Atelier technique SAS – 19 juin 2001 Stéfan Galissie – LINCOLN stefan.galissie@lincoln.fr Contact@web-datamining.Net

Sommaire Présentation Les premiers résultats Statistiques sur la fréquentation du site Le lectorat de Web-Datamining info Les abonnés en France Pourquoi faire du Web Mining Création d’un Data Web Les analyses d’associations Exemple de Web Mining : le forum Exemple de Web Mining : les services Les étapes d’un projet Web Mining

Présentation

Les Premiers Résultats Les sites qui nous apportent le plus de visiteurs

Statistiques sur la fréquentation du site Les Premiers Résultats Statistiques sur la fréquentation du site

Le lectorat de 525 abonnés au 19/06/2001

Le lectorat de

Le lectorat de 449 lecteurs abonnés en France Répartition du lectorat par département  :

Pourquoi Faire Du Web Mining ? Augmenter le nombre moyen de pages consultées Augmenter le bénéfice moyen par visite Réduire le nombre de produits retournés Augmenter le nombre de clients Augmenter votre image de marque Accroître le taux de rétention Améliorer le trafic sur votre site Augmenter le taux de conversion Augmenter votre « cross selling »

Création D’un Data Web

Création D’un Data Web

Création D’un Data Web Opinion n : 1 Navigation 1 : n Participation 1  : 1

Améliorations Identification par l’intermédiaire de Cookies Identification obligatoire sur le site (Login)

Les règles d’associations (1/3) Les règles d’associations avec SAS Enterprise Miner A (antécédent) => B (conséquent) Si un visiteur visite la page des publications, il visite aussi souvent la page des liens Les critères  : Le support : pourcentage de transactions contenant A et B par rapport au nombre total de transactions La confiance : pourcentage de transactions contenant A et B sur le nombre de transactions contenant A Le lift : confiance sur le nombre de transactions contenant B

Les règles d’associations (2/3) Application des règles d’associations avec SAS Enterprise Miner

Les règles d’associations (3/3) L’algorithme de recherche de Séquences Fréquentes

Exemple de web-mining : le forum Avant Après

Exemple de web-mining : les services

Les étapes d’un projet Web Mining Web log IIS Modèle transactionnel Data Web Modèle transactionnel Data Web Modèle client Nettoyage des données Création d’indicateurs Gestion des historiques Tableau disjonctif complet Intégration de nouvelles données e-Warehouse Datamart Classifications Analyse d’associations

Les étapes d’un projet Web Mining Web log IIS Modèle transactionnel Data Web Modèle transactionnel Data Web Modèle client Nettoyage des données Suppression des accès autres que .ASP Filtrage des visites trop courtes Suppression des accès par des spiders Suppression des doublons Tableau disjonctif complet Intégration de nouvelles données e-Warehouse Datamart Classifications Analyse d’associations

Les étapes d’un projet Web Mining Web log IIS Modèle transactionnel Data Web Modèle transactionnel Data Web Modèle client Nettoyage des données Création d’indicateurs Moment de la connexion (0=heures de travail, 1=soirée et nuit, 2=week-end et jours fériés) Type de navigateur Profondeur de la page consultée Catégories a priori (rubriques) Date de première visite Date de dernière visite Durée totale des visites Durée moyenne d’une visite Ecart type de la durée Nombre de clics moyens Tableau disjonctif complet Datamart Analyse d’associations

Les étapes d’un projet Web Mining Web log IIS Modèle transactionnel Data Web Modèle transactionnel Data Web Modèle client Nettoyage des données Création d’indicateurs Gestion des historiques Tableau disjonctif complet Intégration de nouvelles données e-Warehouse Datamart Classifications Analyse d’associations

Les étapes d’un projet Web Mining Web log IIS Modèle transactionnel Data Web Modèle transactionnel Data Web Modèle client Nettoyage des données Création d’indicateurs Gestion des historiques Tableau disjonctif complet Intégration de nouvelles données e-Warehouse Datamart Classifications Utilisateur actif/passif/abonné Classification à partir du modèle client

Les étapes d’un projet Web Mining Web log IIS Modèle transactionnel Data Web Modèle transactionnel Data Web Modèle client Nettoyage des données Création d’indicateurs Gestion des historiques Tableau disjonctif complet Intégration de nouvelles données e-Warehouse Datamart Classifications Analyse d’associations

Les étapes d’un projet Web Mining Web log IIS Modèle transactionnel Data Web Modèle transactionnel Data Web Modèle client Nettoyage des données Création d’indicateurs Gestion des historiques Tableau disjonctif complet Intégration de nouvelles données e-Warehouse Datamart Classifications Analyse d’associations Filtrage d’évènements (support < 0,5% et >80%) Introduction des catégories a priori Introduction des nouvelles catégories Sélection de 10 séquences

Des questions ? Atelier technique SAS – 19 juin 2001 Stéfan Galissie – LINCOLN stefan.galissie@lincoln.fr Contact@web-datamining.Net