1Séminaire IDS Scheer Processus Santé part 1
Séminaire IDS Scheer Processus Santé part 1
 
Bank insight n°7 - La valorisation de la donnée
Bank insight n°7 - La valorisation de la donnéeBank insight n°7 - La valorisation de la donnée
Bank insight n°7 - La valorisation de la donnée
 
7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...7 points clés à retenir pour aborder le data management de données clients...
7 points clés à retenir pour aborder le data management de données clients...
 
IBM Data lake
IBM Data lakeIBM Data lake
IBM Data lake
 
Final
FinalFinal
Final
 
Final
FinalFinal
Final
 
Etude fichiers clients et base de données
Etude   fichiers clients et base de donnéesEtude   fichiers clients et base de données
Etude fichiers clients et base de données
 
Livre blanc optimisation_ressources_marketing
Livre blanc optimisation_ressources_marketingLivre blanc optimisation_ressources_marketing
Livre blanc optimisation_ressources_marketing
 
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
Offre 3org Conseil sur la gouvernance et la gestion de l'information d'entrep...
 
Dwh udl 2014_2015_v0.22 - student
Dwh udl 2014_2015_v0.22 - studentDwh udl 2014_2015_v0.22 - student
Dwh udl 2014_2015_v0.22 - student
 
Webinaire Business&Decision - Trifacta
Webinaire  Business&Decision - TrifactaWebinaire  Business&Decision - Trifacta
Webinaire Business&Decision - Trifacta
 
Data Mining (Partie 1).pdf
Data Mining (Partie 1).pdfData Mining (Partie 1).pdf
Data Mining (Partie 1).pdf
 
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
DÉBAT SUR LA GOUVERNANCE DE DONNÈESDÉBAT SUR LA GOUVERNANCE DE DONNÈES
DÉBAT SUR LA GOUVERNANCE DE DONNÈES
 
Exploitez le Big Data dans le cadre de votre stratégie MDM
Exploitez le Big Data dans le cadre de votre stratégie MDMExploitez le Big Data dans le cadre de votre stratégie MDM
Exploitez le Big Data dans le cadre de votre stratégie MDM
 
Chapitre 1 les entrepôts de données
Chapitre 1 les entrepôts de donnéesChapitre 1 les entrepôts de données
Chapitre 1 les entrepôts de données
 
Le Big Data dans la Banque et l'Assurance
Le Big Data dans la Banque et l'AssuranceLe Big Data dans la Banque et l'Assurance
Le Big Data dans la Banque et l'Assurance
 
[Fr] Information builders - MDM et Big Data
[Fr] Information builders - MDM et Big Data[Fr] Information builders - MDM et Big Data
[Fr] Information builders - MDM et Big Data
 
Bddwdm
BddwdmBddwdm
Bddwdm
 
Introduction au Big data
Introduction au Big data Introduction au Big data
Introduction au Big data
 

Plus de sciafrique

Business plan sequence 2
Business plan sequence 2Business plan sequence 2
Business plan sequence 2
sciafrique
 
Business plan sequence 1
Business plan sequence 1Business plan sequence 1
Business plan sequence 1
sciafrique
 
Entrepreneurship icemba 1
Entrepreneurship icemba 1Entrepreneurship icemba 1
Entrepreneurship icemba 1
sciafrique
 
Powerpoint de Business Plan Writing
Powerpoint de Business Plan WritingPowerpoint de Business Plan Writing
Powerpoint de Business Plan Writing
sciafrique
 
Powerpoint de la séance4.3 de Business Plan
Powerpoint de la  séance4.3 de Business PlanPowerpoint de la  séance4.3 de Business Plan
Powerpoint de la séance4.3 de Business Plan
sciafrique
 
Powerpoint de la séance4.2 de Business Plan
Powerpoint de la séance4.2 de Business PlanPowerpoint de la séance4.2 de Business Plan
Powerpoint de la séance4.2 de Business Plan
sciafrique
 
