Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.

0 views
1,141 views

Published on

Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens
Optimiser l’organisation des ressources, réagir à l’évolution du marché...
D-Side solutions

Published in: Technology, Education
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
0
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
26
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.

  1. 1. Prendre la bonne Décision avec les Réseaux Bayésiens PEBA Pau, Jeudi 20/05/2010 Christophe Dutertre
  2. 2. www.dside-solutions.fr • D-SIDE solutions, SARL créée en 2008, • Une Structure issue de la Recherche : – MBA knowledge Management Stockholm University “Bayesian Networks and Integrated Performance Management in Organizations: an analysis” • Partenariat Stratégique avec BAYESIA, D-SIDE solutions, distributeur officiel de BayesiaLab • Enseignant Associé : – ESC Pau : Cours Master 1 Knowledge Management – Université de Pau : Cours STID Réseaux Bayésiens
  3. 3. Références
  4. 4. Le Monde est Chaotique Complexité de l’Environnement, + Changements rapides, Incertitude, => RISQUE dans la Prise de Décision
  5. 5. La Nécessité de Réduire le Risque Nécessité pour le Décideur de : • Comprendre une situation dans ses multiples facettes, • Pouvoir comparer différentes options dans un cadre rigoureux Décider en connaissance de cause
  6. 6. Exemple d’Application : Les experts New York, 85% des taxis sont jaunes et 15% sont blancs. Un piéton est renversé par un taxi qui prend la fuite. Un témoin affirme à la police que le taxi coupable est blanc. Après plusieurs tests de couleur dans des conditions de visibilité similaires, il apparaît que le témoin donne la bonne réponse 4 fois sur 5. Peut-on conclure que le taxi coupable est blanc ?
  7. 7. Les Réseaux Bayésiens Outil de Modélisation des Connaissances Incertaines A la croisée de : • la Théorie des Graphes => Qualité Visuelle • la Théorie de l’Information => Rigueur Mathématique • la Théorie des Probabilités
  8. 8. Frise Historique des Réseaux Bayésiens 1763 : Théorème de Bayes : P(A|B) = P(B|A)P(A)/P(B) 1988 : Judea Pearl : “Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference” RUPTURE TECHNOLOGIQUE Déterminisme vs Probabilisme 1996 : Bill Gates : “L’avantage concurrentiel de Microsoft à moyen terme repose sur son expertise en réseaux Bayésiens” 2004 : MIT Enterprise Technology Review : Apprentissage des réseaux Bayésiens en 4ème position des 10 technologies émergentes qui vont changer le monde
  9. 9. Applications Pratiques des Réseaux Bayésiens : • Prises de Décisions Stratégiques, • Analyse de Relations et Découverte de Connaissance, • Scoring et détermination de l’appétence à un nouveau produit ou service, • Amélioration de la Qualité, • Intégration dans un Logiciel. (La Suite de l’exposé est exécutée en Live avec le logiciel Blab)
  10. 10. Votre Profil : Marketing, Conclusion : Traitement de données Quali/Quanti & données Manquantes, Il y a 94,26% de Prise de décisions stratégiques, chances que vous Scoring de bases de données, ayez besoin de Difficultés à communiquer vos D-SIDE solutions traitements
  11. 11. La démarche D-SIDE solutions Enclencher le Cercle Vertueux du Data Mining en 7 points : • Formalisation des objectifs • Acquisition des données • Préparation des données • Apprentissage – application des méthodes • Interprétation – explication • Evaluation et validation • Déploiement
  12. 12. Les Ecueils de la Modélisation • Deux écueils à éviter : – Apprendre des choses qui ne sont pas vraies – Apprendre des choses vraies mais inutiles • Les causes sont multiples : – Les objectifs sont mal définis, – Les données sont mauvaises, – Les données sont inadaptées, – La transformation des données a détruit ou caché une importante partie de l’information, – L’échantillon est biaisé (ne représente pas la population que le modèle est censé décrire), – Mauvais pas de temps,

×