{"id":138360,"date":"2021-05-17T10:59:07","date_gmt":"2021-05-17T10:59:07","guid":{"rendered":"https:\/\/news.sap.com\/france\/?p=138360"},"modified":"2023-10-12T14:03:49","modified_gmt":"2023-10-12T14:03:49","slug":"qu-est-ce-que-le-data-mining","status":"publish","type":"post","link":"https:\/\/news.sap.com\/france\/2021\/05\/qu-est-ce-que-le-data-mining\/","title":{"rendered":"Qu’est-ce que le data mining ?"},"content":{"rendered":"

Le data mining est le processus d’extraction d’informations utiles \u00e0 partir d’une accumulation de donn\u00e9es, souvent \u00e0 partir d’un data warehouse<\/a> (entrep\u00f4t de donn\u00e9es) ou d’une collection d’ensembles de donn\u00e9es li\u00e9s. Les outils de data mining incluent de puissantes fonctionnalit\u00e9s statistiques, math\u00e9matiques et analytiques dont l’objectif principal est de passer au crible de vastes ensembles de donn\u00e9es pour identifier les tendances, les mod\u00e8les et les relations, pour des prises de d\u00e9cisions et une planification \u00e9clair\u00e9es.<\/strong><\/p>\n

Souvent associ\u00e9 aux demandes du service marketing, le data mining est consid\u00e9r\u00e9 par de nombreux dirigeants comme un moyen de mieux comprendre la demande et de voir l’impact des modifications apport\u00e9es aux produits, des prix ou des promotions sur les ventes. Mais le data mining pr\u00e9sente \u00e9galement des avantages consid\u00e9rables pour d’autres domaines d’activit\u00e9. Les ing\u00e9nieurs et les concepteurs peuvent analyser l’efficacit\u00e9 des modifications de produit et rechercher les causes possibles de la r\u00e9ussite ou de l’\u00e9chec d’un produit en fonction de la mani\u00e8re, du moment et du lieu d’utilisation des produits.\u00a0Le MRO (entretien, r\u00e9paration et fonctionnement) est en mesure de mieux planifier le stock de pi\u00e8ces et l’affectation du personnel. Les entreprises de services professionnels peuvent utiliser le data mining pour identifier les nouvelles opportunit\u00e9s li\u00e9es \u00e0 l’\u00e9volution des tendances \u00e9conomiques et aux changements d\u00e9mographiques.<\/p>\n

Le data mining s’av\u00e8re davantage utile et pr\u00e9cieux maintenant que l’on se retrouve avec des ensembles de donn\u00e9es plus volumineux et une exp\u00e9rience utilisateur accrue. Logiquement, plus il y a de donn\u00e9es, plus elles cachent d’informations et de renseignements. Par ailleurs, plus les utilisateurs se familiarisent avec les outils et comprennent la base de donn\u00e9es, plus ils deviennent cr\u00e9atifs vis-\u00e0-vis des explorations et des analyses.<\/p>\n

\n

Pourquoi utiliser le data mining\u00a0?<\/strong><\/h2>\n

Le principal avantage du data mining est sa capacit\u00e9 \u00e0 rep\u00e9rer des mod\u00e8les et des relations dans de grands volumes de donn\u00e9es provenant de plusieurs sources. Avec de plus en plus de donn\u00e9es disponibles, provenant de sources aussi vari\u00e9es que les r\u00e9seaux sociaux, les capteurs \u00e0 distance et les rapports de plus en plus d\u00e9taill\u00e9s sur les mouvements de produits et l’activit\u00e9 du march\u00e9, le data mining offre les outils n\u00e9cessaires pour exploiter pleinement le Big Data et le transformer en renseignements exploitables. De plus, il peut aider \u00e0 \u00ab\u00a0sortir des sentiers battus\u00a0\u00bb.<\/p>\n