Powerpoint de la séance4.1 de Business Plan
Powerpoint de la séance4.1 de Business PlanPowerpoint de la séance4.1 de Business Plan
Powerpoint de la séance4.1 de Business Plan
sciafrique
 
powerpoint de la séance3.4de Leadership & Management
powerpoint de la séance3.4de Leadership & Managementpowerpoint de la séance3.4de Leadership & Management
powerpoint de la séance3.4de Leadership & Management
sciafrique
 
powerpoint de la séance3.3 de Leadership & Management
powerpoint de la séance3.3 de Leadership & Managementpowerpoint de la séance3.3 de Leadership & Management
powerpoint de la séance3.3 de Leadership & Management
sciafrique
 
powerpoint de la séance3.2de Leadership & Management
powerpoint de la séance3.2de Leadership & Managementpowerpoint de la séance3.2de Leadership & Management
powerpoint de la séance3.2de Leadership & Management
sciafrique
 
Powerpoint de la séance3.1 Leadership & Management
Powerpoint de la séance3.1 Leadership & ManagementPowerpoint de la séance3.1 Leadership & Management
Powerpoint de la séance3.1 Leadership & Management
sciafrique
 
powerpoint de la séance3.4 E-commerce and Internet Marketing
powerpoint de la séance3.4 E-commerce and Internet Marketingpowerpoint de la séance3.4 E-commerce and Internet Marketing
powerpoint de la séance3.4 E-commerce and Internet Marketing
sciafrique
 
powerpoint de la séance1.2 E-commerce and Internet Marketing
powerpoint de la séance1.2 E-commerce and Internet Marketingpowerpoint de la séance1.2 E-commerce and Internet Marketing
powerpoint de la séance1.2 E-commerce and Internet Marketing
sciafrique
 
powerpoint de la séance1.1 E-commerce and Internet Marketing
powerpoint de la séance1.1 E-commerce and Internet Marketingpowerpoint de la séance1.1 E-commerce and Internet Marketing
powerpoint de la séance1.1 E-commerce and Internet Marketing
sciafrique
 
Powerpoint de la séance1.3 Business Law and Patent LAw
Powerpoint de la séance1.3 Business Law and Patent LAwPowerpoint de la séance1.3 Business Law and Patent LAw
Powerpoint de la séance1.3 Business Law and Patent LAw
sciafrique
 
Powerpoint de la séance1.2 Business Law and Patent Law
Powerpoint de la séance1.2 Business Law and Patent LawPowerpoint de la séance1.2 Business Law and Patent Law
Powerpoint de la séance1.2 Business Law and Patent Law
sciafrique
 
powerpoint de la séance1.1 Business Law and Patent law
powerpoint de la séance1.1 Business Law and Patent lawpowerpoint de la séance1.1 Business Law and Patent law
powerpoint de la séance1.1 Business Law and Patent law
sciafrique
 
Séance 1 droit commercial
 Séance 1 droit commercial   Séance 1 droit commercial
Séance 1 droit commercial
sciafrique
 
powerpoint de la séance4.3 de Leadership & Management
powerpoint de la séance4.3 de Leadership & Managementpowerpoint de la séance4.3 de Leadership & Management
powerpoint de la séance4.3 de Leadership & Management
sciafrique
 

Plus de sciafrique (19)

Business plan sequence 2
Business plan sequence 2Business plan sequence 2
Business plan sequence 2
 
Business plan sequence 1
Business plan sequence 1Business plan sequence 1
Business plan sequence 1
 
Entrepreneurship icemba 1
Entrepreneurship icemba 1Entrepreneurship icemba 1
Entrepreneurship icemba 1
 
Powerpoint de Business Plan Writing
Powerpoint de Business Plan WritingPowerpoint de Business Plan Writing
Powerpoint de Business Plan Writing
 
