public:omi-5a-o-rech:3._decouverte_d_information [WiKi informatique]

Cette page est en lecture seule. Vous pouvez afficher le texte source, mais ne pourrez pas le modifier. Contactez votre administrateur si vous pensez qu'il s'agit d'une erreur.
===== Analyse des données et découverte d'informations =====

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 typique/fondateur (acte d’achat bien répertorié et enregistrés, livres de comptes, …)

==Cas d’utilisation :==
  * (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?

==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

==== 1. Aggrégation ====

=== 1.1 Opérateurs d'aggrégation ===

usage : statistique sur les données 

principe : 
  * **opérateur d’aggrégation** : comptage, somme, moyenne, ecart-type (count, sum, mean, avg...)
  * données quantitatives (et non qualitatives)
  * classes (données qualitatives)

Exemples de requêtes faisant appel aux fonctions d’aggrégation :

==Nombre d’élèves par groupe de TD / par prepa d’origine etc..: ==
  select groupe_TD , count(num_eleve)
  from eleve
  group by groupe_TD
==Donner les chiffres des ventes du magasin pour chaque mois de l’année==
  select mois, sum(montant)
  from vente
  group by mois
==Donner le nombre de ventes d’un montant > à 1000 euros pour chaque mois de l’année==
  select mois, count(num_vente)
  from vente
  group by mois
  having montant >= 1000
==Tester les diaparités salariales entre hommes et femmes==
  SELECT gender, avg( salary )
  FROM employee
  GROUP BY gender
==Tester les diaparités salariales selon le niveau d’éducation==
  SELECT education_level, avg( salary )
  FROM employee
  GROUP BY education_level

==Problèmes : ==
  * 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, ...)
    * plusieurs “GROUP BY”??? => dimensions
  * A quelles heures de la journée la messagerie est-elle la plus sollicitée?
    * définir des intervalles temporels?? créneaux horaires?  => distributions, histogrammes
  * Comment se répartissent géographiquement les utilisateurs de la messagerie?
  * définir des secteurs géographiques? 
      * => hiérarchies pays > département > région
  * Taille du message, has_attachement? 
      * => mesures sur des faits élémentaires

===1.2 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.

===1.3 Cube 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

=== 1.4 Modèle de données en étoile ===

La réalisation d’un cube de données repose en général sur une base de données relationnelle organisée selon un “modèle en étoile”.

Le modèle en étoile est une extension des schéma Entité/Association pour lesquels :
  * 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...


==== 2. Mise en oeuvre ====

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

=== XMLA / MDX ===