Le processus de data mining peut d\u00e9tecter des relations et des mod\u00e8les surprenants et intrigants dans des fragments d’informations apparemment non li\u00e9es. Comme les informations tendent \u00e0 \u00eatre compartiment\u00e9es, il a toujours \u00e9t\u00e9 difficile, voire impossible, de les analyser dans leur ensemble. Toutefois, il peut exister une relation entre les facteurs externes (d\u00e9mographiques ou \u00e9conomiques, par exemple) et la performance des produits d’une entreprise. Les dirigeants, qui examinent r\u00e9guli\u00e8rement les chiffres des ventes par territoire, ligne de produits, canal de distribution et r\u00e9gion, manquent souvent de contexte externe pour ces informations. Leur analyse souligne \u00ab\u00a0ce qui s’est pass\u00e9\u00a0\u00bb, mais ne d\u00e9taille pas vraiment \u00ab\u00a0pourquoi cela s’est pass\u00e9 de cette mani\u00e8re\u00a0\u00bb. Le data mining peut apporter une solution.<\/p>\n

Le data mining peut rechercher des corr\u00e9lations avec des facteurs externes. Si la corr\u00e9lation n’indique pas toujours la causalit\u00e9, ces tendances peuvent \u00eatre des indicateurs pr\u00e9cieux pour guider les d\u00e9cisions relatives aux produits, aux canaux et \u00e0 la production. La m\u00eame analyse peut \u00eatre b\u00e9n\u00e9fique pour d’autres domaines de l’activit\u00e9, de la conception de produit \u00e0 l’efficacit\u00e9 op\u00e9rationnelle, en passant par la prestation de services.<\/p>\n

\n

Historique du data mining<\/strong><\/h2>\n

Nous collectons et analysons des donn\u00e9es depuis des milliers d’ann\u00e9es et, \u00e0 bien des \u00e9gards, le processus est rest\u00e9 le m\u00eame\u00a0: identifier les informations n\u00e9cessaires, trouver des sources de donn\u00e9es de qualit\u00e9, collecter et combiner les donn\u00e9es, utiliser les outils les plus efficaces pour analyser les donn\u00e9es, et tirer parti des enseignements appris. \u00c0 mesure que l’informatique et les syst\u00e8mes bas\u00e9s sur les donn\u00e9es se sont d\u00e9velopp\u00e9s, il en a \u00e9t\u00e9 de m\u00eame pour les outils de gestion et d’analyse des donn\u00e9es. Le v\u00e9ritable point d’inflexion est venu dans les ann\u00e9es 1960 avec le d\u00e9veloppement de la technologie de base de donn\u00e9es relationnelle et des outils de requ\u00eate en langage naturel orient\u00e9 utilisateur, tels que Structured Query Language (SQL). Les donn\u00e9es n’\u00e9taient plus disponibles uniquement via des programmes cod\u00e9s personnalis\u00e9s. Gr\u00e2ce \u00e0 cette avanc\u00e9e, les utilisateurs pouvaient explorer leurs donn\u00e9es de mani\u00e8re interactive et en extraire les \u00ab\u00a0joyaux cach\u00e9s\u00a0\u00bb.<\/p>\n

Le data mining est traditionnellement un ensemble de comp\u00e9tences sp\u00e9cialis\u00e9es dans la science des donn\u00e9es. Cependant, chaque nouvelle g\u00e9n\u00e9ration d’outils analytiques n\u00e9cessite dans un premier temps des comp\u00e9tences techniques avanc\u00e9es, mais \u00e9volue rapidement pour devenir accessible aux utilisateurs. L’interactivit\u00e9, c’est-\u00e0-dire la possibilit\u00e9 de laisser les donn\u00e9es vous parler, est la principale avanc\u00e9e. Posez une question et visualisez la r\u00e9ponse. En fonction de ce que vous apprenez, posez une autre question. Ce type d’itin\u00e9rance non structur\u00e9e \u00e0 travers les donn\u00e9es permet \u00e0 l’utilisateur d’aller au-del\u00e0 des limites de la conception de bases de donn\u00e9es sp\u00e9cifiques \u00e0 une application et permet de d\u00e9couvrir des relations qui d\u00e9passent les limites fonctionnelles et organisationnelles.<\/p>\n

Le data mining est une composante cl\u00e9 de la Business Intelligence. Les outils d’exploration de donn\u00e9es sont cr\u00e9\u00e9s dans les tableaux de bord d\u00e9cisionnels, en extrayant des informations du Big Data<\/a>, y compris les donn\u00e9es des r\u00e9seaux sociaux, des flux de capteurs IoT, des appareils de localisation, du texte non structur\u00e9, des vid\u00e9os, etc. Le data mining moderne s’appuie sur le Cloud<\/a>, l’informatique virtuel et les bases de donn\u00e9es in-memory<\/a> pour g\u00e9rer les donn\u00e9es de diverses sources de mani\u00e8re rentable et s’adapter \u00e0 la demande.<\/p>\n