Powerpoint de la séance4.3 de Business Plan
Powerpoint de la  séance4.3 de Business PlanPowerpoint de la  séance4.3 de Business Plan
Powerpoint de la séance4.3 de Business Plan
 
Powerpoint de la séance4.2 de Business Plan
Powerpoint de la séance4.2 de Business PlanPowerpoint de la séance4.2 de Business Plan
Powerpoint de la séance4.2 de Business Plan
 
Powerpoint de la séance4.1 de Business Plan
Powerpoint de la séance4.1 de Business PlanPowerpoint de la séance4.1 de Business Plan
Powerpoint de la séance4.1 de Business Plan
 
powerpoint de la séance3.4de Leadership & Management
powerpoint de la séance3.4de Leadership & Managementpowerpoint de la séance3.4de Leadership & Management
powerpoint de la séance3.4de Leadership & Management
 
powerpoint de la séance3.3 de Leadership & Management
powerpoint de la séance3.3 de Leadership & Managementpowerpoint de la séance3.3 de Leadership & Management
powerpoint de la séance3.3 de Leadership & Management
 
powerpoint de la séance3.2de Leadership & Management
powerpoint de la séance3.2de Leadership & Managementpowerpoint de la séance3.2de Leadership & Management
powerpoint de la séance3.2de Leadership & Management
 
Powerpoint de la séance3.1 Leadership & Management
Powerpoint de la séance3.1 Leadership & ManagementPowerpoint de la séance3.1 Leadership & Management
Powerpoint de la séance3.1 Leadership & Management
 
powerpoint de la séance3.4 E-commerce and Internet Marketing
powerpoint de la séance3.4 E-commerce and Internet Marketingpowerpoint de la séance3.4 E-commerce and Internet Marketing
powerpoint de la séance3.4 E-commerce and Internet Marketing
 
powerpoint de la séance1.2 E-commerce and Internet Marketing
powerpoint de la séance1.2 E-commerce and Internet Marketingpowerpoint de la séance1.2 E-commerce and Internet Marketing
powerpoint de la séance1.2 E-commerce and Internet Marketing
 
powerpoint de la séance1.1 E-commerce and Internet Marketing
powerpoint de la séance1.1 E-commerce and Internet Marketingpowerpoint de la séance1.1 E-commerce and Internet Marketing
powerpoint de la séance1.1 E-commerce and Internet Marketing
 
Powerpoint de la séance1.3 Business Law and Patent LAw
Powerpoint de la séance1.3 Business Law and Patent LAwPowerpoint de la séance1.3 Business Law and Patent LAw
Powerpoint de la séance1.3 Business Law and Patent LAw
 
Powerpoint de la séance1.2 Business Law and Patent Law
Powerpoint de la séance1.2 Business Law and Patent LawPowerpoint de la séance1.2 Business Law and Patent Law
Powerpoint de la séance1.2 Business Law and Patent Law
 
powerpoint de la séance1.1 Business Law and Patent law
powerpoint de la séance1.1 Business Law and Patent lawpowerpoint de la séance1.1 Business Law and Patent law
powerpoint de la séance1.1 Business Law and Patent law
 
Séance 1 droit commercial
 Séance 1 droit commercial   Séance 1 droit commercial
Séance 1 droit commercial
 
powerpoint de la séance4.3 de Leadership & Management
powerpoint de la séance4.3 de Leadership & Managementpowerpoint de la séance4.3 de Leadership & Management
powerpoint de la séance4.3 de Leadership & Management
 

Dernier

MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
Horgix
 
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Laurent Speyser
 
COURS D'ADMINISTRATION RESEAU SOUS WINDOWS
COURS D'ADMINISTRATION RESEAU  SOUS WINDOWSCOURS D'ADMINISTRATION RESEAU  SOUS WINDOWS
COURS D'ADMINISTRATION RESEAU SOUS WINDOWS
AlbertSmithTambwe
 
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptxPRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
AlbertSmithTambwe
 
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
OCTO Technology
 
Les écrans informatiques au fil du temps.pptx
Les écrans informatiques au fil du temps.pptxLes écrans informatiques au fil du temps.pptx
Les écrans informatiques au fil du temps.pptx
abderrahimbourimi
 
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
OCTO Technology
 
Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024
UNITECBordeaux
 
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'universitéDe l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
Université de Franche-Comté
 

Dernier (9)

MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
MongoDB in a scale-up: how to get away from a monolithic hell — MongoDB Paris...
 
