Le document présente une introduction au datamining, mettant en avant ses concepts, techniques et applications dans divers domaines tels que les télécommunications et la segmentation des clients. Il aborde également le processus itératif du datamining, les étapes de collecte et de prétraitement des données, ainsi que les différentes méthodes d'estimation et d'interprétation des modèles. Enfin, il souligne les perspectives d'évolution du datamining et les défis associés, notamment en ce qui concerne la gestion des données.

1. Introduction auDataminingConcepts et techniquesBOUSSAIDI AbdellahCHAÏB IsmaïlESI, 06/04/2009

2. ?????connaissancesMontagne de donnéesProblème?

3. Datamining

4. Quoi Comment Jusqu’ou?

5. Quoi?Le datamining est un processus de découvertede connaissancesconnaissancesDatamining Bases de données et Datawarehouses

6. Pourquoi?DescriptionPrédiction

7. Exemples d’applicationSegmentation des clients Déterminer le panier de la ménagère Détection de Fraude

8. Champs d’application

9. AvantagesRenforcer la positioncompétitive de l’entreprise Identifier les facteurs qui déterminent le comportement du client ;Transformer des masses de données en information utileMeilleure prise de décision Identifier les investissements les plus profitables et les moins couteux.

10. QuoiCommentJusqu’ou?

11. Le datamining est un processus itératif

12. Application du processus de datamining :Les Télécoms

13. Formaliser le problèmeProblématique: Segmentation des clients

14. Taux de turn-overCollecte de données Informations clients (nom, prénom, âge, profession..etc.); Durée d’appel par client;

15. Heures d’appels;

16. Appels non aboutis;

17. …etc.Prétraitement des données Atténuer le bruit Enlever les informations non pertinentes Sélectionner les données utilesMieux vaut tout prendre ! ACP…etc.16Estimer le modèleSélectionner le modèle adéquatSVMrégressionLogiqueFloueMéthodesStatistiqueRéseauxBayésiensMetaheuristiqueArbresDe décisionRéseaux De NeuronesGoogle Confidential

18. 17Estimer le modèle Implémenter la technique approprié SVMValidationLogiqueFloueVérificationRéseauxBayésiensRéechanRéseaux De NeuronesMéthodesD’apprentissageGoogle Confidential

19. 18Estimer le modèleEstimationDe l’erreurlogicielImplémentationTechniquesDe dataminingGoogle Confidential

20. 19Interpréter le modèle et tirer les conclusionsRésultatsGoogle Confidential

21. Interpréter le modèle et tirer les conclusions

22. Quoi CommentJusqu’ou?Le textmining

23. Le TextMiningTextMiningProcess

24. Pourquoi?80%de l’information enregistrée, l’est sous forme textuelle

25. Quoi CommentJusqu’ou?

26. Logiciels de dataminingPoids lourdsSASSPSS ClementineWeka (Open-source)Tendance : datamining dans la base de donnéesOracle Darwin SuiteSQL Server Analysis Services

27. Limites du dataminingEffort considérable de développement.Etat inapproprié des données.

28. PerspectivesAnalyse de plus de données dans un minimum de tempsExploration plus approfondie des donnéesDatamining pour les PMEs.Datamining « domestique »

29. ConclusionDatamining