Une fois que vous avez termin\u00e9 le processus d’exploration de donn\u00e9es, voici quelques avantages dont vous pourrez profiter :<\/p>\n
A) Recommander de nouveaux produits<\/strong><\/p>\n Lorsque vous d\u00e9couvrez des mod\u00e8les au sein d’une donn\u00e9e, vous pouvez les utiliser pour enqu\u00eater sur une nouvelle demande pour un nouveau produit. Ce produit peut \u00eatre enti\u00e8rement diff\u00e9rent ou porter une modification \u00e0 celui existant. Ainsi, avec l’exploration de donn\u00e9es, vous pouvez rechercher et arriver \u00e0 une conclusion sur ce qu’il faut vendre \u00e0 vos clients.<\/p>\n Le regroupement est une composante \u00e9l\u00e9mentaire de l’exploration de donn\u00e9es<\/p>\n Par exemple, Walmart<\/a>, en raison de ses techniques d’exploration de donn\u00e9es, a d\u00e9couvert que les gens ont stock\u00e9 des tartes \u00e0 la fraise avant un ouragan. Gardant cela \u00e0 l’esprit, la soci\u00e9t\u00e9 a commenc\u00e9 \u00e0 placer des tartes \u00e0 la fraise aux comptoirs de caisse avant chaque ouragan.<\/p>\n B) Comprendre les clusters – groupes<\/strong><\/p>\n L’exploration de donn\u00e9es vous aide \u00e0 identifier certains comportements d’achat des clients et \u00e0 noter les similitudes et les diff\u00e9rences dans les donn\u00e9es. Par cons\u00e9quent, les entreprises peuvent cibler certains produits dans certains magasins et satisfaire l’envie de certains clients.<\/p>\n C) Classification des donn\u00e9es<\/strong><\/p>\n Une fois que vous avez recueilli toutes les donn\u00e9es, identifi\u00e9 les mod\u00e8les et d\u00e9cid\u00e9 en quoi : la prochaine \u00e9tape consiste \u00e0 les classer ! De cette fa\u00e7on, vous pouvez distinguer les donn\u00e9es utiles \u00e0 votre objectif et les donn\u00e9es non pertinentes. Un exemple de ceci serait votre propre service de messagerie, qui peut identifier les messages ind\u00e9sirables et les messages importants.<\/p>\n Utilisation des robots de navigation Web pour effectuer l’exploration de donn\u00e9es<\/strong><\/p>\n Les robots Web sont utilis\u00e9s pour collecter des donn\u00e9es sur Internet. Et pour cause, cela aiderait les entreprises analytiques et les sp\u00e9cialistes du webmarketing <\/a>\u00e0 d\u00e9couvrir ce qui est tendance. Certains des robots Web les plus populaires sont Nutch, Scrapy<\/a>, PHP-Crawler, WebLech, Spindle et Ebot.<\/p>\n Source : Scrapy<\/p><\/div>\n Les web crawlers et le data mining travaillent ensemble. Toutes les donn\u00e9es collect\u00e9es par le Web Crawler seraient inutiles, sauf si vous pouvez les classer et en tirer des id\u00e9es utiles. Vous avez peut-\u00eatre suppos\u00e9 que le data mining et le Big Data sont identiques, mais vous auriez tort. Alors que l’exploration de donn\u00e9es vous donne une vue rapproch\u00e9e de toutes les donn\u00e9es qui sont disponibles, le Big Data dessine la grande image. Le Big Data<\/a> est important pour analyser le \u00ab pourquoi \u00bb que vous observez dans les tendances des donn\u00e9es ; Pourquoi certaines cat\u00e9gories de personnes ach\u00e8tent-elles la m\u00eame chose? Pourquoi mangent-ils la m\u00eame chose? Pourquoi elles portent une robe particuli\u00e8re et ainsi de suite. Avec le Big Data, l’astuce consiste \u00e0 trouver le public, le pourquoi et le quoi.<\/p>\n Quoi qu\u2019il en soit, examinons les huit techniques cl\u00e9s d’extraction de donn\u00e9es qui peuvent vous aider \u00e0 atteindre vos objectifs commerciaux :<\/p>\n Tous vos efforts d\u2019utilisation des donn\u00e9es pour le data mining seront rendus inutiles si vous disposez de donn\u00e9es incompl\u00e8tes. Afin d’\u00e9viter une telle circonstance, il est important de d\u00e9terminer le motif des donn\u00e9es manquantes :<\/p>\n L’imputation est une m\u00e9thode par laquelle vous pouvez remplacer les donn\u00e9es manquantes par des valeurs de substitution. Il existe diff\u00e9rents types d’imputation, comme l’imputation moyenne, le remplacement de r\u00e9gression, l’imputation multiple et les suppositions pour vous aider \u00e0 prendre une d\u00e9cision.<\/p>\n Les algorithmes<\/a> voisins les plus proches peuvent aider \u00e0 identifier les mod\u00e8les dans les donn\u00e9es.