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
Ouvrez la porte ou prenez un mur (Agile Tour Genève 2024)
 
COURS D'ADMINISTRATION RESEAU SOUS WINDOWS
COURS D'ADMINISTRATION RESEAU  SOUS WINDOWSCOURS D'ADMINISTRATION RESEAU  SOUS WINDOWS
COURS D'ADMINISTRATION RESEAU SOUS WINDOWS
 
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptxPRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
PRESENTATION DE L'ACTIVE DIRECTORY SOUS WINDOWS SERVEUR.pptx
 
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
Le Comptoir OCTO - Équipes infra et prod, ne ratez pas l'embarquement pour l'...
 
Les écrans informatiques au fil du temps.pptx
Les écrans informatiques au fil du temps.pptxLes écrans informatiques au fil du temps.pptx
Les écrans informatiques au fil du temps.pptx
 
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
Le Comptoir OCTO - Qu’apporte l’analyse de cycle de vie lors d’un audit d’éco...
 
Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024Le support de présentation des Signaux 2024
Le support de présentation des Signaux 2024
 
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'universitéDe l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
De l'IA comme plagiat à la rédaction d'une « charte IA » à l'université
 

Seance 1 & 2 deploiement de la bi dans l'entreprise

  • 1.
  • 2. PLAN DU COURS  Mise en œuvre du processus de BI  L’intégration des données  Les outils de restitutions  Déploiement de la BI
  • 3. Définition des terminologies Le data Warehouse, le datamart, le data mining Définition (Datawarehouse) Le lieu de stockage intermédiaire des différentes données en vue de la constitution du système d'information décisionnel. Le datawarehouse est ainsi le lieu unique de consolidation de l'ensemble des données de l'entreprises. Selon Bill INMON « Un datawarehouse est une collection de données orientées sujet, Intégrées, non volatiles et historisées pour la prise de décisions. » Définition (Datamart) Le terme Datamart (littéralement magasin de données) désigne un sous-ensemble du datawarehouse contenant les données du datawarehouse pour un secteur particulier de l'entreprise (département, direction, service, gamme de produit, etc.). On parle ainsi par exemple de DataMart Marketing, DataMart Commercial, ... Définition (Data mining) C’est l’extraction d'un savoir ou d'une connaissance à partir de grandes quantités de données. Le Data Mining est une étape dans le processus d’extraction des connaissances, qui consiste à appliquer des algorithmes d’analyse des données.
  • 4. Eléments de base d’un Datawarehouse  Source: base de données source ou autre  Base intermédiaire de données (ODS)  Cible : Serveur de présentation des données contenues dans le datawarehouse. Source ODS Cible
  • 5. Caractéristiques et fonctionnalités Un datawarehouse: • Est un dépôt d’information • Améliore l’accès aux données intégrées • Garantie l’intégrité et la qualité • Fournie une perspective historique • Enregistre les résultats et les données synthétiques • Est utilisé par plusieurs utilisateurs de profils différent dans des contextes et des besoins différents • Réduit l’impact du reporting et de l’analyse sur les bases opérationnelles • Requières un effort d’intégration des systèmes (agilité du SI)
  • 7. Les données sont organisées et stockées par sujet métier et non par application. Cela signifie que les données collectées doivent être orientées « métier » et donc triées par thème Application opérationnelles Sujet Datawarehouse Contentieux Assurances Dépôts Crédits Titres Information financière client
  • 8. Le datawarehouse - Intégration C'est-à-dire qu'un « nettoyage » préalable des données est nécessaire dans un souci de rationalisation et de normalisation
  • 9. Le datawarehouse - Non volatile Une donnée entrée dans l'entrepôt l'est pour de bon et n'a pas vocation à être supprimée
