Data Mining – Introduction

 Fondamentaux du Système d’infor­mation Décisionnel (SID) 

• Les enjeux du SID
• Architecture type d’un SID, état de l’art en matière d’architectures déci­sionnelles
• Les différentes couches du SID
• Élaboration des informations déci­sionnelles, présentation
• Conception d’un SID
• Panorama des outils décisionnels 

Introduction au Data Mining (DM) Comprendre le Data Mining 

• Définition et finalité du Data Mining
• Lien entre le DM et les statistiques
• Différence entre le DM et OLAP
• Historique du DM et travaux de recherche
• Les attentes des entreprises, les réponses du DM 

Les techniques du Data Mining 

• Différentes familles du DM
• Méthodes prédictives et les mé­thodes descriptives
• L’analyse factorielle, l’analyse typolo­gique, la classification ou clustering, la détection de liens
• Les arbres de décisions, les réseaux de neurones, les modèles paramé­triques
• Classification des techniques de DM 

Présentation de méthodes La méthode descriptive du clustering 

• Définition et méthodologie
• Critères pour structurer les données à classer
• Utilisation de variables
• Évaluation et validation des classes obtenues
• Sous famille du clustering
• Exemple d’application du clustering 

Le Scoring : un premier exemple d’application du DM 

• Définition
• Domaines d’activité / type de pro­blèmes / finalité
• Catégories de Scoring (appétence, risque, octroi)
• Méthodologie de Scoring
• Cas pratique de Scoring 

Le géomarketing : un deuxième exemple d’application du DM 

• Domaines d’application
• Cas pratique de géomarketing 

Mise en place d’une solution Les données de l’entreprise : entre qualité et quantité ? 

• -Problématique des données du SI
• Types de données
• Qualité des données et administra­tion des données
• Processus de collecte et d’explora­tion
• Création d’agrégats et de nouvelles données
• Transformation des données 

Méthodologie de projet 

• Définition du problème métier à résoudre et des objectifs à atteindre
• Inventaire, description et classement des données
• Conception et alimentation de la base Data Mining
• Exploration, segmentation des enti­tés analysées
• Établissement du ou des modèles d’analyse
• Application des modèles et valida­tion des résultats
• Itérations, déploiement auprès des utilisateurs (formation, accompagne­ment du changement...)
• Maintenance du modèle et logiciel associé 

Panorama des outils 

• Les principaux outils : SAS, R, IBM SPSS, Oracle Data Mining, SQL Server DM...
• Quels critères de choix pour ce type d’outils ?