Analyse et détection de l'attrition dans une entreprise de télécommunication

TABLE DES MATIERES

EPIGRAPHE I

DEDICACE II

REMERCIEMENTS III

GLOSSAIRE V

LISTE DES FIGURES VI

0. INTRODUCTION GENERALE 1

0.1 PROBLEMATIQUE 1

0.2 HYPOTHESES 2

0.3. CHOIX ET INTERET DU SUJET 3

0.4. DELIMITATION DU SUJET 3

0.5 METHODES ET TECHNIQUES UTILISEES 4

0.6 CANEVAS DU TRAVAIL 4

CHAPITRE I : GENERALITES SUR LE DATA WARE HAUSE (ENTREPOT DE DONNEES) 5

I.1 INTRODUCTION 5

I.1.1 DEFINITION 5

I.2 LE ROLE DU DATA WAREHOUSE 7

I.3 OBJECTIFS DU DATA WAREHOUSE 7

I.4 ARCHITECTURE DE DATA WARE HOUSE 9

I.4.1 CARACTERISTIQUE D'UN DATA WAREHOUSE 11

I.4.2 LES COMPOSANTS DE BASE DU DATA WAREHOUSE 11

I.4.3 DIFFERENCE ENTRE LES SYSTEMES OLTP ET LE DATA WAREHOUSE 13

I.5. MODELISATION DIMENSIONNELLE 14

I.5.1 RELATION ENTRE LA MODELISATION DIMENSIONNELLE ET LA MODELISATION ENTITE/RELATION 15

I.5.2 AVANTAGES DE LA MODELISATION DIMENSIONNELLE 16

I.6 SCHÉMAS D'UN DATA WAREHOUSE 16

A. LES OBJETS D'UN SCHEMA DE DATA WAREHOUSE 17

I.6.1 LE SCHEMA EN ETOILE 18

I.6.2 LE SCHEMA EN FLOCON 19

1.6.3 LES SCHEMAS EN CONSTELLATION DE FAITS 21

1.7 CONSTRUCTION DU DATA WAREHOUSE 21

1.7.1 LA CONCEPTION LOGIQUE 21

1.7.2 LA CONCEPTION PHYSIQUE 22

1.7.3 ALIMENTATION DU DATA WAREHOUSE PAR LES OUTILS ETL 23

I.8 LE DATA MART 27

I.9 OLAP 28

I.9.1 INTRODUCTION 28

I.9.2 LES DIFFERENTS OUTILS OLAP 29

I.10 LA NAVIGATION DANS LES DONNEES 30

I.10.1 DRILL-DOWN ET DRILL-UP 30

I.10.2 DATA SURFING 31

I.10.2 CONCLUSION 31

CHAPITRE II: LES TECHNIQUES DE DATA MINING 32

II.1 INTRODUCTION 32

II.1.1 DEFINITION 33

II.1.2 TRIPLE OBJECTIF DU DATA MINING 33

II.2 LES DIFFERENTES ETAPES D'EXTRATION DE CONNAISSANCES 34

II.3 PRINCIPALES METHODES DU DATA MINING 36

II.3.1 METHODES DESCRIPTIVE 36

II.3.2 METHODE PREDICTIVE 36

II.4 LES TACHES DU DATA MINING 37

II.4.1 LA CLASSIFICATION 38

II.4.2 ESTIMATION 38

II.4.3 LA PREDICTION 39

II.4.4 LE REGROUPEMENT PAR SIMILITUDE 39

II.4.5 L' ANALYSE DES CLUSTERS 39

II.4.6 LA DESCRIPTION 40

II.4.7 L' OPTIMISATION 40

II.5 LA CONNAISSANCE 40

II.5.1 DEFINITION 40

II.5.2 LA DECOUVERTE DE CONNAISSANCES 40

II.6 LES TECHNIQUES DU DATA MINING 44

II.6.1 ANALYSE DU PANIER DE LA MENAGERE 44

II.6.2 ANALYSE DES LIENS 45

II.6.3 LES ARBRES DE DECISION 45

II.6.4 LES RESEAUX DE NEURONES 51

II.6.4.1 DECOUVERTE DES REGLES 52

CHAPITRE III MODELISATION EN UML 53

III.1 OBJECTIF DU TRAVAIL 53

IV.1.1 DIAGRAMME DE CAS D'UTILISATION (USE CASE) 53

IV.1.2 DIAGRAMME DE CLASSE 54

IV.1.3 DIAGRAMME DE DEPLOIEMENT 55

CHAPITRE IV : APPLICATION 57

IV. 1 MISE EN PLACE DE L'ENTREPOT DE DONNEES 57

IV.2 LA CLASSIFICATION AUTOMATIQUE HIERARCHIQUE 61

IV.2.1 INTRODUCTION 61

IV.2.2 SPAD 61

IV.3 ANALYSE ET RESULTATS 62

V.3.1 FILIERE D'EXECUTION 63

IV.3.2 REPRESENTATION DE L'ARBRE HIERARCHIQUE (DENDROGRAMME) 64

IV.3.3 REPRESENTATION DE LA PARTITION EN 4 CLASSES 65

CONCLUSION 66

BIBLIOGRAPHIQUE 67

TABLE DES MATIERES 69