  • 10. Le datawarehouse - Historisation Les données doivent être datées
  • 11. Modèle physique d’un schéma en étoile
  • 12.
  • 13.
  • 14. Processus inductif, itératif et interactif de découverte dans les BD larges de modèles de données valides, nouveaux, utiles et compréhensibles.  Itératif: nécessite plusieurs passes  Interactif: l’utilisateur est dans la boucle du processus  Valides: valables dans le futur  Nouveaux: non prévisibles  Utiles: permettent à l’utilisateur de prendre des décisions  Compréhensibles: présentation simple
  • 15. Abduction: diagnostic médical, ...  Toutes les voitures ont 4 roues  La Peugeot 206 a 4 roues  ==> La Peugeot 206 est une voiture Déduction: Raisonnement qui conclut à partir de prémisses et d’hypothèses à la vérité d’une proposition en usant des règles d’inférence  Toutes les voitures ont 4 roues  La Peugeot 206 est une voiture  ==> La Peugeot 206 a 4 roues Induction: Généralisation d’une observation ou d’un raisonnement établis à partir de cas singuliers. Utilisée en Datamining (tirer une conclusion à partir d’une série de faits, pas sûre à 100%)  La clio a 4 roues, La Peugeot 106 a 4 roues, La BMW M3 a 4 roues, La Mercedes 190 a 4 roues  ==> Toutes les voitures ont 4 roues
  • 16.  Classification  Clustering (Segmentation)  Règle d’associations  Recherche de séquences  Détection de déviation
  • 17. Elle permet de prédire si un élément est membre d’un groupe ou d’une catégorie donné. Classes  Identification de groupes avec des profils particuliers  Apprentissage supervisé: classes connues à l’avance  Applications : marketing direct (profils des consommateurs), grande distribution (classement des clients), médecine (malades/non malades), etc.  Exemple : les acheteurs de voiture de sport sont de jeunes citadins ayant un revenu important
  • 18.  Partitionnement logique de la base de données en clusters  Clusters : groupes d’instances ayant les mêmes caractéristiques  Apprentissage non supervisé (classes inconnues)  Pb : interprétation des clusters identifiés  Applications : Economie (segmentation de marchés), médecine (localisation de tumeurs dans le cerveau), etc.
  • 19.  Corrélations (ou relations) entre attributs (méthode non supervisée)  Applications : grande distribution, gestion des stocks, web (pages visitées), etc. Exemple  BD commerciale : panier de la ménagère  Articles figurant dans le même ticket de caisse  Ex: achat de riz + vin blanc, achat de poisson achats bières et couche-culotte
  • 20. Recherche de séquences  Liaisons entre événements sur une période de temps  Extension des règles d’association - Prise en compte du temps (série temporelle) - Achat Télévision ==> Achat Magnétoscope d’ici 5 ans  Applications : marketing direct (anticipation des commandes), bourse (prédiction des valeurs des actions) Exemple  BD commerciale (ventes par correspondance)  Commandes de clients  Ex: 60% des consommateurs qui commandent la bière «Mort subite» commandent de l’aspro juste après.
  • 21. Instances ayant des caractéristiques les plus différentes des autres  Basée sur la notion de distance entre instances  Expression du problème - Temporelle : évolution des instances ? - Spatiale : caractéristique d’un cluster d’instances ? Applications  Détection de fraudes (transactions avec une carte bancaire inhabituelle en télémarketing) Caractéristiques  Problème d’interprétation : bruit ou exception (donc connaissance intéressante)
  • 22.
  • 23. Exemple 1 - Marketing  Vous êtes gestionnaire marketing d’un opérateur de télécommunications mobiles :  Les clients reçoivent un téléphone gratuit avec un contrat d’un an; vous payer une commission de vente de 250€ par contrat  Problème: Taux de renouvellement(à la fin du contrat) est de 25%  Donner un nouveau téléphone à toute personne ayant expirer son contrat coûte cher.  Faire revenir un client après avoir quitter est difficile et coûteux.
