Universit

1
Université Mohammed Ben AbdellahÉcole Supérieure
d TechnologieFès

• Licence Professionnelle Management International
• Et NTIC
• Exposé sous thème

Data Warehouse et Data Mining
Présenté par
Encadré par OUAZZANI
TOUHAMI Raouya Mr. HACHMOUD

LAMRABET Betissam Année
universitaire 2007/2008
2
Plan
Introduction
Partie 1  Data WAREHOUSE

• I- Quest ce que le DW ?
• II- Concept du DW
• III- Mise en œuvre dun DW
• IV- Les aspects techniques
• V- Exploitation des entrepôts de données
• I- Quest ce que le Data Mining?
• II- Quel sont les techniques principales du Data
  Mining ?
• III- Domaines d'application du DATA MINING
• IV- Le Data Mining dans l'architecture du Data
  WAREHOUSE
• V- Les différents modules du Data Mining

Partie 2  Data MINING
Conclusion
3
Introduction

• On qualifie d'informatique décisionnelle (en
  anglais  Business intelligence , parfois appelé
  tout simplement  le décisionnel )
  l'exploitation des données de l'entreprise dans
  le but de faciliter la prise de décision par les
  décideurs, c'est-à-dire la compréhension du
  fonctionnement actuel et l'anticipation des
  actions pour un pilotage éclairé de l'entreprise.
  
• Les outils décisionnels comme le Data Warehouse
  et le Data Mining sont basés sur l'exploitation
  d'un système d'information décisionnel alimenté
  grâce à l'extraction de données diverses à partir
  des données de production, d'informations
  concernant l'entreprise ou son entourage et de
  données économiques.

4
Partie 1  Data WAREHOUSE
I- Quest ce que le DW ?

• 1- Définition Data Warehouse
• Ensemble de données historisées variant dans le
  temps, organisé par sujets, consolidé dans une
  base de données unique, géré dans un
  environnement de stockage particulier, aidant à
  la prise de décision dans lentreprise.

5
2 -Le schéma général d'un DATA WAREHOUSE
6

• 3- Objectifs

• intégrer différentes bases de données
  opérationnelles
• donner l accès aux informations du passé
• fournir des outils d analyse sur ces données
• résumer les données
• réconcilier des données inconsistantes.

7

• 4- La structure du DATA WAREHOUS

Les données agrégées
Les méta- données
DATA WAREHOUSE
Les données détaillées

• Les données historisées

8

• Données détaillées
• - Données se représentant aux événement les plus
  récent
• - données issues des systèmes de production qui
  se réalisent à ce niveau de classe.
• Données agrégées
• - données issues danalyse et de synthétisation
  au préalable des informations provenant des
  applications décisionnelles
• - Elles représentent les informations ciblant
  directement les besoins des utilisateurs
• - Elles sont sous une forme facilement accessible
  par lutilisateur et sémantiquement cohérente
  pour la bonne compréhension des utilisateurs.

9

• Méta données
• - elles permettent de connaître le contenu du DW
  
• - ainsi de faciliter la recherche de données
• - elles contiennent les informations sur
  lensemble du DW
• Données historisées
• - propres, validées et proprement agrégées.
• - en harmonie avec la stratégie de lentreprise.
• - elles ne sont ni écrasées, ni modifiées, ni
  supprimées.

10

• II- Concept du DATAWARHOUSE

Orientée sujet
Données intégrées
DATA WAREHOUSE
Données non volatiles
11

• III- Mise en œuvre dun DATA WAREHOUSE
• Un DATA WAREHOUSE fait partie du domaine
  stratégique de lentreprise, doù limplication
  nécessaire de la direction.

1- Bien connaître le métier des utilisateurs
2- Assurer une conduite de projet adapté
3- Critère de réussite
12
1- Bien connaître le métier des utilisateurs

• Les utilisateurs doivent sapproprier le projet
  pour que celui-ci puisse répondre pleinement à
  leurs attentes, et pour cela il faut
• - les informer très tôt, leur présenter le
  projet, la démarche et leur implication dans
  celui-ci.
• - Les informer de létat davancement.
• - Leur présenter une version de pré production
  afin quils puissent se faire une idée de la
   solution finale .

