Les entreprises soucieuses de leur progrès tentent à satisfaire continuellement leurs clients potentiels. L’utilisation du e-commerce, l’essor des technologies liées à l’internet fait naître de nouvelles attentes de la part des clients et des collaborateurs. Ceci oblige ces entreprises à prendre les décisions adéquates en vue de répondre aux exigences de leurs clients, en examinant leur comportement sur son site de e-commerce. L’analyse du marché pour une entreprise donnée repose sur la quantité importante d’informations provenant de son site web marchand. Cette analyse peut se faire en exploitant les entrepôts de données (ED) ou data warehouse (DW) d’une part et les outils de data mining ou de fouille de données pour une classification (profilage) des clients d’autre part, car l’aide à la décision peut nécessiter de comprendre plus profondément les chiffres et les faits de l’entreprise. Le présent article décrit la conception, l’architecture et quelques fonctionnalités d’un outil d’aide à la décision pour la gestion de la relation client sur un site de e-commerce. Le travail présenté dans cet article consiste en la conception et la réalisation d’un outil d’aide à la décision dans la gestion de la relation client sur internet. L’intérêt principal d’un tel outil est d’offrir aux décideurs une meilleure vision de leurs clients leur permettant ainsi, une meilleure gestion de leurs entreprises. Comme perspective à ce travail, nous proposons un enrichissement du module data mining en intégrant d’autres techniques de classification telles que les réseaux de neurones.

1. SETIT 2005
Conférence Internationale: Sciences Electroniques,
Technologies de l'Information et des Télécommunications
27– 31 Mars 2005, Sousse, TUNISIE
Conception d’un outil décisionnel pour la gestion de
la relation client dans un site de e-commerce
Nazih SELMOUNE*, Saida BOUKHEDOUMA* , Zaia ALIMAZIGHI*
*Laboratoire des Systèmes Informatiques(LSI )- USTHB - ALGER
selmoune@wissal.dz
boukhedouma@wissal.dz
alimazighi@wissal.dz

2. SETIT'2005 2
PLAN
 Introduction
 Concepts de base du décisionnel
 CRM : Problématique
 Conception de l’outil décisionnel
 Implémentation
 Conclusion & Perspectives

3. SETIT'2005 3
Contexte économique:
Montée des pressions concurrentielle.
Le client est instable et complexe: ses attentes évoluent.
Fidéliser sa clientèle, coûte moins cher et rapporte plus, que
de conquérir une nouvelle clientèle.
Contexte technologique:
Ouverture sur le Net
Emergence des concepts de l’informatique décisionnelle
Introduction

4. SETIT'2005 4
Notre objectif :
La conception et la mise en œuvre d’un outil
d’aide à la décision basé sur les techniques
d’entrepôt de données et de data mining, dans le
but d’assister les entreprises de vente sur Internet,
dans la gestion de leurs relations avec les client

5. SETIT'2005 5
Entrepôt de données (Définition):
Un entrepôt de données est une collection de
données :
 intégrées
 orientées sujet
 non volatiles
 historisées
 résumées
 disponible pour l’interrogation et l’analyse.
I. Concepts de base du décisionnel

6. SETIT'2005 6
Intégration de données:
Sources multiples
Hétérogènes
Locales ou
Externes
Structurée, semi-
structurées, ou non
structurées
Réorganisation orientée
sujet:
Données sont.
réorganisées autour de
thèmes d’utilisation.
Chaque décideur, doit
disposer d’une vue sur les
informations qui lui sont
pertinentes.
Magasins (Data Marts),
Caractéristiques :

7. SETIT'2005 7
Conservation des données :
‘ Tout se conserve, rien ne se
perd ’
 DW est accessible en ajout
ou en consultation
uniquement.
 Modifications permises
dans des cas particulier:
erreurs,…etc.
Historisation :
 Conservation de
l’évolution des données
dans le temps,
 Prédiction des
modifications futures
 Etude de la corrélation
possible, entre certains
événements.