  • 24.  Trois mois avant l’expiration du contrat, prédire les clients qui vont quitter :  Si vous voulez les garder, offrir un nouveau téléphone.
  • 25. Exemple 2 – Web Les logs des accès Web sont analysés pour…  Découvrir les préférences des utilisateurs  Améliorer l’organisation du site Web De manière similaire…  L’analyse de tous les types d’informations sur les logs  Adaptation de l’interface
  • 26. Exemple 3 – Banque, Télécom Vous êtes à l’étranger et quelqu’un a volé votre carte bancaire ou votre mobile … Compagnies bancaires…  Utiliser les données historiques pour construire un modèle de comportement frauduleux et utiliser le data mining pour identifier des instances similaires. Compagnies téléphoniques…  Analyser les “patterns” qui dérivent du comportement attendu (destinataire, durée, etc.)
  • 27. Objectifs  Comment mettre en place des processus d’extraction, de transformation et de chargement pour la construction d’un datawarehouse.  Les différentes techniques d’extraction, de transformation, et de chargement.
  • 28. Processus d’Extraction, de Transformation et de Chargement (ETL)  Extraire les donnés sources  Transformer et nettoyer les données  Indexation et agrégation  Charger les données dans le datawarehouse  Détecter les changements  Rafraîchir les données
  • 29. Extraction de données  Les sources de données sont souvent diverses et variées et le but est de trouver des outils ETL (Extraction / Transformation / Loading) afin de les extraire, de les nettoyer, de les transformer et de les mettre dans l'entrepôt de données
  • 30. Qualités des données La qualité des données extraites est critique pour :  Standardisation dans le datawarehouse  Un bon rapprochement entre noms, adresses ….  La création de règles et contraintes exactes  Prévision et analyse  Création d’une infrastructure solide de support BI centré sur le client  Réduction des risques dans les projets  Réduction des coût à long terme
  • 31. Transformation Les Transformations éliminent les anomalies dans les données opérationnelles :  Nettoyer  Éliminer le superflu  Enrichir  Fusionner  Intégrer  Transformer avant chargement Pourquoi transformer?
  • 32. Chargement  Le chargement alimente le datawarehouse des données.  Le rafraichissement fréquent charge de petits volumes.  Le processus métier détermine le cycle de chargement
  • 33. Online Analytical Processing (OLAP)  OLAP a pour but d'organiser les données à analyser par domaine/thème et d'en ressortir des résultats pertinents pour le décideur. Les résultats sont donc des résumés et peuvent être obtenus par différents algorithmes de datamining (fouille de données) du serveur d'analyse.  On peut par exemple établir le résultat suivant : « Les clients qui achètent généralement du beurre et du pain achètent aussi du lait ». Ces résultats pourraient amener l'organisation (ici en l'occurrence une grande distribution) à disposer ses rayons de telle façon qu'à côté de l'emplacement du beurre, elle mettra le pain et le lait..  l'OLAP signifie faire de l'analyse de données. Analyser les ventes, détecter les fraudes, prospecter des clients font partie du processus OLAP.
  • 34.
  • 35. Module de restitution d’un SID  Les plus visibles pour l’utilisateur  Régit les conditions d'accès de l'utilisateur aux informations.  Assure le fonctionnement du poste de travail, le contrôle d'accès, la prise en charge des requêtes, la visualisation des résultats sous une forme ou une autre.  Utilise toutes les techniques de communication possibles (outils bureautiques, requêteurs et générateurs d'états spécialisés, infrastructure web, télécommunications mobiles, etc.)