<\/p>\n Il s’agit d’une tr\u00e8s ancienne technique d’exploration de donn\u00e9es, mais est toujours pertinente et toujours tr\u00e8s utile. Le regroupement des donn\u00e9es est le processus par lequel vous pouvez analyser les donn\u00e9es en fonction de leur comportement. Les donn\u00e9es poss\u00e9dant un comportement similaire seraient analys\u00e9es ensemble, car elles permettent \u00e0 l’utilisateur de tirer des conclusions sur le comportement du client.<\/p>\n Il existe aussi plusieurs fa\u00e7ons de le faire. Et une m\u00e9thode populaire consiste \u00e0 regarder les donn\u00e9es voisines. Vous baser sur le voisin le plus proche pourrait vous aider \u00e0 pr\u00e9dire les valeurs en regardant les valeurs dans l\u2019historique de la base de donn\u00e9es. Selon cette technique, les objets qui sont proches ensemble ont tendance \u00e0 pr\u00e9senter la m\u00eame valeur pr\u00e9dictive.<\/p>\n Technique du Cluster<\/p><\/div>\n Les meilleurs r\u00e9sultats de l’exploration de donn\u00e9es ne peuvent \u00eatre appr\u00e9ci\u00e9s que lorsque vous supprimez les anomalies. Des anomalies se produisent lorsque vous capturez des informations qui ne correspondent pas \u00e0 un mod\u00e8le. Les anomalies portent des noms diff\u00e9rents : exceptions, valeurs aberrantes, contaminants, etc.<\/p>\n Elles sont g\u00e9n\u00e9ralement remarqu\u00e9es lorsque les donn\u00e9es collect\u00e9es s’\u00e9cartent de la fa\u00e7on dont un ensemble de donn\u00e9es particulier devrait ressembler ou est totalement diff\u00e9rent de ce que vous attendez qu’une combinaison de donn\u00e9es contienne. Sortant totalement de l’ordinaire, il faudrait une analyse suppl\u00e9mentaire, pour comprendre ce que ces donn\u00e9es entra\u00eeneraient. Il pourrait s’agir d’une infiltration, d’un piratage ou d’une action frauduleuse dont les secteurs bancaire et financier doivent \u00eatre conscients.<\/p>\n Capgemini est une soci\u00e9t\u00e9 informatique qui a utilis\u00e9 cette technique avec succ\u00e8s pour analyser les tentatives ill\u00e9gales de connexion et les hacks. Ils ont combin\u00e9 la d\u00e9tection d’anomalie avec le machine learning pour renforcer leur s\u00e9curit\u00e9.<\/p>\n Lorsqu’il y a de grandes quantit\u00e9s de donn\u00e9es types relationnelles et des data warehouses complexes, le d\u00e9fi consisterait \u00e0 d\u00e9velopper un syst\u00e8me qui le permettrait de bien g\u00e9rer le tout. C’est l\u00e0 qu\u2019OLAP entre en jeu.<\/p>\n Le traitement analytique en ligne ou OLAP<\/a> est tr\u00e8s utile pour toutes les \u00e9tapes importantes dans les fonctions d’exploration de donn\u00e9es, telles que la caract\u00e9risation, l’association, la classification, les pr\u00e9visions \/ analyses et le regroupement.<\/p>\n OLAP peut \u00eatre une technique efficace d’exploration de donn\u00e9es.<\/p>\n OLAP est donc une technologie de base de donn\u00e9es qui a \u00e9volu\u00e9 pour devenir un type d\u2019application majeur prenant en charge le business intelligence et englobe la base de donn\u00e9es relationnelle et l’exploration de donn\u00e9es. L\u2019outil est optimis\u00e9 non seulement pour les transactions de processus, mais aussi pour les questions et les rapports de synth\u00e8se.<\/p>\n Les donn\u00e9es seraient d\u00e9riv\u00e9es des bases de donn\u00e9es historiques et ensuite compartiment\u00e9es en structures pour une analyse d\u00e9taill\u00e9e. Cela pourrait \u00eatre tr\u00e8s utile pour les entreprises, surtout lorsqu’elles doivent v\u00e9rifier la performance d’un site Web particulier ou l’avancement des ventes dans un pays ou une r\u00e9gion en particulier.<\/p>\n Les bases de donn\u00e9es OLAP peuvent \u00e9galement vous faire gagner du temps car elles permettent de r\u00e9cup\u00e9rer rapidement les donn\u00e9es, ce qui permet aux entreprises de travailler avec d’\u00e9normes quantit\u00e9s de donn\u00e9es de mani\u00e8re organis\u00e9e.