Académique Documents
Professionnel Documents
Culture Documents
Moha.hamlich@gmail.com
Plan
Le Système d’information
3
1.1-Notion d’information
• Une information, c’est une donnée qui a un sens pour celui qui en a
besoin.
Le modèle est
connu,
l’interprétation Le modèle est
donne du sens aux inconnu, le sens est
données plus difficile à
percevoir ou
incomplet 4
1.2-L’information est un facteur de production
presque comme les autres
• L’information a une valeur, variable selon son importance, son
ancienneté…
• L’information doit être
– extraite,
– stockée,
– traitée,
– maintenue…
c’est la tâche du système d’information !
5
1.3-L’information est omniprésente
Expédition
Distribution
SAV
élément est
susceptible de
produire, $
consommer ou Banque
l’information !
6
1.4-Notion de système d’information
contraintes
Flux de décisions
Système de
pilotage
8
1.6-Différents niveaux d’utilisation d’une
même information
SP
SI 0100010010
11110
10
BD
01000100101001
010001001010011100
010001001010011100110
PGI
1001
00
1 EDI
SO Opérateur de saisie
(ou numérisation)
Entrepôt
9
1.7-SI, pour quoi faire ?
• Différentes missions du SI
– Collecter (sources externes et internes)
• Saisie, numérisation
• Extraction, veille
– Stocker
• Supports divers et multiples
• Indexation, mots clés, thesaurus…
• Maintenir en état d’utilisation sur une période longue
– Traiter
• Produire des informations sous la forme appropriée aux besoins de
l’utilisateur
– Restituer, diffuser (sous différentes formes)
• Électronique ou papier
• Importance des formats de fichiers
• Supports de communication (filaire, non-filaire…)
10
1.8-SI et fonctions de l’entreprise
Source : http://www.commentcamarche.net/entreprise/e- 11
business.php3
Chapitre 2 :
12
2.1 Pourquoi le décisionnel?
• Le décisionnel ne concerne souvent que les entreprises qui gèrent un
historique de leurs événements passés (faits, transactions etc.).
DW
2.3 Architecture des systèmes décisionnels (1)
16
17
18
2.3 Architecture des systèmes décisionnels (2)
20
2.4 Enjeux des entreprises (1)
Objectifs stratégiques
Améliorer les performances décisionnelles de l’entreprise.
– Identifier les tendances du marché.
– Connaître le passé pour anticiper sur le futur.
– Simuler des situations.
– Augmenter le rendement des actions commerciales.
– Augmenter les services fournis.
– Fidéliser sa clientèle.
Transformer les données du si en informations cohérentes et
de qualités.
– Meilleure connaissance de son activité.
– Disposer d’un pilotage fiable.
– Réaliser des analyses.
– Présenter des statistiques.
21
– Forer les informations.
2.4 Enjeux des entreprises (2)
Comment ?
• En répondant aux demandes d’analyse des décideurs.
– Réponses correctes et rapides
Exemple :
• Clientèle : Qui sont mes clients ? Comment les conserver ,
les fidéliser ou les faire revenir ? Qui sont mes meilleurs
clients depuis 5 ans.
• Marketing : comment améliorer le ciblage de mes actions
commerciales ? Ou placer ce produit dans les rayons.
• Simuler les risques
22
2.4 Enjeux des entreprises (3)
– Défi :
• Transformer leur système d’information qui avait une
vocation de production à un SI décisionnel dont la
vocation de pilotage devient majeure:
( Si = système d’information ) .
23
2.5 Problématique (1)
Une grande masse de donnée :
• Éparpillées
• Volatiles
• Incohérentes
• Pas ou peu de données externes.
Pour une utilisation par :
• Décideur
– Pilotage par agrégats , investigations, analyses
transversales
• Gestionnaire
– Préparation de décision, simulation…
• Opérationnel
– Accès à l’information élémentaires, requêtes adhoc
24
• = utilisation par des NON INFORMATICIENS
2.6 Métiers du décisionnel
– SPM : Strategic performance management.
• Déterminer et controler les indicateurs clé de la performance
de l’entreprise.
– FI : Finance intelligence.
• Planifier, analyser et diffuser l’information financière.
• Mesurer et gérer les risques.
– CRM : Customer relationship management.
• Améliorer la connaissance client. Identifier et prévoir la
rentabilité client.
• Accroître l’efficacité du marketing client.
– SRM : Supplier relationship management.
• Classifier et évaluer l’ensemble des fournisseurs.
• Planifier et piloter la stratégie Achat.
25
2.7 la solution : Le sid (1)
– L’ information courante et passée devient vitale pour l’
entreprise.
26
2.7 la solution : le data warehouse (2)
27
28
29
30
Différences SIO / SID
Chapitre 3:
De l’entreposage à la fouille de données (Data Mining)
Algorithmes utilisés:
les machines à vecteur de support ;
le boosting ;
les réseaux de neurones, dont les méthodes d'apprentissage
profond (deep learning en anglais) pour un apprentissage
supervisé ou non-supervisé ;
la méthode des k plus proches voisins
les arbres de décision, méthodes à l'origine des Random Forest,
par extension également du boosting (notamment xgboost) ;
les méthodes statistiques comme le modèle de mixture
gaussienne ;
la régression logistique ;
l'analyse discriminante linéaire ;
les algorithmes génétiques 32
3.1 Qu’est ce que le Data Mining?
DATA
Entrepôt des Connaissances
MINING (décision)
données
Découverte de Compréhension
modèles Prédiction
3.2- Le Data Mining est un processus
Formaliser un problème que l'organisation cherche à résoudre en
terme de données
différents.