\n

Comment cela fonctionne ?<\/strong><\/h2>\n

Il y a environ autant d’approches du data mining qu’il y a d’explorateurs de donn\u00e9es. L’approche d\u00e9pend du type de questions pos\u00e9es, du contenu et de l’organisation de la base de donn\u00e9es ou des ensembles de donn\u00e9es fournissant la mati\u00e8re premi\u00e8re pour la recherche et l’analyse. Cela dit, certaines \u00e9tapes organisationnelles et pr\u00e9paratoires doivent \u00eatre accomplies pour pr\u00e9parer les donn\u00e9es, les outils et les utilisateurs\u00a0:<\/p>\n

    \n
  1. Comprendre le probl\u00e8me, ou du moins le domaine d’enqu\u00eate.<\/strong>Le d\u00e9cideur, qui doit prendre les commandes de cette grande aventure de data mining, a besoin d’une compr\u00e9hension g\u00e9n\u00e9rale du domaine dans lequel il travaillera, \u00e0 savoir les types de donn\u00e9es internes et externes qui doivent faire partie de cette exploration. On suppose qu’il a une connaissance approfondie de l’entreprise et des domaines fonctionnels impliqu\u00e9s.<\/li>\n
  2. Collecte de donn\u00e9es.\u00a0<\/strong>Commencez par vos syst\u00e8mes et bases de donn\u00e9es internes. Liez-les \u00e0 l’aide de leurs mod\u00e8les de donn\u00e9es et de divers outils relationnels, ou rassemblez les donn\u00e9es dans un entrep\u00f4t de donn\u00e9es (data warehouse). Cela inclut toutes les donn\u00e9es provenant de sources externes qui font partie de vos op\u00e9rations, telles que les donn\u00e9es de force de vente et\/ou de service, les donn\u00e9es IoT ou des r\u00e9seaux sociaux. Recherchez et acqu\u00e9rez aupr\u00e8s des associations professionnelles et des gouvernements les droits sur les donn\u00e9es externes, notamment les donn\u00e9es d\u00e9mographiques, \u00e9conomiques et relatives au march\u00e9, telles que les tendances du secteur et les indices financiers. Int\u00e9grez-les dans le p\u00e9rim\u00e8tre du kit d’outils (int\u00e9grez-les dans votre data warehouse ou reliez-les \u00e0 l’environnement de data mining).<\/li>\n
  3. Pr\u00e9paration et compr\u00e9hension des donn\u00e9es.<\/strong>Faites appel aux experts en la mati\u00e8re pour d\u00e9finir, cat\u00e9goriser et organiser les donn\u00e9es. Cette partie du processus est parfois appel\u00e9e \u00ab\u00a0remaniement des donn\u00e9es\u00a0\u00bb. Certaines donn\u00e9es peuvent n\u00e9cessiter un nettoyage pour supprimer les doublons, les incoh\u00e9rences, les enregistrements incomplets ou les formats obsol\u00e8tes. La pr\u00e9paration et le nettoyage des donn\u00e9es peuvent se poursuivre \u00e0 mesure que de nouveaux projets ou des donn\u00e9es provenant de nouveaux champs d’enqu\u00eate deviennent int\u00e9ressants.<\/li>\n
  4. Formation des utilisateurs.<\/strong>Vous ne donneriez pas \u00e0 votre adolescent les cl\u00e9s de la Ferrari sans qu’il n’ait appris \u00e0 conduire ou qu’il n’ait pratiqu\u00e9 la conduite sur route avec un moniteur. Par cons\u00e9quent, veillez \u00e0 dispenser une formation formelle \u00e0 vos futurs explorateurs de donn\u00e9es et \u00e0 les familiariser avec ces outils puissants. La formation continue est \u00e9galement bienvenue une fois qu’ils ma\u00eetrisent les bases et qu’ils peuvent passer \u00e0 des techniques plus avanc\u00e9es.<\/li>\n<\/ol>\n
    \n