<\/p>\n OLAP<\/p><\/div>\n Les arborescences de d\u00e9cision sont consid\u00e9r\u00e9es comme la plus r\u00e9cente technologie d’exploration de donn\u00e9es aidant \u00e0 analyser quelles parties de la base de donn\u00e9es sont vraiment utiles ou quelle partie contient une solution au probl\u00e8me que vous essayez de comprendre et r\u00e9soudre. Les algorithmes d’arborescence des d\u00e9cisions permettent d’analyser les donn\u00e9es et de les valider de mani\u00e8re int\u00e9gr\u00e9e<\/p>\n Comme ils sont extr\u00eamement utiles dans l’exploration de donn\u00e9es, les arbres de d\u00e9cision sont \u00e9galement utilis\u00e9s pour l’exploration et le pr\u00e9traitement des donn\u00e9es.<\/p>\n En regardant les pr\u00e9dicteurs ou les valeurs pour chaque fractionnement de l’arbre, vous pouvez dessiner un certain nombre d’id\u00e9es ou trouver des r\u00e9ponses aux questions que vous avez pos\u00e9es.<\/p>\n Les r\u00e9seaux neuronaux sont consid\u00e9r\u00e9s comme des outils de mod\u00e9lisation de donn\u00e9es statistiques non lin\u00e9aires qui peuvent \u00eatre utilis\u00e9s pour trouver des mod\u00e8les dans les donn\u00e9es ou d\u00e9chiffrer des relations complexes entre les entr\u00e9es et les sorties. Les r\u00e9seaux de neurones sont programm\u00e9s pour stocker, reconna\u00eetre et r\u00e9cup\u00e9rer des mod\u00e8les dans les entr\u00e9es de base de donn\u00e9es, filtrer le bruit et identifier les probl\u00e8mes.<\/p>\n Le r\u00e9seautage neuronal est une forme d’exploration de donn\u00e9es.<\/p>\n Le processus d’exploration de donn\u00e9es bas\u00e9 sur des r\u00e9seaux neuronales artificiels donnerait des r\u00e9sultats robustes, avec un degr\u00e9 \u00e9lev\u00e9 de tol\u00e9rance aux pannes. Gr\u00e2ce \u00e0 ses capacit\u00e9s de stockage et \u00e0 son caract\u00e8re adaptatif auto-organis\u00e9 combin\u00e9 avec un traitement parall\u00e8le, la m\u00e9thode du r\u00e9seau de neurones d’exploration de donn\u00e9es a \u00e9volu\u00e9 pour \u00eatre une technique tr\u00e8s importante.<\/p>\n Les quatre processus principaux d’exploration de donn\u00e9es bas\u00e9s sur les r\u00e9seaux neuronaux sont les suivants :<\/p>\n Une autre raison de la popularit\u00e9 des r\u00e9seaux neuronaux est que les utilisateurs peuvent l‘automatiser,<\/a> m\u00eame s\u2019ils n’ont pas de connaissances sur les bases de donn\u00e9es, l’exploration de donn\u00e9es devient une t\u00e2che plus facile.<\/p>\n M\u00e9thode neuronal<\/p><\/div>\n Comme son nom l’indique, cette technique aiderait \u00e0 analyser l’association entre deux ou plusieurs \u00e9l\u00e9ments dans de grands ensembles de donn\u00e9es. Si vous recherchez la relation entre les diff\u00e9rentes variables dans une base de donn\u00e9es, la technique de la r\u00e8gle d’association serait id\u00e9ale car elle permet de d\u00e9couvrir les mod\u00e8les cach\u00e9s dans diff\u00e9rents ensembles de donn\u00e9es. Il peut \u00e9galement souligner les occurrences fr\u00e9quentes des variables avec succ\u00e8s.<\/p>\n La technique de la r\u00e8gle d’association aide les entreprises en analysant la relation entre les \u00e9normes ensembles de donn\u00e9es qui contribuent aux conceptions de catalogues, \u00e0 l’analyse de perte de leadership, au marketing crois\u00e9 et \u00e0 plusieurs autres processus d\u00e9cisionnels. Cette technique peut m\u00eame aider \u00e0 trouver des associations dans les diff\u00e9rents \u00e9l\u00e9ments que les clients placent dans leurs paniers d’achats.<\/p>\n Ne n\u00e9gligez pas les algorithmes de classification. Bien que nous le mentionnons en dernier, ce n’est certainement pas la technique d’exploration de donn\u00e9es la moins populaire. En fait, elle est l’un des plus couramment utilis\u00e9es lorsqu\u2019il s\u2019agit de classer de grands ensembles de donn\u00e9es.<\/p>\n La m\u00e9thode de classification utilise les m\u00e9thodes du r\u00e9seau neuronal et des arbres de d\u00e9cision pour obtenir des informations utiles. Les entreprises utilisent cette approche pour conna\u00eetre le comportement et les pr\u00e9f\u00e9rences de leurs clients. Par exemple, une entreprise de pr\u00eat peut utiliser cette technique pour conna\u00eetre les niveaux de risque relatifs des demandeurs, en utilisant leur notation de cr\u00e9dit comme proxy de risque.