![\"Tecniche](\"https:\/\/www.egon.com\/wp-content\/uploads\/2017\/07\/596f6e10114f8_correzione-indirizzi-scorretti.jpg\" "\\"Tecniche")
Valoriser les informations d\u2019entreprises log\u00e9es dans de grands d\u00e9p\u00f4ts de donn\u00e9es est un des objectifs les plus connus de l\u2019exploration de donn\u00e9es<\/span>. Mais les potentiels des techniques, des m\u00e9thodologies et des exemples qui entrent dans la d\u00e9finition d\u2019exploration de donn\u00e9es vont bien au-del\u00e0 de la simple valorisation de donn\u00e9es. Dans cet article, nous nous concentrerons sur le marketing et sur ce que vous pouvez faire vous-m\u00eame pour promouvoir votre entreprise ou votre business, m\u00eame en ligne, gr\u00e2ce \u00e0 l\u2019exploration de donn\u00e9es.\u00a0Dans la liste des 10 techniques et exemples pratiques s\u00e9lectionn\u00e9s<\/span>, nous avons mis en \u00e9vidence des ressources et des liens d\u2019approfondissement, afin que tous puissent mieux conna\u00eetre ce vaste domaine, en \u00e9volution continue. En exploitant les techniques et en vous inspirant des exemples que nous allons vous montrer, vous serez en mesure de d\u00e9velopper et de raffiner votre strat\u00e9gie de marketing et de vous distinguer de la concurrence. C\u2019est parti !<\/p>\n1) ANALYSE CLUSTER POUR IDENTIFIER DES GROUPES CIBLES<\/h3>\n
L\u2019analyse cluster permet d\u2019identifier \u00e0 l\u2019int\u00e9rieur d\u2019une archive un certain groupe d\u2019utilisateurs selon des caract\u00e9ristiques communes. Ces caract\u00e9ristiques peuvent \u00eatre l\u2019\u00e2ge, la provenance g\u00e9ographique, le niveau d\u2019\u00e9tudes, et ainsi de suite. Il s\u2019agit d\u2019une technique d\u2019exploration de donn\u00e9es qui est utile dans le marketing pour segmenter la base de donn\u00e9es et envoyer, par exemple, une certaine promotion \u00e0 la bonne cible pour tel ou tel produit ou service (jeunes, mamans, retrait\u00e9s, etc.). Les combinaisons de variables sont infinies et rendent l\u2019analyse cluster plus ou moins s\u00e9lective en fonction des exigences de recherche.<\/p>\n
Ressources importantes :<\/p>\n
\u2013\u00a0Cluster Analysis by Jmp \u2013\u00a0La Cluster Analysis<\/a>\u00a0[PDF ITA]\n \u2013\u00a0Tutorial Cluster Analysis by Origine Lab<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Mining \u2013 Cluster Analysis by Tutorials Point<\/a><\/p>\n \u2013\u00a0Cluster Analysis for Market Segmentation<\/a>\u00a0 [SLIDE ENG]\n Pr\u00e9voir le futur est le r\u00eave de tout professionnel du marketing. Sans que la boule de cristal soit n\u00e9cessaire, nous b\u00e9n\u00e9ficions de l\u2019analyse de r\u00e9gression, une technique d\u2019exploration de donn\u00e9es gr\u00e2ce \u00e0 laquelle \u00e9tudier les changements, habitudes, niveau de satisfaction des clients et autres facteurs li\u00e9s \u00e0 des param\u00e8tres comme le budget d\u2019une campagne publicitaire ou similaires. D\u00e8s lors que vous modifiez un de ces param\u00e8tres, vous aurez une id\u00e9e assez proche de ce qui arrivera \u00e0 votre public d\u2019utilisateurs.