Télécharger le programme de la formation

Décisionnel
Objectifs
Le Data Mining apporte des
solutions pour l’extraction de
connaissances à partir de don-
nées brutes. Ces données repré-
sentent des volumes de plus en
plus importants et font partie
intégrante du patrimoine de
l’entreprise. Comment exploiter
au mieux ce gisement ? Quelles
techniques utiliser pour identier
les corrélations pertinentes entre
les données ? Comment gérer un
projet de cette nature ? Ce sémi-
naire, qui allie principes théo-
riques et expériences pratiques,
vous propose une synthèse claire
et précise sur le Data Mining,
ses applications, ses apports
pour l’entreprise, ainsi que sur
les méthodes et outils les plus
utilisés.
Toutes nos formations sur http://www.esic-online.com Page 1/1
2 jours
Fondamentaux du Système d’infor-
mation Décisionnel (SID)
- Les enjeux du SID
- Architecture type d’un SID, état de
l’art en matière d’architectures déci-
sionnelles.
- Les différentes couches du SID
- Élaboration des informations déci-
sionnelles, présentation.
- Conception d’un SID
- Panorama des outils décisionnels.
Introduction au Data Mining (DM)
Comprendre le Data Mining
- Dénition et nalité 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 mé-
thodes descriptives.
- L’analyse factorielle, l’analyse typolo-
gique, la classication ou clustering, la
détection de liens.
- Les arbres de décisions, les réseaux
de neurones, les modèles paramé-
triques.
- Classication des techniques de DM
Présentation de méthodes
La méthode descriptive du clustering
- Dénition 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
- Dénition
- Domaines d’activité / type de pro-
blèmes / nalité
- 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 administra-
tion des données.
- Processus de collecte et d’explora-
tion.
- Création d’agrégats et de nouvelles
données.
- Transformation des données.
Méthodologie de projet
- Dénition 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 enti-
tés analysées.
- Établissement du ou des modèles
d’analyse.
- Application des modèles et valida-
tion des résultats.
- Itérations, déploiement auprès des
utilisateurs (formation, accompagne-
ment 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 ?
Data Mining - Introduction
Public
Responsables infocentre, respon-
sables marketing, statisticiens,
responsables informatiques,
chefs de projets décisionnel,
experts décisionnel. Utilisateurs
et gestionnaires métiers de bases
de données.
Prérequis
Connaissance de base en analyse
décisionnelle. Connaissances
générales en informatique.