<\/p>\n La m\u00e9thode de classification peut \u00e9galement \u00eatre utilis\u00e9e pour observer les d\u00e9tails de propri\u00e9t\u00e9, les investissements, etc. Il est possible de tester les mod\u00e8les de classification en comparant les mod\u00e8les connus avec les valeurs pr\u00e9dites.<\/p>\n C’est probablement la raison pour laquelle les mod\u00e8les de classification sont divis\u00e9s en deux ensembles de donn\u00e9es : l’un pour tester le mod\u00e8le et un autre pour la construction du mod\u00e8le.<\/p>\n Les techniques de data mining que nous avons expliqu\u00e9es ci-dessus comptent parmi les meilleures de l’industrie. Elles vous aideront \u00e0 prendre des d\u00e9cisions commerciales plus intelligentes et \u00e0 cr\u00e9er des id\u00e9es utiles.<\/p>\n Ne pensez pas que vous \u00eates restreint \u00e0 utiliser une seule technique. La plupart du temps, ces techniques peuvent \u00eatre combin\u00e9es pour obtenir les meilleurs r\u00e9sultats. Bien-entendu si vous ressentez encore le besoin de maitriser cette discipline cl\u00e9 du Data Driven Marketing<\/a> que repr\u00e9sentent le data mining et la visualisation de donn\u00e9es, consultez d\u00e8s maintenant le programme de la formation data visualisation<\/a> dispens\u00e9e par VISIPLUS academy.<\/p>\n Retour sur huit \u00e9tapes concr\u00e8tes \u00e0 suivre pour am\u00e9liorer votre data mining. Avec l’expansion massive des technologies de l’information, la demande pour l’exploration de donn\u00e9es (data mining) a \u00e9galement \u00e9norm\u00e9ment augment\u00e9. Mais l’exploration de donn\u00e9es…<\/p>\n","protected":false},"author":5,"featured_media":11817,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[644,761,330,332,331,418,333,334,264],"tags":[453,775,1655],"class_list":["post-11807","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-visualisation","category-evaluer-efficacite-actions-communication-online-offline","category-google-analytics-analytics-2","category-google-analytics-certification","category-google-analytics-workshop","category-google-tag-manager","category-web-conversion-ux","category-tableaux-de-bord-kpi","category-analytics-2","tag-big-data","tag-data-mining","tag-data-visualisation"],"_links":{"self":[{"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/posts\/11807","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/comments?post=11807"}],"version-history":[{"count":6,"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/posts\/11807\/revisions"}],"predecessor-version":[{"id":11818,"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/posts\/11807\/revisions\/11818"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/media\/11817"}],"wp:attachment":[{"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/media?parent=11807"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/categories?post=11807"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/academy.visiplus.com\/blog\/wp-json\/wp\/v2\/tags?post=11807"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"Source](\"https:\/\/academy.visiplus.com\/blog\/wp-content\/uploads\/2017\/06\/Scrapy-A-Fast-and-Powerful-Scraping-and-Web-Crawling-Framework.jpg\")
<\/a>
\nC’est ce que nous vous proposons de faire avec l’exploration de donn\u00e9es.<\/p>\n1. Reconnaissance et traitement des donn\u00e9es incompl\u00e8tes<\/h2>\n
\n
2. Techniques de regroupement<\/h2>\n
![\"Technique](\"https:\/\/academy.visiplus.com\/blog\/wp-content\/uploads\/2017\/06\/Fotolia_106318538_Subscription_Monthly_M.jpg\")
<\/a>3. D\u00e9tection d’anomalie<\/h2>\n
4. Utilisation d\u2019OLAP pour les types de donn\u00e9es complexes<\/h2>\n
![\"OLAP\"](\"https:\/\/academy.visiplus.com\/blog\/wp-content\/uploads\/2017\/06\/olap.jpg\")
<\/a>5. Arbres de d\u00e9cision utilis\u00e9s pour l’exploration et le pr\u00e9traitement des donn\u00e9es<\/h2>\n
6. M\u00e9thode du r\u00e9seau neuronal<\/h2>\n
\n
![\"M\u00e9thode](\"https:\/\/academy.visiplus.com\/blog\/wp-content\/uploads\/2017\/06\/Fotolia_140068335_Subscription_Monthly_M.jpg\")
<\/a>7. Technique de la r\u00e8gle d’association<\/h2>\n
8. Classification<\/h2>\n
Conclusion<\/h2>\n
Source : www.datanami.com<\/h6>\n","protected":false},"excerpt":{"rendered":"