INTRODUCTION Grande quantité de données

Présentation au sujet: "INTRODUCTION Grande quantité de données"— Transcription de la présentation:

1 INTRODUCTION Grande quantité de données
Difficultés à en extraire de la connaissance Identification de schémas nouveaux

2 Trois phases: Préparation de données Extraction
Interprétation des résultats

3 Processus d’extraction de connaissances
Préparation Extraction Interprétation Projet Sources de données Données consolidées Données formatées Modèles Connaissances Recherche de données Nettoyage des données Pré traitements des données Fouille de données Décisions Données Consommateurs Magasins Ventes Démographie Géographie Information X habite la région R Y a A ans Z dépense son argent dans la ville V de la région R Connaissance Une quantité Q du produit P est vendue en région R Les familles de profil F utilisent M% de P durant la période N Décision Promouvoir le produit P dans la région R durant la période N Réaliser un mailing asur le produit P aux familles du profil F

4 Techniques classiques de data mining
Les règles d’association La classification L’estimation La segmentation

5 Problématique abordée
En quoi le Web Mining permet-il d’optimiser les sites de E-commerce ?

6 1 Répercussions sur l’architecture des sites
1.1 étude du trafic inter sites Le référencement : étude des pages d’entrée L’analyse de liens : étude des liens entre page consultée et provenance de l’internaute L’analyse des mots clés : optimisation du référencement

7 1 Répercussions sur l’architecture des sites
1.2 Etude du trafic intra sites Etude de l’activité générale : nombre de visiteurs… Analyse de la navigation Les arbres de décision : connaître les comportements généraux sur le site

8 1 Répercussions sur l’architecture des sites
1.3 Optimisation des pages et de leur contenu Opérations de comptage Ex : Segmentation des pages en fonction du nombre de visiteurs et de la fréquence des visites Identification de pages idéales pour bandeaux ou pages a modifier…

9 2 Personnalisation des contenus
2.1 Création de segments d’utilisateurs Classification en fonction : Des habitudes de navigation Du profil sociodémographique  Des comportemens d’achat 

10 2.2 La modélisation prédictive
Modélisation par arbre de décision Analyse des séquences de navigation Détermination des séquences à forte probabilité d’achat Croisement des données avec informations sur l’utilisateur

11 2.2 La modélisation prédictive
Ventes Croisées « un client qui achète les produits A et B va également acheter le produit C avec une probabilité p » 

12 2.2 La modélisation prédictive
Modélisation des risques de fraude 2 cas de figure: L’utilisateur est connu L’utilisateur est inconnu

13 2.3 Le filtrage collaboratif
L’exemple Amazon: « ceux qui ont acheté ce livre ont aussi acheté….. »

14 3 Mise en œuvre et Intelligence économique
Les différentes phases du projet de Web Mining 1.1 Identifier les problèmes propres au business 1.2 Préparation des données

15 Les phases du projet Données Enregistrées Nettoyage
Identification des utilisateurs Id. des pages vues Fichier des sessions Chemins de navigation Méthode Statistiques et Mathématiques Informations sur la structure et le contenu du site

16 1.3 L’architecture à mettre en place

17 1.4 Compréhension des données
1.5 Modélisation 1.6 Evaluation 1.7 Déploiement

18 Les bénéfices et leurs impacts.
Analyse des données de navigation Analyse de la provenance Profiling et segmentation des visiteurs

19 Les bénéfices et leurs impacts.
Modélisation du churn Modélisation prédictive Amélioration du processus d’achat

20 CONCLUSION « C’est désormais l’information que l’on détient sur le client qui devient la clé du succès...qui permettra d’ajuster toujours mieux le produit ou le service à la demande ».