<\/p>\n Ressources importantes :<\/p>\n \u2013\u00a0Regression Analysis \u2013 predicting the future by Michael Pawlicki<\/a>\u00a0 [ENG]\n \u2013\u00a0Regression Analysis \u2013 by b2binternational<\/a>\u00a0 [ENG]\n \u2013\u00a0TECHNIQUE #9: Regression Analysis by Marketing Profs<\/a>\u00a0 [ENG]\n \u2013\u00a0The Use Of Regression Analysis In Marketing Research by IDEAS<\/a>\u00a0 [ENG]\n Comment classer un email de r\u00e9ponse d\u2019un client ? Et comment identifier d\u2019\u00e9ventuelles corr\u00e9lations entre acheteurs potentiels de vos produits avant et apr\u00e8s la mise en place d\u2019une campagne publicitaire ? La r\u00e9ponse est unique : l\u2019analyse de classification, la technique d\u2019exploration de donn\u00e9es qui permet de reconna\u00eetre les patterns (sch\u00e9mas r\u00e9currents) \u00e0 l\u2019int\u00e9rieur d\u2019une base de donn\u00e9es. Il s\u2019agit d\u2019une solution efficace pour rendre votre strat\u00e9gie de marketing plus performante, \u00e9liminer le superflu et cr\u00e9er des sous-archives optimis\u00e9es. \u2013\u00a0Classification Analysis by Berkley<\/a>\u00a0 [ENG]\n \u2013\u00a0Principal Components & Classification Analysis by Statistica<\/a>\u00a0 [ENG]\n \u2013\u00a0Data mining: classification and analysis<\/a>\u00a0 [ENG]\n Chaque business, qu\u2019il soit grand ou petit, doit affronter chaque jour les cons\u00e9quences d\u2019\u00e9ventuelles erreurs commises par des employ\u00e9s, fournisseurs ou par les clients directement. Une erreur banale en phase de saisie des donn\u00e9es ou lors de l\u2019achat d\u2019un produit a le m\u00eame effet qu\u2019un caillou dans une chaussure. Rien de bouleversant, mais c\u2019est tout de m\u00eame g\u00eanant. Pour \u00e9liminer \u00e0 la source les incoh\u00e9rences et anomalies des bases de donn\u00e9es, il est fait recours \u00e0 une technique d\u2019exploration de donn\u00e9es particuli\u00e8re qui prend le nom de d\u00e9tection d\u2019anomalies. Dans ce cas encore, ce sera \u00e0 notre logiciel de g\u00e9rer la recherche, qui est programm\u00e9 pour accomplir des op\u00e9rations complexes sur des bases de donn\u00e9es pouvant contenir des centaines de milliers d\u2019enregistrements (adresses, noms, etc.).<\/p>\n Ressources importantes :<\/p>\n \u2013\u00a0Machine Learning Anomaly Detection Service by Microsoft<\/a>\u00a0 [ENG]\n \u2013\u00a0Survey on Anomaly Detection using Data Mining Technique by ScienceDirect<\/a>\u00a0 [ENG]\n \u2013\u00a0Anomaly Detection by Oracle<\/a><\/p>\n \u2013\u00a0Outlier and Anomaly Detection by KDD Topics<\/a><\/p>\n \u2013\u00a06 Benefits Of Anomaly Detection Software For IT Ops\/APM by Prelert<\/a><\/p>\n Marketing et s\u00e9curit\u00e9 sont deux aspects qui ont l\u2019air de n\u2019avoir aucun rapport et qui sont (ou devraient \u00eatre) en revanche li\u00e9s. Pensez aux effets n\u00e9fastes que pourrait avoir une campagne DEM (Direct Email Marketing) men\u00e9e sur une base de donn\u00e9es contamin\u00e9e. Pour \u00e9viter d\u2019utiliser des archives infect\u00e9es par des intrus (des valeurs ajout\u00e9es par des crackers ou de v\u00e9ritables virus qui dupliquent les donn\u00e9es), il suffit de rechercher les intrus, une technique d\u2019exploration de donn\u00e9es qui assainit la base de donn\u00e9es et garantit une plus grande s\u00e9curit\u00e9 \u00e0 tout le syst\u00e8me.