157805754-Analyse-des-donnees

UNIVERSITE DE DOUALA
Faculté des Sciences Economiques et de Gestion Appliquée
(FSEGA)
Département des techniques quantitatives
Année académique 2012/2013
COURS ANALYSE DES DONNEES
CF4 - ECOMO4 - FICO4 - MARKETING4
Par M. NANA YAKAM André
Email : [e-mail]
Programme :
1. Méthodologie d’analyse des données
2. Analyse univariée
3. Analyse bivariée
4. Analyse multivariée
Bibliographie :
− Qu’est ce que l’analyse de données ? Jean-Pierre FENELON, édition LEFONEN
− Initiation à l’analyse des données, Jean de Lagarde, édition DUNOD
− Analyse des données multidimensionnelles, Patrice Bertier & J M Bouroche,
Presses Universitaire de France
− Statistique appliquée à la gestion, Vincent GIARD, édition ECONOMICA
− Analyse statistique des données : application et cas pour le marketing, H.
Fernneleau, édition Ellipses

2
CHAPITRE I :
METHODOLOGIE D’ANALYSE DES DONNEES
INTRODUCTION
L’analyse de données est un processus d’extraction des connaissances à partir des données (ECD). Elle vise
à décrire, à résumer et à interpréter des phénomènes dont le caractère essentiel est la variabilité. Elle
fournit de la manière la plus rigoureuse possible des éléments d'appréciation utiles à l'explication ou à la
prévision de ces phénomènes. L’analyse des données fournit à toutes les personnes confrontées à
l'interprétation de résultats d'observation ou d'expérimentation, un outil d'interprétation adapté aux
conditions particulières de leur domaine d'activité.
Avant de se lancer dans le processus d’analyse des données, l’analyste doit avoir un problème bien délimité
à résoudre. Il ne se lance pas dans l’analyse sans avoir une idée des objectifs de son opération et des moyens
informationnels et technologiques dont il dispose. Par exemple, il cherche des liens entre certains phénomènes.
Une fois le problème posé, la première phase vise à cibler, même de façon grossière, l’espace des données
qui va être exploré. L’analyste définit de ce fait des zones de prospection, étant persuadé que certaines régions
seront probablement vite abandonnées si elles ne recèlent aucun ou peu d’intérêt. L’acquisition met en œuvre
des méthodes pour collecter les données potentiellement utiles selon le point de vue de l’analyste.
NB : La collecte des données est la phase la plus déterminante en analyse de données, car toute analyse,
aussi sérieuse soit-elle, faite sur de données erronées ou de mauvaise qualité est biaisée d’avance et ne peut
aboutir qu’à des conclusions erronées. Par ailleurs, Le processus d’ECD n’est pas linéaire car il arrive aussi que
l’on revienne, après analyse, rechercher de nouvelles données.
A l’issue de la phase de collecte de données, il convient de les nettoyer. Par exemple, si l’une des variables
retenues s’avère peu ou mal renseignée, on peut ne pas la prendre en considération. On peut également
explicitement chercher à limiter le nombre d’enregistrements que l’on souhaite traiter. On construit alors un
filtre idoine, comme un échantillonnage selon une procédure de tirage aléatoire simple ou systématique par
exemple.
Après cette phase de pré-traitement des données, l’analyste est, a priori, en possession d’un stock de
données contenant potentiellement l’information ou la connaissance recherchée. C’est en ce moment qu’il peut
commencer son analyse. Selon que l’analyse porte sur une, deux ou plus de deux variables, et en fonction de la
nature de ces variables, de nombreux outils statistiques sont à la disposition de l’analyste pour résoudre son
problème. Le schéma suivant résume la méthodologie d’analyse des données ainsi que les outils qui seront
développés dans ce cours.

3
ORIGINE ET METHODES DE COLLECTE DES DONNEES
1. ORIGINE
Les données utilisées en statistiques peuvent provenir d’un recensement, d’une enquête statistique, des
données administratives ou d’un entrepôt de données d’une organisation.
a) Recensement
Le recensement est une opération statistique d’observation exhaustive de tous les éléments d’une
population. Les données individuelles de tous les éléments de la population sont prises en compte pour le
caractère étudié. C’est le cas par exemple des clients d’une banque, des salariés d’une entreprise, …
b) Enquête statistique
Une enquête statistique est la collecte de données sur une partie ou la totalité des unités d'une population à
l'aide de concepts, de méthodes et de procédures bien définis. Le sondage en est l’une de ces méthodes, qui
permet de construire un échantillon et qui ne prélève qu’une partie des informations existantes .
c) Données administratives
Les organismes et les Etats recueillent des données administratives dans le cadre de leurs activités
quotidiennes, ces données peuvent être utilisées à titre de substitut pour une enquête par sondage ou pour
un recensement.
d) Entrepôt de données
Grâce à l’évolution informatique, avec la fabrication des ordinateurs ayant des grandes capacités de
stockage, les entreprises, les institutions et les organisations conservent de nos jours, des quantités
importantes d’information dans leurs bases de données. Ces entrepôts de données renferment à n’en point
douter des informations dont la fouille par les techniques d’analyse de données peut permettre d’apporter
des réponses, même aux questions les complexes que se poses ces organisations.
Remarque : Les sources potentielles peuvent être regroupée en deux : Soit les données existent déjà
quelque part et elles sont accessibles, au quel cas il faut aller à sa recherche, sinon nous devons les
collecter nous même auprès des individus concernés.
Origine et Collecte des Données
Prétraitement, Codification, Mise
des données en tableaux
Analyse descriptive
(Analyse Univariée)
- Estimation des paramètres de
tendance centrale (moyenne, mode,
médiane)
Analyse Bivariée
- Estimation et signification des
paramètres de Dispersion (variance,
écart type, intervalle interquartile)
- Graphiques
- Tests d’inférence sur une variable
- ANOVA à un facteur
- Test d’association,
- Test de Corrélation
- Autres tests
- ANOVA à 2 facteurs
- Modélisation (modèle de
régression, …)
Analyse Multivariée
- Modélisation (modèle de
régression multiple)
- Analyse Factoriel (ACP,
AFC, ACM, Analyse
discriminante)
- Prévision
- Prévision
Problème à résoudre