13
2- Assurer une conduite de projet adapté

• La spécification, puis la qualification des
  besoins que lon chiffre pour donner naissance à
  une réalisation faisant lobjet dune recette
  finale.
• Cette démarche est inapplicable dans le cas des
  DWH, car les utilisateurs sont incapables
  dexprimer lintégralité de leur besoin en une
  seule fois, parce quils nimaginent pas les
  possibilités offerte par ce type doutil.
• Il faut donc construire son DWH par itérations
  successives

14
3- Critère de réussite

• Pour que la mise en place et la pérennité dun
  DWH se fasse, il faut
• - une implication forte des utilisateurs
• - un soutien convaincu de la direction générale
• - un domaine dactivité et des objectifs clairs
• - un effectif compétent
• - un prototypage par itérations rapprochées
• - un chef de projet expérimenté.

15

• IV- Les aspects techniques

1-Les bases de données OLAP (On-Line Analitical
Processing) - Cest un mode de stockage prévu
pour lanalyse statistique des données contenues
dans la base - Il est appliqué à un modèle
virtuel de représentation de donnée appelé cube
ou hypercube OLAP. OLTP (On-Line Transactional
Processing) - Cest un mode de stockage fait
pour les systèmes opérationnels - Ils
supportent très bien une utilisation
transactionnelle de la base de données - À ce
mode de stockage est associé des requêtes type
sont courtes et ne demandant pas beaucoup de
ressource du côté du serveur de la base de
données.

16
2- Modélisation

• Les tables de dimensions
• - Elles contiennent les données qui permettent
  de définir un axe dune étude.
• - Ce type de tables joue le rôle de référentiel
  au DATA WAREHOUSE
• Les tables de faits
• - Comme leur nom lindique, Ces tables
  contiennent uniquement les données factuelles du
  DATA WAREHOUSE.
• Les tables d'agrégats
• - Ces tables sont spéciales, elles permettent de
  simplifier le travail de restitution des
  logiciels danalyse
• - Elles contiennent des données à un niveau de
  granularité plus grand que dans les tables de
  faits

17
3.Les types de modéle
Modèle en flocon
Modèle en étoile
18

• V- Exploitation des entrepôts de données

2) Outils de restitution et danalyse

• Outils dalimentation
•  ETL 

19

• Outils dalimentation  ETL 
• Les ETL (Extract, Transform, load) sont des
  outils qui ont pour but de transformer les
  données primaires en informations stockées dans
  le DATA WAREHOUSE.
• Pour cela il est nécessaire de réaliser les
  fonctions suivantes
• - Recherche et identification des données
• - Contrôle de qualité (épuration et validation)
• - Extraction
• - Transformation
• - Chargement.

20
Figure Le système d'alimentation
21

• 2- Outils de restitution et danalyse

Source Business Decision
22

• Il sagit des outils qui se branchent sur le DATA
  WAREHOUSE.
• Il existe des logiciels de datamining qui
  permettent de trouver des corrélations entre les
  données, des tableurs et des requêteurs
• Ces derniers créent la requête en fonction des
  paramètres que vous leur donnez.

23

• - les grands acteurs du décisionnel

24
I Quest ce que le Data Mining?
Partie 2  le Data Mining

• 1- Définition Data Mining
• Le Data Mining, ou feuille de données, est
  l'ensemble des méthodes et techniques destinées à
  l'exploration et l'analyse de bases de données
  informatiques, afin d'en tirer des connaissances
  ,des règles, des associations, des structures
  particulières restituant l'essentiel de
  l'information utile en réduisant la quantité de
  données.

Entrepôt des données
Connaissances (décision)
DATA MINING
Compréhension Prédiction
Découverte de modèles
25
2- Le Data Mining est un processus

• Formaliser un problème que l'organisation cherche
  à résoudre en terme de données
• Accéder aux données qu'elles en soient
• Préparer les données en vue des traitements et
  utilisations futurs
• Modéliser les données en leur appliquant des
  algorithmes d'analyse
• Évaluer et valider les connaissances ainsi
  extraites des analyses
• Déployer les analyses dans l'entreprise pour une
  utilisation effective

26
3- Les outil de Data Mining
Les outils de data mining Technique utilisée
Knowledgeseeker Arbres de décision
Forecast Pro Prévision
Intelligent Miner Prévision
Alice Arbres de décision
Saxon Réseaux neuronaux
SAS System Statistiques, arbres de décision, réseaux neuronaux
Mine Set Arbres de décision, découverte de règles
STATlab Statistiques
SPSS Réseaux neuronaux Arbres de décision
27
4- Les principales qualités d'un outil de Data
Mining

• doivent offrir des richesses analytiques d'un
  niveau équivalent aux outils statistiques
  traditionnels.
• doivent offrir une ergonomie, une convivialité,
  une facilité de mise en oeuvre et
  d'interprétation les rendant accessibles à des
  utilisateurs non statisticiens.
• Les résultats fournis par l'outil doivent être
  clairs et compréhensibles
• il ne doivent pas contenir trop de termes
  techniques statistiques
• Ils ne doivent pas être dédiés à un domaine
  particulier et doivent pouvoir résoudre
  différents problèmes provenant de contextes
  différents.