8. SETIT'2005 8
Possibilité de consolidation:
Nécessité de fonctions
d’agrégats, permettant de
synthétiser les données
Disponibilité à
l’interrogation, et à
l’analyse:
Outils de:
Interrogation
Visualisation
Analyse

9. SETIT'2005 9
OLAP
Requêtes/
rapports
Data mining
Data
Warehouse
Serveur
OLAP
Meta
données
Construction &
maintenance
I
N
T
E
G
R
A
T
I
O
N
Sources internes
R
E
S
T
R
U
C
T
U
R
A
T
I
O
N
Magasins
de Données
Architecture d’un entrepôt de données

10. SETIT'2005 10
2000
2001
2002
Mobiles Fax Standard
Région
Ventes de téléphones standards
dans la région de Constantine
en 2002
Alger
Oran
Constantine
Année
Type de
Produit
Modèle Multidimensionnel :

11. SETIT'2005 11
Ventes
Temps_clé
Prod_clé
Promo_clé
Rég_clé
Ventes_$
Ventes_unités
Nb_clients
Temps
Temps_clé
Jour
Mois
Région
Rég_clé
Nom_Rég
…
Produit
Prod_clé
Type
Couleur
Promotion
Promo_clé
Attr1
Attr2
Les Tables de Dimensions
La Table de Faits
Schéma en étoile

12. SETIT'2005 12
Techniques OLAP :
Dicing
Slicing Scoping

13. SETIT'2005 13
Drill Down / Drill Up :
DRILL UP
00-
02
2000 2001 2002
S1
2000
S2
2000
S1
2001
S2
2001
S1
2002
S2
2002
Standard 980 Standard 300 280 400 Standard 120 180 160 120 250 150
Mobile 580 Mobile 300 160 120 Mobile 164 136 80 80 90 30
Fax 700 Fax 150 300 250 Fax 55 95 206 94 200 50
DRILL DOWN

14. SETIT'2005 14
Data Mining (Définition) :
Le Data Mining fait référence à un ensemble de techniques
d’exploration et d’analyse, par des moyens automatiques ou semi-
automatiques, d’une masse importante de données dans le but de
découvrir des tendances cachées ou des règles significatives.
En fait il s’agit de : Creuser une mine (le DW) pour rechercher
un filon (l’information).

15. SETIT'2005 15
II. CRM : Problématique
 CRM est un acronyme pour Customer Relationship
Management - GRC ou Gestion de la Relation Client en français
-.
 CRM est un terme de l’industrie des systèmes d’information
englobant des méthodologies, du software et habituellement des
capacités Internet qui aide une entreprise à gérer ses relations
client d’une manière structurée.

16. SETIT'2005 16
E-CRM :
L'E-CRM Est un processus continu d'amélioration de la
relation client sur Internet
 66% des acheteurs potentiels abandonnent le processus d'achat
en cours
 59% des internautes acheteurs se disent insatisfaits du service
client de leur site d'achat
 Moins de 5% des visiteurs uniques deviennent clients
Source: META Group, Business Week, Forrester Research, Jupiter Communication

17. SETIT'2005 17
Decideur
Accéder à l'OAD
Visualiser les
données en cubes
Appliquer les
téchnique du Data
Mining
Appliquer analyse
OLAP
«étend»
«étend»
«étend»
Diagramme des use cases de l’OAD
III. Conception de l’outil d’aide à la décision
A. Identification des use cases

18. SETIT'2005 18
: Decideur
: Application decisionnelle (OAD)
Afficher la page d'accueil de l'OAD
Choisir de visualiser des cubes de données
Afficher page choix de magasin
Effectuer choix
ConfirmerChoix( )
Afficher PageInfosCube
Effectuer choix
ConfirmerChoix( )
Verifier( )
Erreur
Afficher le resultat
Reafficher( )
B. Les diagrammes de séquences
DSS du cas d’utilisation
«visualiser les données en
cubes ».