    Techniques de data mining<\/strong><\/h2>\n

    Gardez \u00e0 l’esprit que l’exploration de donn\u00e9es est bas\u00e9e sur un kit d’outils plut\u00f4t que sur une routine ou un processus fixe. Les techniques sp\u00e9cifiques de data mining cit\u00e9es ici ne sont que des exemples d’utilisation des outils par les organisations afin d’explorer leurs donn\u00e9es et rechercher des tendances, des corr\u00e9lations et des renseignements.<\/p>\n

    D’une mani\u00e8re g\u00e9n\u00e9rale, les approches de data mining peuvent \u00eatre cat\u00e9goris\u00e9es comme \u00e9tant orient\u00e9es (vers un r\u00e9sultat sp\u00e9cifique souhait\u00e9) ou non orient\u00e9es, comme un simple processus de d\u00e9couverte. D’autres explorations peuvent \u00eatre destin\u00e9es au tri ou \u00e0 la classification des donn\u00e9es, telles que le regroupement des clients potentiels en fonction d’attributs commerciaux comme le secteur, les produits, la taille et le lieu g\u00e9ographique. De m\u00eame, la d\u00e9tection de cas particuliers ou d’anomalies est une m\u00e9thode automatis\u00e9e de reconnaissance des anomalies r\u00e9elles (plut\u00f4t que simple variabilit\u00e9) dans un ensemble de donn\u00e9es qui affiche des mod\u00e8les identifiables.<\/p>\n

    Association<\/strong><\/h3>\n

    Un autre objectif int\u00e9ressant est l’association, qui relie deux \u00e9v\u00e9nements ou activit\u00e9s apparemment non li\u00e9s. Il existe un r\u00e9cit bien connu des d\u00e9buts de l’analyse et du data mining, peut-\u00eatre fictif, selon lequel une cha\u00eene de magasins d\u00e9couvrait une corr\u00e9lation entre les ventes de bi\u00e8re et de couches. Il avait \u00e9t\u00e9 suppos\u00e9 que les nouveaux papas stress\u00e9s qui sortaient tard le soir pour acheter des couches pouvaient aussi prendre un pack de 6 bi\u00e8res dans la foul\u00e9e. Les magasins ont alors plac\u00e9 la bi\u00e8re et les couches \u00e0 proximit\u00e9, ce qui a augment\u00e9 les ventes de bi\u00e8re.<\/p>\n

    Clustering<\/strong><\/h3>\n

    Cette approche vise \u00e0 regrouper les donn\u00e9es par similitudes plut\u00f4t que par hypoth\u00e8ses pr\u00e9d\u00e9finies. Par exemple, lorsque vous explorez vos informations commerciales clients combin\u00e9es \u00e0 des donn\u00e9es externes d\u00e9mographiques et de cr\u00e9dit \u00e0 la consommation, vous pourriez d\u00e9couvrir que vos clients les plus rentables vivent dans des villes de taille moyenne.<\/p>\n

    La majorit\u00e9 du temps, le data mining est ex\u00e9cut\u00e9 en soutien \u00e0 la pr\u00e9vision. Plus vous comprenez les mod\u00e8les et les comportements, mieux vous pouvez pr\u00e9voir les actions futures li\u00e9es aux causes ou aux corr\u00e9lations.<\/p>\n

    R\u00e9gression<\/strong><\/h3>\n

    L’une des techniques math\u00e9matiques propos\u00e9es dans les kits d’outils de data mining est l’analyse de r\u00e9gression, qui pr\u00e9dit un nombre en fonction de mod\u00e8les historiques projet\u00e9s dans le futur. Divers autres algorithmes de d\u00e9tection et de suivi des mod\u00e8les fournissent des outils flexibles pour aider les utilisateurs \u00e0 mieux comprendre les donn\u00e9es et le comportement qu’elles repr\u00e9sentent.<\/p>\n

