Description

Le Data Mining est une technique qui permet d'extraire des connaissances à partir de données brutes. Ce séminaire propose une synthèse théorique et pratique sur le Data Mining, en couvrant ses applications, ses avantages pour l'entreprise, ainsi que les méthodes et outils les plus couramment utilisés. Vous apprendrez les principes théoriques et aurez l'opportunité de participer à des expériences pratiques pour mieux comprendre cette technique et son utilisation dans un contexte professionnel.

À qui s'adresse cette formation ?

Pour qui ?

Responsables Infocentre, responsables marketing, statisticiens, responsables informatiques, chefs de projets et experts décisionnels. Utilisateurs et gestionnaires métiers de bases de données.

Prérequis

Connaissances de base en analyse décisionnelle. Connaissances de base en statistiques.

Les objectifs de la formation

Comprendre les principes et la finalité du Data Mining (DM) Identifier les principales techniques du DM et leur cas d'utilisation Mettre en oeuvre sur un cas simple les méthodes de scoring et de geomarketing Découvrir les méthodes prédictives et les méthodes descriptives du DM Connaitre les principales étapes d'un projet Data Mining

Programme de la formation

• Le Système d'Information Décisionnel (SID)
  • Les enjeux du SID : besoins, domaines d'application.
  • Architecture type d'un SID, état de l'art.
  • Elaboration des informations décisionnelles.
  • Conception d'un SID : étapes, optimisation, organisation des données, dictionnaires.
• Comprendre le Data Mining (DM)
  • Définition et finalité du Data Mining (DM).
  • Quel lien entre le DM et les statistiques, quelle dépendance entre le DM et l'informatique ? Différence entre DM et OLAP ? Les attentes des entreprises, les réponses du DM.
• Les techniques du Data Mining
  • Les différentes familles du DM.
  • Les méthodes prédictives et les méthodes descriptives.
  • Analyse factorielle, typologique.
  • La classification.
  • Les arbres de décisions, les réseaux de neurones.
  • Classification des techniques de DM.
• La méthode descriptive du Clustering
  • Définition et méthodologie.
  • Les critères pour structurer les données à classer.
  • Evaluation et validation des classes obtenues.
  • Les différentes sous-familles du Clustering.
  • Exemple Présentation d'applications du Clustering.
• Exemples d'application du DM
  • Le scoring : définition, finalité, méthodologie.
  • Le géomarketing : définition, finalité, méthodologie.
  • Exemple Mise en oeuvre de la méthode de scoring.
  • Cas pratique d'utilisation de géomarketing.
• Les données de l'entreprise
  • Rappel de la problématique des données du SI.
  • 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 Data Mining
  • Définition du problème métier à résoudre et des objectifs à atteindre.
  • Inventorier, décrire et classer les données.
  • Concevoir et alimenter la base Data Mining.
  • Explorer, segmenter des entités analysées.
  • Etablir et appliquer les modèles d'analyse.
  • Itérer, déployer auprès des utilisateurs.
  • Maintenir le modèle et le logiciel associé.
• Panorama des outils
  • Principaux outils du marché : SAS, R, IBM SPSS.
  • Zoom sur l'outil SAS et sur l'ETL Powercenter.
  • Quels critères de choix pour ce type d'outils ?