<note tip>
**TODO**

Gestionnaire  de bases de données 
</note>

===== Analyse des données=====
**Définitions**:    
  * **Données aggrégées** : données regroupées en classes (clusters), éventuellement organisées de façon hiérarchique. Possibilité d’appartenances à de multiples hiérarchies (cubes de données).
  * **Analyse des données** : le but est de dégager des indicateurs à partir d’un grand ensemble de données, afin de faciliter la prise de décision.

**cas d’utilisation** :
  * quels sont les magasins les plus rentables? doit-on ouvrir / fermer des magasins?
  * où doit-on implanter un nouveau magasin?
  * y a-t-il une corrélation entre le lancement d’une campagne publicitaire et les chiffres de vente? quels sont les supports les plus efficaces?
  * quelle est la liste des clients à fidéliser?
  * de quelle quantité doit-on approvisionner les magasins en fonction de la période de l’année?

analyse:
  * quels sont les catégories de films/livres les plus fréquemment empruntés?
  * réussite / taux d’embauche / salaire en fonction de la prépa d’origine / sexe / profession des parents


Les opérateurs d’aggrégation permettent de réaliser des statistiques sur les données, sous forme d’histogrammes (ou camemberts) organisés selon des catégories définies par les valeurs de certains attributs:

**principe :**
  * opérateur d’aggrégation : comptage, somme, moyenne, ecart-type (count, sum, mean, avg, …)
  * les données aggrégées sont de type quantitatif
  * les attributs définissant les classes sont de type qualitatif.

Exemples de requêtes faisant appel aux fonctions d’aggrégation :

//Nombre d’élèves par groupe de TD / par prepa d’origine etc..://
<code sql>
SELECT groupe_TD , count(num_eleve)
FROM Eleve
GROUP BY groupe_TD
</code>

//Donner les chiffres des ventes du magasin pour chaque mois de l’année//
<code sql>
SELECT mois, sum(montant)
FROM Vente
GROUP BY mois
</code>

//Donner le nombre de ventes d’un montant > à 1000 euros pour chaque mois de l’année//
<code sql>
SELECT mois, count(num_vente)
FROM Vente
GROUP BY mois
HAVING montant >= 1000
</code>

//Tester les disparités salariales entre hommes et femmes//
<code sql>
SELECT sexe, avg( salaire )
FROM Employé
GROUP BY sexe
</code>

//Tester les disparités salariales selon le niveau d’éducation//
<code sql>
SELECT niveau_educatif, avg( salaire )
FROM Employé
GROUP BY niveau_éducatif
</code>


===== 4. Analyse des données et découverte d'informations =====

<note>
**TODO** : Manu

  * fichiers csv
  * matrice données (cube)
  * excel
</note>

La découverte d'informations consiste à développer des outils de mise en forme des données
facilitant leur analyse. Elle repose sur deux aspects :
  * projection de données qualitatives sur des espaces vectoriels ("quantification" des données)
  * production d'histogrammes dans le but d'analyser la distribution des données dans l'espace de reconstruction 

Le but est de dégager  :
  * des **tendances** (covariables)
  * des **modes** de la distribution (présence de plusieurs maxima)    
à partir d’un **grand** ensemble de données (chiffre d’affaires, nb de ventes, masse salariale, ...) évoluant dans le **temps** et dans l’**espace**, afin de 
  * définir des **indicateurs** pertinents
  * faciliter la prise de décision.


==Vocabulaire anglophone généralement utilisé :==
  * Business Intelligence (BI)
  * Data Warehouses (Entrepôts de données)
  * OLAP (Online Analytical Processing) : 

<note tip> 
"//Unlike Online Transaction Processing (OLTP), where typical operations read and modify individual and small numbers of records, OLAP deals with data in bulk, and operations are generally read-only.//"
</note> 

==Entrepôts de données (Data warehouses) / Magasins de données (Data Mart)==
Exemples de grandes masses de données :
  * Masses de données (pullulantes) : tickets de caisse, clics web, appels tel, operations bancaires, remboursements no URSSAF, trajets SNCF…
  * Données importantes : fichiers de clients, données biométriques, campagnes de mesures, sondages,...
  * Données géographiquement localisées (gestion d’un “territoire”) : appels tel, centres de production, consommation eau-électricité-gaz,  infractions pénales, arrêts maladie, prêts bancaires, allocations chômage, jugements des TGI, accidents du travail...