4
2. METHODES DE COLLECTE DES DONNEES
La collecte des données vise à répondre aux questions suivantes : Quels sont les individus à prendre en
compte dans mon étude ? Où vais-je les retrouver ? Par quel moyen ? Combien en faut-il ? Comment vais-je les
sélectionner ? Les réponses à ces questions varient selon que les données sont dans des entrepôts de données ou
alors s’il faut les collecter auprès des individus concernés.
Très souvent, les données issues des bases de données et des enquêtes statistiques ne sont pas toutes
exploitables. On est parfois amené à procéder à une sélection pour choisir l’échantillon propice pour l’analyse.
Parmi ces méthodes d’échantillonnage nous pouvons citer :
− Echantillonnage aléatoire simple : l’échantillon est choisi de telle sorte que chaque unité de la
population ait la même probabilité d’être sélectionnée dans l’échantillon et que chaque échantillon
de même taille ait la même probabilité d’être tiré.
− Echantillonnage Systématique : On souhaite sélectionner n individus parmi N sujets numérotés de 1 à
N. pour ce faire, On calcule le pas :
n
N
p=
, puis on tire un nombre aléatoire entre 1 et Ent(p), c’est du
premier individu choisi. Les autres seront obtenus en ajoutant Ent(p) au numéro précédemment choisi.
− Échantillonnage avec probabilité proportionnelle à la taille : Si la base de sondage renferme
de l'information sur la taille de chaque unité (comme le nombre de filles) et si la taille de ces
unités varie, on peut utiliser cette information dans le cadre de la sélection de l'échantillonnage
afin d'en accroître l'efficacité.
− Échantillonnage stratifié : on divise la population en groupes homogènes appelés strates, qui
sont mutuellement exclusifs (comme l'âge, la ville de résidence, le revenu, etc.) puis on
sélectionne à partir de chaque strate des échantillons indépendants. On peut utiliser n'importe
quelle des méthodes d'échantillonnage pour sélectionner l'échantillon à l'intérieur de chaque strate.
3. PRETRAITEMENT DES DONNEES
Les données issues des entrepôts ou des enquêtes ne sont pas nécessairement toutes exploitables par des
techniques d’analyse de données. Les données acquises peuvent être de types différents pour la même variable,
on peut avoir les données manquantes ou aberrantes. Dans certaines situations, les données exigent une
transformation telle qu’un centrage par rapport à la moyenne ou une normalisation. La préparation consiste à
homogénéiser les données et à les disposer en tableau lignes/colonnes. Car il s’agit presque toujours de la
structure la mieux adaptée à l’exploitation des données. Les principales opérations de préparation peuvent être
listées comme suit :
a) Sélection de ligne/colonne.
Elle s’effectue sur des données qui sont déjà sous forme tabulaire. Il s’agit de définir un filtre qui permet de
sélectionner un sous-ensemble de lignes ou de colonnes. L’objectif étant, soit de réduire le nombre de données
soit de sélectionner les lignes ou colonnes les plus pertinentes par rapport aux préoccupations de l’utilisateur.
Les techniques mises en œuvre dans ce but relèvent des méthodes statistiques d’échantillonnage. Cette
sélection peut également s’effectuer selon des conditions exprimées par l’utilisateur. Par exemple, il peut ne
garder que les attributs dont la moyenne est supérieure à un seuil donné ou ne conserver que les attributs qui ont
un lien statistique significatif avec un attribut particulier.

5
b) Le traitement des données manquantes ou aberrantes.
Certaines données peuvent être absentes ou aberrantes et gêner ainsi l’analyse. Il convient alors de définir des
règles pour gérer ces données manquantes et les valeurs aberrantes ou anormales.
i.) Valeurs manquantes
Lorsqu’on est en face d’une donnée manquante, une des solutions consiste à supprimer l’observation
correspondante, quand on en a suffisamment. On peut aussi envisager d’estimer cette dernière. De nombreuses
solutions sont proposées, comme le remplacement, dans le cas des variables qualitatives et quantitatives
continues, de toute donnée manquante par la valeur la plus fréquente de la variable concernée. On peut
également chercher à estimer ces valeurs manquantes par des méthodes d’induction comme la régression pour
les variables quantitatives.
ii.) Valeurs aberrantes
Selon la méthode de l’intervalle de confiance, est considérée comme valeur aberrante pour une variable
quantitative X donnée, toutes les données dont la valeur est extérieure à l’intervalle
[
]
XX
XX σσ 96.1;96.1 +−
où
X
est la moyenne de X et X
σ
son écart type.
La valeur détectée comme aberrante est ramenée à la limite haute ou basse de cet intervalle de confiance. On
peut également chercher à l’estimer par des méthodes régression.
c) Les transformations de variables
Il s’agit de transformer un attribut A en une autre variable A’ qui serait, selon les objectifs de l’étude, plus
appropriée. Différentes méthodes sont pratiquées comme la discrétisation qui consiste à transformer des attributs
continus en découpant le domaine de valeurs de ces attributs en intervalles afin d’obtenir des attributs qualitatifs.
On peut également centrer les valeurs des variables continues par rapport à la moyenne et réduire par l’écart
type. Ce traitement leur confère certaines propriétés mathématiques intéressantes lors de la mise en œuvre de
méthodes d’analyse des données multidimensionnelles.