19. SETIT'2005 19
: Decideur
: Application Decisionnelle (OAD)
Afficher PageCubedeDonnées
Choisir appliquer OLAP( )
Afficher page opération OLAP
Choisir opération et remplir les champs
ConfirmerChoix( )
Verifier( )
Erreur
Reafficher( )
Afficher page resultat
: Decideur
: Application Decisionnelle (OAD)
Afficher PageCubedeDonnées
Choisir appliquer OLAP( )
Afficher page opération OLAP
Choisir opération et remplir les champs
ConfirmerChoix( )
Verifier( )
Erreur
Reafficher( )
Afficher page resultat
DSS du cas d’utilisation
«appliquer les opérations
OLAP sur le cube de données»
DSS du cas d’utilisation «appliquer les
techniques du data minig»

20. SETIT'2005 20
ED
ControleInfosCube
Verifier()
Entrepôt de
données
PageAcceuilOAD
VisualserCubedeDonnees()
AppliquerDataMining()
ErreurInfoCube
MessageErreur
PageCubedeDonnées
Rsultat
AppliquerOLAP()
Retour()
PageChoixduMagasain
MagasindesVentes
MagasindesVisites
ConfirmerChoix()
PageInfosCube
Dimensions
Faits
VoirCube()
Decideur
C. Les diagrammes de classes participantes
DCP du cas
d'utilisation « visualiser
les données en cube »

21. SETIT'2005 21
ContrôleOperation
Verifier()
AfficherPageResultat()
ED
PageCubedeDonnées
Rsultat
AppliquerOLAP()
Retour()
ErreurOperation
MessageErreur 0..1
PageResultat
Resultat
Continuer()
Retour()
PageOperationOLAP
NomOperation
ChampsOperation
ConfirmerChoix()
Decideur
DCP du cas d'utilisation « appliquer les opérations OLAP
sur le cube de données»

22. SETIT'2005 22
PageAcceuilOAD
VisualserCubedeDonnees()
AppliquerDataMining()
ErreurDataMining
MessageErreur
RapportDataMining
Resultat
ImprimerRapport() BD Groupe ED
Decideur
ContrôleAlgorithme
Verifier()
ConstruireGroupes()
PageDataMining
NbrGroupe
Confirmer()
AfficherRapport()
DCP du cas d'utilisation « appliquer les techniques du data mining»

23. SETIT'2005 23
Conception Multidimensionnelle
Schéma en étoile du
magasin de données
des ventes
Schéma en étoile du
magasin de données des
visites

24. SETIT'2005 24
Choisir le nombre k
de groupes
Début
Tous les individus
sont groupés
i <= k
Choisir k individus comme centres
initiaux des k groupes
i := 2 ;
d := distance entre l’individu et le 1er
centre; l’individu  au 1er groupe ;
i := i + 1 ;
tmp:= distance entre l’individu et le ième
centre ;
tmp < d
L’individu  au ième groupe ;
d:=tmp
Oui
Non
Non
Nombre d’itération > 1
Recalculer les centres des différents
groupes ;
Non
Les groupes sont
stables
Non
Fin
Oui
Ou
i
Non
Pour chaque
individu faire
Organigramme de l’algorithme de groupage

25. SETIT'2005 25
Site web marchand de
l’entreprise
Fichiers aux
formats xml
Internaute
(client)
OAD
ED
OAD
Alimentation et
Accès aux données
Cube de
données
OLAP
Data
Mining
BD groupes
Internet
Application e-commerce
Commerçant
Fichiers xml
Alimentation de
ED
Architecture du système

26. SETIT'2005 26
Téléchargement des données XML à partir du site marchand
IV. Implémentation
Choix du magasin de données

27. SETIT'2005 27
Représentation multidimensionnelle
Application d’une opération OLAP
Choix des dimensions

28. SETIT'2005 28
Rapport du résultat du groupage
Application de la technique de groupage

29. SETIT'2005 29
Conclusion et Perspectives
L’intérêt principal de l’outil réalisé est d’offrir aux décideurs une
meilleure vision de leurs clients leur permettant ainsi, une
meilleure gestion de leurs entreprises.
Perspective :
 Enrichissement du module data mining en intégrant d’autres
techniques de classification telles que les réseaux de neurones.