Remarque : Les transactions marchandes sont un cas classique (acte d’achat bien répertorié et enregistrés, livres de comptes, …)

== Problèmes ==
  * Quels sont les catégories de films/livres les plus fréquemment empruntés?
  * Réussite / taux d’embauche / salaire en fonction de la prépa d’origine / sexe / profession des parents
  * Tester les disparités salariales hommes/femmes en fonction du niveau d’éducation.
  * Donner le taux de réussite par groupe de matière en fonction de la filière d’origine (MP, PSI, PC, PT, ...)
  * A quelles heures de la journée la messagerie est-elle la plus sollicitée?
  * Comment se répartissent géographiquement les utilisateurs de la messagerie?

== Agrégation ==

L'agrégation consiste:
  * à positionner les mesures sur des axes (temporels, géographiques,...)
  * ou à les organiser en classes (et sous-classes) selon la valeur d'un ou plusieurs attributs.
  * à utiliser des **opérateur d’aggrégation** :
    * comptage, somme, moyenne, ecart-type, max, min, ... 
    * (''count'', ''sum'', ''mean'', ''avg'', ''max'', ''min''...)
  * afin de dégager :
    * des tendances (selon des dimensions)
    * des modes (analyse par histogramme)
    * des corrélations (analyse croisée)

== Dimensions ==
  * (qui?) Quels sont les magasins les plus rentables? doit-on ouvrir / fermer des magasins? 
  * Où doit-on implanter un nouveau magasin?
  * Y a-t-il une corrélation entre le lancement d’une campagne publicitaire et les chiffres de vente? quels sont les supports les plus efficaces?
  * (qui?) Quelle est la liste des clients à contacter?
  * (quand?) De quelle quantité doit-on approvisionner les magasins en fonction de la période de l’année?

==Problèmes : ==
  * définir des intervalles temporels?? créneaux horaires?  => distributions, histogrammes  
  * définir des secteurs géographiques? 
      * => hiérarchies pays > département > région
  * Taille du message, has_attachement? 
      * => mesures sur des faits élémentaires


==== 4.1 Tableaux de données ====

Organisation des données sous forme de tableaux bidimensionnels :

=== Schémas de données ===

  * Une mesure est un jeu de valeurs organisé sous forme de **tuple**
  * A un tuple on associe  en général  un **schéma de données**.
{{public:std-3:cm1:s7_schema.png}}

  * Définir un **schéma** consiste à définir :
    * une liste d'attributs (labels) associées à chacune des valeurs du tuples. 
  * A chaque **attribut** correspond :
    * un //intitulé//
    * un //domaine// de valeurs (type/format des données)

=== Tableau de données ===

Un tableau de données est une liste (finie et ordonnée) de tuples, chaque tuple obéissant à un même schéma $R$.

{{https://wiki.centrale-marseille.fr/informatique/_media/public:std-3:cm1:s7-tableau-data.png}}

=== Formats d'échange ===

Les principaux formats d'échange de données sont : 
  * csv
  * json
  * xml
<note>
TODO
</note>

Exemples :
  * {{http://edauce.perso.centrale-marseille.fr/visible/clients.xml|Clients}}
  * {{http://www.ecb.int/stats/eurofxref/eurofxref-daily.xml|Cours de l'Euro}}
  * {{http://edauce.perso.centrale-marseille.fr/visible/Zipssortedbycitystate.csv|codes postaux}}
  * {{http://edauce.perso.centrale-marseille.fr/visible/codes-postaux.json|codes postaux}}

Sites de données :
  * {{https://www.data.gouv.fr/fr/|www.data.gouv.fr}}
  * {{https://www.nature.com/sdata/|scientific data}}
  * {{https://www.opendatasoft.fr/ressource-liste-portails-open-data-dans-le-monde/|Liste de ressources open data}}
  * {{https://www.data.gov/|data.gov}}
  * {{https://fr.openfoodfacts.org/|open food facts}}

==== 4.2 Faits élémentaires ====

  * Notion de fait élémentaire (//fact//): transaction ou opération localisée dans le temps et dans l’espace

Exemples de “fait”: 
  * Achat/Vente
  * Opération bancaire (débit/crédit)
  * Consultation (site web)
  * Souscription à un contrat d’assurance
  * Appel téléphonique
  * Inscription