    Ce ne sont l\u00e0 que quelques-uns des outils et des techniques disponibles dans les kits d’outils de data mining. Le choix de l’outil ou de la technique est en quelque sorte automatis\u00e9 en ce sens que les techniques seront appliqu\u00e9es en fonction de la mani\u00e8re dont la question est pos\u00e9e. Auparavant, l’exploration de donn\u00e9es revenait \u00e0 \u00ab\u00a0d\u00e9couper en tranches\u00a0\u00bb la base de donn\u00e9es, mais la pratique est aujourd’hui plus sophistiqu\u00e9e et les termes comme association, clustering et r\u00e9gression sont monnaie courante.<\/p>\n

    \n

    Exemples de cas d’utilisation<\/strong><\/h2>\n

    Le data mining est essentiel \u00e0 l’analyse des sentiments, \u00e0 l’optimisation des prix, au marketing de bases de donn\u00e9es, \u00e0 la gestion des risques de cr\u00e9dit, \u00e0 la formation et \u00e0 l’assistance, \u00e0 la d\u00e9tection des fraudes, aux diagnostics m\u00e9dicaux, \u00e0 l’\u00e9valuation des risques, aux syst\u00e8mes de recommandation (\u00e0 savoir, \u00ab les clients qui ont achet\u00e9 ceci ont \u00e9galement aim\u00e9… \u00bb), et bien plus encore. Elle peut \u00eatre un outil efficace dans pratiquement n’importe quel secteur, y compris la distribution de d\u00e9tail, la distribution de gros, les services, la fabrication, les t\u00e9l\u00e9communications, les communications, les assurances, l’\u00e9ducation, la sant\u00e9, la banque, la science, l’ing\u00e9nierie et le marketing en ligne ou les r\u00e9seaux sociaux.<\/p>\n

    \n\n\n\n\n\n
    \n

    D\u00e9veloppement de produit<\/span><\/b><\/p>\n<\/td>\n

    		\n

    Les entreprises qui con\u00e7oivent, fabriquent ou distribuent des produits physiques peuvent identifier des opportunit\u00e9s pour mieux cibler leurs produits en analysant les habitudes d’achat conjugu\u00e9es aux donn\u00e9es \u00e9conomiques et d\u00e9mographiques. Leurs concepteurs et ing\u00e9nieurs peuvent \u00e9galement recouper les commentaires des clients et des utilisateurs, les donn\u00e9es de r\u00e9paration et d’autres donn\u00e9es pour identifier les opportunit\u00e9s d’am\u00e9lioration des produits.<\/span><\/p>\n<\/td>\n<\/tr>\n

    \n

    Production<\/span><\/b><\/p>\n<\/td>\n

    		\n

    Les fabricants peuvent suivre les tendances de qualit\u00e9, les donn\u00e9es de r\u00e9paration, les taux de production et les donn\u00e9es de performance des produits sur le terrain pour identifier les probl\u00e8mes de production. Ils peuvent \u00e9galement d\u00e9tecter les am\u00e9liorations pouvant \u00eatre apport\u00e9es aux processus afin d’accro\u00eetre la qualit\u00e9, gagner du temps, r\u00e9duire les co\u00fbts, am\u00e9liorer la performance des produits et\/ou rep\u00e9rer tout besoin de renouvellement d’\u00e9quipements.<\/span><\/p>\n<\/td>\n<\/tr>\n

    \n

    Industries
    \ndes services<\/span><\/b><\/p>\n<\/td>\n

    		\n

    Dans le secteur des services, les utilisateurs peuvent trouver des opportunit\u00e9s similaires d’am\u00e9lioration des produits en comparant les commentaires des clients (directs ou publi\u00e9s sur les r\u00e9seaux sociaux ou d’autres sources) et les donn\u00e9es relatives aux services, canaux, performance des pairs, r\u00e9gions, tarifs, ou encore les donn\u00e9es d\u00e9mographiques ou \u00e9conomiques.<\/span><\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

    Enfin, toutes ces d\u00e9couvertes doivent \u00eatre transpos\u00e9es dans les pr\u00e9visions et la planification afin que l’ensemble de l’entreprise soit en phase avec les changements de la demande anticip\u00e9s gr\u00e2ce \u00e0 une connaissance plus approfondie du client, et soit ainsi mieux positionn\u00e9e pour exploiter les opportunit\u00e9s venant d’\u00eatre identifi\u00e9es.<\/p>\n<\/div>\n

    \n

    D\u00e9fis li\u00e9s au data mining<\/strong><\/h2>\n