<\/p>\n Ressources importantes :<\/p>\n \u2013\u00a0Data mining for network security and intrusion detection by R-bloggers<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Mining Approaches for Intrusion Detection by Wenke Lee and Salvatore J. Stolfo<\/a>\u00a0 [ENG]\n \u2013\u00a0Effective approach toward Intrusion Detection System using data mining technique by Science Direct<\/a>\u00a0 [ENG]\n L\u2019utilisation-type des r\u00e8gles d\u2019association concerne les activit\u00e9s de vente de produits, en particulier pour de grands volumes. Que ce soit en ligne \u00e0 travers un site de commerce \u00e9lectronique ou bien en personne dans un magasin (ou un centre commercial), il peut arriver que des relations int\u00e9ressantes se cr\u00e9ent entre les donn\u00e9es que vous poss\u00e9dez. Des relations que vous ne soup\u00e7onniez pas ou m\u00eame que vous n\u2019imaginiez pas. Par exemple ? 90% des clients qui ach\u00e8tent un produit en ligne en ach\u00e8tent aussi un autre, toujours le m\u00eame. Ces d\u00e9tails nous permettent de cr\u00e9er des offres de marketing cibl\u00e9es, des promotions sp\u00e9ciales et des formules gagnantes.<\/p>\n Ressources importantes :<\/p>\n \u2013\u00a0Association Rule Learning \u2013 Wikipedia<\/a>\u00a0 [ENG]\n \u2013\u00a0Association Rule Mining \u2013 Not Your Typical Data Science Algorithm<\/a>\u00a0 [ENG]\n \u2013\u00a0Association rules (in data mining) by Search Business<\/a>\u00a0 [ENG]\n \u2013\u00a0Association Rule Learning and the Apriori Algorithm by R-Bloggers<\/a>\u00a0 [ENG]\n Chaque fois que vous prenez une d\u00e9cision, vous vous trouvez \u00e0 un croisement. Lorsque les options sont nombreuses, vous trouvez un arbre de d\u00e9cision \u00e0 la place du croisement. Au premier abord, avoir affaire \u00e0 un arbre de ce genre confond les id\u00e9es, mais si nous disposons d\u2019un outil informatique qui organise l\u2019arbre et nous soumet des choix d\u00e9finitifs, comprenant les co\u00fbts\/b\u00e9n\u00e9fices, tout change et l\u2019arbre devient un instrument pr\u00e9cieux pour la Gestion des Risques d\u2019un Projet. Ici encore, la profondeur de l\u2019analyse d\u00e9pend en grande partie de la technologie \u00e0 disposition : plus le logiciel est avanc\u00e9, plus l\u2019arbre saura vous indiquer le meilleur chemin \u00e0 prendre.<\/p>\n Ressources importantes :<\/p>\n \u2013\u00a0Using a Decision Trees Example in Project Risk by Bright Hubpm<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Tree (CART) \u2013 Retail Case Study Example (Part 5) by YOU CANanalytics<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Trees for Decision Making by Harvard Business Review<\/a>\u00a0 [ENG]\n \u2013\u00a0Decision Trees Choosing by Projecting \u201cExpected Outcomes by Mind Tools<\/a>\u00a0 [ENG]\n Le concept de r\u00e9seau de neurones artificiels est compl\u00e9mentaire au clustering et aux arbres de d\u00e9cision. Il s\u2019agit d\u2019une des plus r\u00e9centes applications de l\u2019exploration de donn\u00e9es, sur la base de laquelle la machine que vous utilisez pour vos actions de marketing, et donc l\u2019ordinateur qui g\u00e8re votre base de donn\u00e9es, \u00ab apprend \u00bb \u00e0 identifier un certain pattern \u00e0 l\u2019int\u00e9rieur duquel sont pr\u00e9sents des \u00e9l\u00e9ments ayant des relations pr\u00e9cises entre eux. Le r\u00e9sultat de cet \u00ab apprentissage \u00bb est la reconnaissance et la m\u00e9morisation de sch\u00e9mas qui peuvent \u00eatre utiles, pas forc\u00e9ment tout de suite mais \u00e0 l\u2019avenir, pour d\u00e9cider si et comment r\u00e9aliser un objectif. Le r\u00e9seau de neurones artificiels peut vous aider \u00e0 conna\u00eetre avec plus de pr\u00e9cision la composition de la cible d\u2019un produit ou service.