28
II- Quel sont les techniques du Data Mining ?
Découverte des règles

Réseaux neuronaux
les techniques du Data Mining
Arbres de décision
Fractales
Signal Processing
29

• Signal Processing
• Cette technique consiste à positionner les
  données et les filtrer à travers une hypothèse
  pour essayer de faire apparaître un lien entre
  ces données.
• Découverte de règles
• Cette technique consiste à demander au système
  daller chercher dans les données une validation
  dune règle connue ou de découvrir lui-même une
  règle.
• Arbres de décision
• Cette technique consiste à formaliser un arbre
  qui va procéder à une analyse critère par
  critère.

30

• Fractales
• Cette technique consiste à Composer des
  segmentations à partir de modèles mathématiques
  basés sur des regroupements irréguliers de
  données.
• Réseaux neuronaux
• Cette technique consiste à lutilisation des
  technologies dintelligence artificielle afin de
  découvrir par lapprentissage du moteur des liens
  non procéduraux.

31
III Domaines d'application du DATA MINING
Secteur bancaire
Marketing stratégique
Domaines d'application du DATA MINING
La grande distribution
Gestion de la relation client
Assurance de biens et de personnes

Gestion du risque
Vente par Correspondance (VPC)
Secteur médical
32
IV- Le Data Mining dans l'architecture du Data
WareHouse
Bases de production
Data Marts
Meta données (Dictionnaire)
Utilisateurs SIAD
OLAP
Data Warehouse
OLAP
Utilisateurs EIS
Data Mining
Data Mining
Outils dalimentation
Utilisateurs requêteurs
Bases externes
33
V- Les différents modules du Data Mining

• Le Data Mining utilise la technique de la
  modélisation pour faire des découvertes ou des
  prévisions.
• loutil Data Mining est en mesure de proposer
  une technique différente correspondant à des
  algorithmes et une méthode dapproche des données
  adéquates a fin de répondre à des problématiques
  concernant

34
1- Segmentation

• La segmentation permet de fragmenter la base de
  données en segments ayant des caractéristiques
  similaires et des comportements homogènes.
• 2- Classification
• Il se propose de caractériser des groupes de
  populations homogènes en rapprochant des
  paramètres possédés par chacun des membres.
• Ainsi, la classification permet de développer
  des profils de groupe à partir des critères des
  enregistrements.

35
3-Prévision

• La prévision permet de mesurer linfluence d'un
  paramètre présent dans une population sur
  lensemble des autres paramètres de cette
  population.
• 4- Association
• Lassociation permet danalyser la présence
  simultanée de valeur de paramètres sur un même
  critère ou sur deux paramètres différents.
• 5-Modèle Séquentiel
• Le modèle séquentiel induit des découvertes
  liées à laxe temporel. Il permet de trouver des
  modèles de comportement qui présupposent des
  enchaînements systématiques qui suivront sur une
  période de temps.

36
Conclusion

• Lutilisation des DATAWAREHOUSE est aujourdhui
  très demandé dans le monde de lentreprise,
  demande qui répond au besoin toujours plus
  présent des utilisateurs davoir les bonnes
  informations au bon moment. Ainsi que le Data
  Mining participant dès lors à une meilleur
  compréhension de l'activité des entreprises , et
  à une rationalisation avancée du stockage de
  l'information. Autrement dit, le Data Mining ne
  consiste pas en une succession d'études ad hoc
  mais doit bien permettre à l'organisation de
  capitaliser sur les connaissances acquises. C'est
  sa raison d'être.

37
Webographie

• www.wikipédia.org
• www.supinfo.com Introdution au DataWareHouse.htm
  lauteur Nicolas GUILLOT
• www.ultrafluide.com
• www.journaldunet.com
• www.lincoln.fr

38
Merci pour votre attention