Data Mining

1/ Comprendre le Data Mining

- Définition et finalité du Data Mining (DM). A quoi sert le DM ?

- Quel lien entre le DM et les statistiques, quelle dépendance entre le DM et l’ « informatique » ?

- Les attentes des entreprises, les réponses du DM.

- Les principales applications du DM

 

2/ Mise en place d’une solution de Datamining

2.1 Les données de l’entreprise : entre qualité et quantité ?

-Les différents types de données.

-Qualité des données et administration des données.

-Processus de collecte et d’exploration.

-Création d’agrégats et de nouvelles données.

-Transformation des données.

2.2 Méthodologie de projet

-Définition du problème métier à résoudre et des objectifs à atteindre.

-Inventaire, description et classement des données.

-Exploration, segmentation des entités analysées.

-Etablissement du ou des modèles d’analyse.

-Application des modèles et validation des résultats.

-Itérations, déploiement auprès des utilisateurs (formation, accompagnement du changement…).

-Maintenance du modèle et logiciel associé.

2.3/ Panorama des outils

-Les principaux outils : SAS, R, Python, KNIME, IBM SPSS, Oracle Data Mining, SQL Server DM…

-Zoom sur un ou deux outils au choix (de préférence KNIME, open source et code free, possibilité de pratiquer en séance)

-Quels critères de choix pour ce type d’outils ?

 

3/ Les techniques du Data Mining

-Les différentes familles du DM : apprentissage supervisé, non supervisé

-L’analyse factorielle, la classification ou clustering, la détection de liens.

-Les arbres de décisions, les forêts aléatoires, les SVM, les réseaux de neurones, les modèles paramétriques.

-Classification des techniques de DM : Quelle technique choisir pour un type de problème donné ?

 

4/ Méthodologie et applications

4.1/ Construire une segmentation clients

-Définition et méthodologie.

-Choix des critères pour structurer les données à classer. Combien de classes viser ?

-Utilisation de variables.

-Evaluation et validation des classes obtenues. Comment mesurer la qualité d’une bonne segmentation ?

-Utilisations pratiques

4.2/ Le Scoring : prédire un évènement

-Définition du Scoring.

-Dans quels domaines d’activité est-il utilisé ? Pour quel type de problèmes ?

-Quelle est la finalité ?

-Les catégories de Scoring (appétence, risque, octroi).

-La méthodologie de Scoring.

-Cas pratique de Scoring dans une banque ou assurance.

4.3/ Les systèmes de recommandations de produits

- De quoi s’agit-il ?

-Technique et méthodologie

-Dans quels domaines d’activité sont-ils utilisés ? Quel type d’utilisation ?

-Cas pratique

Cas pratiques

Support de cours

Questionnaire de positionnement Evaluation en cours de formation : exercices Evaluation de fin de formation : Qcm Bilan individuel des compétences acquises Questionnaire de satisfaction à chaud Attestation de fin de formation

Nous consulter