  • 36. Définitions (Reporting)  Présentation périodique (hebdomadaire, mensuelle, annuelle) des données liées à l’activité de l’entreprise globale ou par métier (Reporting financier, commercial), le plus souvent restituées sous la forme de tableaux de bord (ex : graphiques du CA mensuel etc.) et de rapports d’activité (ex : rapport d’activité financière).
  • 37. Définitions (Tableaux de bord)  Outil de Reporting de l’activité d’entreprise au global ou par métier sous forme de tableaux dynamiques ou statiques. Chaque utilisateur peut réaliser ses propres tableaux de bord en croisant les données selon différents axes d’analyse (analyse simple= un seul critère d’information ou multidimensionnelle = plusieurs critères d’information). Le tableau de bord est également un outil d’aide au pilotage de l’activité permettant de prendre les décisions en temps réel.  Pour qu’un tableau de bord soit efficace il faut choisir de bons indicateurs.
  • 38. Qu’est ce qu’un bon indicateur  Temps réel: le tableau de bord de pilotage doit comporter les indicateurs dont le rafraîchissement est compatible avec la prise de décision  lorsque l’information est délivrée l’action est possible.  Réalisable à coût acceptable : un bon indicateur est réalisable avec un coût acceptable; il faut chercher le juste milieu entre le profit à tirer des indicateurs en terme de décision et le coût de leurs disponibilités.  Fiable :le décideur doit avoir une totale confiance en son tableau de bord, si le doute s’installe l’outil sera rejeté  Présentation :la présentation de l’indicateur doit être étudiée, les longs tableaux de bord sont à éviter et les présentations (Courbes, Jauges, listes etc.) sont à utiliser chacun dans sons contexte précis.
  • 41.  Comparaisons entre certains outils
  • 42. Les projets de mise en place et déploiement de solutions de Business Intelligence ont ceci de particulier qu’ils nécessitent très tôt une implication et une sollicitation forte des utilisateurs. Les besoins fonctionnels sont en effet très répartis au sein de l’entreprise ; il s’agit dans la majorité des cas de remplacer des outils personnels, développés par les utilisateurs eux mêmes (bureautique). Il en découle certaines spécificités, sur lesquelles nous devons prêter une attention particulière :  La présence d’un sponsor fort, et la communication en interne des objectifs stratégiques de l’entreprise.  Un lien très étroit entre la définition des besoins (maitrise d’œuvre) et la réalisation technique (maitrise d’ouvrage).  La mise en place d’équipes mixtes (techniques et fonctionnelles) tout au long du projet.  De manière standard, un projet de déploiement de solution de Business Intelligence se base sur les étapes suivantes :
  • 43. Phase Objectifs Livrables PRE ÉTUDE - LANCEMENT Estimer les coûts internes et externes Analyser les opportunités Description des fonctionnalités attendues Définition des enjeux pour l'entreprise Macro Planning CADRAGE Présenter le projet en interne Identifier les utilisateurs Identifier les sources de données Choisir la solution technique (architecture) Définir l'équipe projet Description de la solution retenue Planning de réalisation Annuaire du projet CONCEPTION Concevoir architecture technique et applicative Rédiger la modélisation multidimensionnelle Rédiger les spécifications techniques (alimentation et métadonnées, outil d'administration et de restitution, portail et sécurité Dossier de spécifications Cahier de recettes techniques Cahier de recettes fonctionnelles RÉALISATION Mettre en place les environnements de tests Réaliser les prototypes Réaliser les recettes techniques et fonctionnelles Assurer le déploiement de la solution PV de recettes Documentations techniques (architecture, paramétrage) ACCOMPAGNEMENT AU CHANGEMENT Formations des utilisateurs Formations des équipes techniques Documentation utilisateur Dossier de support Outils pour la phase de Run Bilan du projet