Tous ces faits peuvent être localisés. Des mesures peuvent être effectuées sur ces faits (montant d’une vente, durée d’un appel, montant d’une opération bancaire, …)
 
**Points clés** : 
  * distinction entre **Dimension** et **Mesure**.
    * Notion de dimension : qui? quoi? où? quand? Comment? : associe des **coordonnées** à l’événement (géographiques, temporelles) et par extension une catégorie. 
    * Notion de **mesure(s)** associées à l’événement (exemple : montant de la vente) 
  * distributions, répartitions, etc... cf analogie proba/stats : événement aléatoire, vecteur aléatoire, …
    * les événements sont associés par paquets sur des intervalles réguliers ou selon des catégories discretes. 
    * Fonctions d’aggrégation : réalise la mesure sur les groupe : somme, comptage, moyenne, min, max, etc...
    * histogramme : nb d’événements observés par secteur sur un maillage régulier de l’espace des coordonnées. Par extension mesure sur ce maillage par une fonction d’aggrégation.

== Modèle en étoile==
  * un fait est une association située au centre du schéma. Les attributs de l’association sont les mesures effectuées
  * une dimension est une relation participant au fait. Les dimensions sont donc décrites par des attributs (ex : attributs année, trimestre, mois, jour, heure, minute, seconde,...pour une dimension temporelle) 
  * pour chaque dimension, on décrit une hiérarchie sur les différents attributs de la dimension en définissant un ordre, du particulier au général.

{{public:omi-5a-o-rech:bi2.png}}

==Exemples :==
  * sur la dimension temporelle : mois ⊂ trimestre ⊂ année
  * sur la dimension promotion : nom ⊂  catégorie ⊂ média ⊂ type de média
etc...


==Exemples==
  * {{https://forge.centrale-marseille.fr/attachments/download/143/ventes.csv|Ventes}}

  * {{http://edauce.perso.centrale-marseille.fr/visible/sales.csv|Ventes}}

  * {{http://edauce.perso.centrale-marseille.fr/visible/Track.csv|Pistes}}

=== Tables pivot ===

Les tables pivot permettent d'analyser des faits selon deux dimensions organisées sur les deux axes d'un tableau 

===Cubes de données===

Un cube de données est une structure de données organisée sur le principe des espaces vectoriels. Différents axes sont définis, chaque axe étant associé à une dimension particulière.

  * Les dimensions peuvent correspondre à des valeurs discrètes (catégories : type de produit, catégorie de client,...) ou continues (valeurs temporelles ou géographiques, ...).
  * Chaque fait est décrit comme un point de l’espace vectoriel. Il est positionné dans une cellule du cube. A ce point sont associées une ou plusieur mesures.
  * Le cube est un ensemble de cellules (voir figure), chaque cellule correspondant à un intervalle (sur les axes continus) ou une valeur (sur les axes discrets). 


Un élément essentiel du modèle de données est la définition de **hiérarchies** sur les dimensions du cube. Chaque dimension se divise en intervalles et sous-intervalles (pour le continu/ quantitatif) ou en catégories et sous-catégories (pour le discret/qualitatif)

Les hiérarchies sur les différentes dimensions permettent de définir le “niveau de résolution” sur les différentes dimensions.
  * On peut ainsi s’intéresser à l’évolution d’une certaine grandeur au cours du temps année par année, trimestre par trimestre ou mois par mois selon le niveau de résolution choisi.  
  *-> Hiérarchie : description arborescente d’intervalles et de sous-intervalles sur une dimension. Implemente differentes granularités sur la dimension considérée.
 
{{public:omi-5a-o-rech:bi1.png}}

La structure de cube de données est adaptée pour la réalisation d’histogramme multidimensionnels, selon les axes choisis et le niveau de résolution choisi, à l’aide de fonctions d’aggrégation.
  * Histogramme et aggrégation
    *  (vue quantitative) comptage/répartition d’événements sur un intervalle (discrétisaton d’une distribution d’événements)
    *  (vue qualitative) comptage d’événements par catégorie
    * (vue intermediaire) comptage d’événements par catégories hiérarchisées


==== 4.3. Mise en oeuvre ====

=== Pandas ===
http://pandas.pydata.org/pandas-docs/stable/10min.html

=== XMLA / MDX ===