<\/p>\n Ressources importantes :<\/p>\n \u2013\u00a0Neural Network Analysis by Ecommerce Digest<\/a>\u00a0 [ENG]\n \u2013\u00a0Neural networks \u2013 are you ready for the rise of the machines? By Beyond<\/a>\u00a0 [ENG]\n \u2013\u00a0Expert Systems with Applications by Semantic Scholar<\/a>\u00a0 [ENG]\n Si un fait pr\u00e9cis se produit, puis un autre et un autre encore, nous obtenons ce r\u00e9sultat. La r\u00e8gle de l\u2019induction fonctionne \u00e0 peu pr\u00e8s comme cela. Et ce n\u2019est pas rien : gr\u00e2ce \u00e0 cette technique d\u2019exploration de donn\u00e9es, vous pouvez \u00e9laborer des analyses pr\u00e9dictives sophistiqu\u00e9es en piochant \u00e0 l\u2019int\u00e9rieur de bases de donn\u00e9es contenant plusieurs milliers d\u2019enregistrements. Identifier des r\u00e9gularit\u00e9s cach\u00e9es veut dire acc\u00e9l\u00e9rer les d\u00e9lais et agir en connaissance de cause, ce que vos concurrents oublient souvent de faire. N\u2019est-ce pas ?<\/p>\n Ressources importantes :<\/p>\n \u2013\u00a0Rule Induction Method by DMS.IRB<\/a>\u00a0 [ENG]\n \u2013\u00a0Rule Induction by Semantic Scholar<\/a>\u00a0 [ENG]\n \u2013\u00a0An Experimental Study of Using Rule Induction Algorithm in Combiner Multiple Classifier by IJCIR<\/a>\u00a0 [PDF ENG]\n La derni\u00e8re technique essentielle d\u2019exploration de donn\u00e9es, qu\u2019il serait peut-\u00eatre plus correct d\u2019appeler application, s\u2019appelle entreposage de donn\u00e9es. Ici nous entrons dans le domaine du profilage du client (et pas seulement), en particulier en ce qui concerne le traitement de Big Data. Choisir un logiciel comme Egon pour l\u2019entreposage de donn\u00e9es veut dire simplifier les bases de donn\u00e9es, extrapoler les informations les plus int\u00e9ressantes relatives \u00e0 vos clients, faciliter la cr\u00e9ation de rapports d\u00e9taill\u00e9s et bien plus encore. Dans la migration de syst\u00e8mes de gestion et de syst\u00e8mes, pouvoir compter sur un logiciel d\u2019entreposage de donn\u00e9es devient encore plus important, pour le marketing mais surtout pour l\u2019\u00e9volution de l\u2019entreprise. Essayer pour y croire !Ressources importantes :<\/p>\n \u2013\u00a0A Data Warehouse<\/a>\u00a0 [YOUTUBE ENG]\n \u2013\u00a0What\u2019s the difference between data mining and data warehousin? By Programmer Interview<\/a>\u00a0 [ENG]\n \u2013\u00a0Data Warehousing Concepts by Oracle<\/a>\u00a0 [ENG]\n
\n<\/a>\u00a0[ENG]\n
\n2) ANALYSE DE R\u00c9GRESSION POUR FAIRE DES PR\u00c9VISIONS DE MARKETING<\/h3>\n
3) ANALYSE DE CLASSIFICATION POUR IDENTIFIER LE SPAM MAIS PAS SEULEMENT<\/h3>\n
\nRessources importantes :<\/p>\n4) D\u00c9TECTION D\u2019ANOMALIES POUR RECONNA\u00ceTRE LES INCOH\u00c9RENCES<\/h3>\n
5) D\u00c9TECTION D\u2019INTRUSION POUR UNE MEILLEURE S\u00c9CURIT\u00c9 DU SYST\u00c8ME<\/h3>\n
6) R\u00c8GLES D\u2019ASSOCIATION POUR D\u00c9COUVRIR LES RELATIONS ENTRE LES DONN\u00c9ES<\/h3>\n
7) ARBRES DE D\u00c9CISION POUR OPTIMISER LA GESTION DES RISQUES D\u2019UN PROJET<\/h3>\n
8) R\u00c9SEAUX DE NEURONES ARTIFICIELS POUR AUTOMATISER L\u2019APPRENTISSAGE<\/h3>\n
9) INDUCTION DE R\u00c8GLES POUR DES ANALYSES PR\u00c9DICTIVES BAS\u00c9ES SUR LES DONN\u00c9ES<\/h3>\n
10) ENTREPOSAGE DE DONN\u00c9ES POUR LE TRAITEMENT DE BIG DATA<\/h3>\n