3.5 Quel sont les techniques du Data Mining ?
les techniques
du Data Mining
Secteur
bancaire
Marketing
stratégique La grande
distribution
Utilisateurs SIAD
OLAP
Data Warehouse
Utilisateurs
OLAP Data Mining
Data Mining
Outils
d’alimentation Utilisateurs requêteurs
Bases externes
3.8 Apprentissage automatique:
L'apprentissage automatique (en anglais : machine
learning, litt. « apprentissage machine »), apprentissage
artificiel ou apprentissage statistique est un champ d'étude de
l'intelligence artificielle qui se fonde sur des approches
mathématiques et statistiques pour donner aux ordinateurs la
capacité d'« apprendre » à partir de données.
39
la classe :
Golf
N° Pif Temp Humid Vent Golf
1 soleil chaud haute faux NePasJouer
2 soleil chaud haute vrai NePasJouer
3 couvert chaud haute faux Jouer
4 pluie bon haute faux Jouer
5 pluie frais normale faux Jouer
6 pluie frais normale vrai NePasJouer
7 couvert frais normale vrai Jouer
8 soleil bon haute faux NePasJouer
9 soleil frais normale faux Jouer
10 pluie bon normale faux Jouer
11 soleil bon normale vrai Jouer
12 couvert bon haute vrai Jouer
13 couvert chaud normale faux Jouer
14 pluie bon haute vrai NePasJouer
40
3.8 Apprentissage automatique:
L'apprentissage automatique comporte généralement deux phases:
La première consiste à estimer un modèle à partir de données,
appelées observations, qui sont disponibles et en nombre fini, lors de
la phase de conception du système. L'estimation du modèle consiste
à résoudre une tâche pratique. Cette phase dite « d'apprentissage »
ou « d'entraînement » est généralement réalisée préalablement à
l'utilisation pratique du modèle.
Origines:
Ces méthodes ont pris essentiellement leur essor dans le cadre des
approches d'apprentissage automatique supervisée en Intelligence
Artificielle.
42
• Particularités (de l'I.A. en général):
– => en classification supervisee: sortie de resultats sous la forme de
règles logiques de classification:
– "SI tel ensemble de conditions sur telles variables est satisfait
ALORS le cas
appartient a telle classe".
– => resultats plus facilement interpretables et donc exploitables
– => communication plus aisée avec les spécialistes du domaine
traite.
• Ex d'algorithme: ID3 (Inductive Decision Tree) et son successeur
C4.5, CART (Classification and Regression Tree), CHAID (Chi-Square
Automatic Interaction Detection)
43
44
45
46
47
48
49
50
51
52
Estimation de l'erreur réelle d'une hypothèse
• Matrice de confusion ou de contingence
Accuracy =
(TP+TN)/(TP+FP+FN+TN)
53
• Décider du nombre k fixe de partitions des exemples
• Couper les données en k partitions égales
• Utiliser une partition pour le test, les k-1 autres pour
l'apprentissage
• Répéter le processus k fois (par permutation circulaire)
• Erreur = moyenne des erreurs sur les k partitions
54
55
56
i. 1 Les arbres de décision : exemple
• Les arbres de décision sont des classifieurs pour des instances
représentées dans un formalisme attribut/valeur
douleur?
langage inadéquat
i. 4- Les arbres de décision : le choix d’un arbre
• Idéalement :
– Mesure nulle si les populations sont homogènes
– Mesure maximale si les populations sont maximalement
mélangées
C
I(S) p(c i ) log p(ci )
i 1
Sv
Gain(S, A) I(S) S
I(Sv )
v val eurs( A)
I(S) N objets
n+p=N
Attribut A
Pif
Humid Vent
jouer
normal haute non oui
• Optimiser le regroupement
– Maximisation de la similarité intra-classe
– Minimisation de la similarité inter-classes
• Principales applications
– Observer la distribution des données en
identifiant les groupes et leurs caractéristiques
(découvrir des corrélations)
– Préparation des données pour un autre
algorithme ou application
78
Cj
Ci
wl
wm
wk
79
Applications du Clustering
• Reconnaissance de formes
• Analyse des données spatiales:
• Traitement d’images
• Market Research
• Recherche d’information
– Catégorisation de documents ou de termes
– Visualisation de l’information et interfaces de recherche
d’information
• Web Mining
– Clustering des usages du web pour découvrir des groupes
d’accès similaires
– Personalisation du Web
80
Méthodologies de Clustering
• Deux méthodologies générales
– Algorithmes de partitionnment
– Algorithmes hiérarchiques
• Partitionnment
– Diviser un ensemble de N items en K clusters
• Hiérarchique
– Par agglomerations : les paires d’items ou de clusters sont
successivement lié pour produire des clusters plus grands
(bottom-up)
– Par dvisisions : commencer par l’ensemble entier comme cluster
et successivement diviser en de plus petites partitions (top-down)
81
Structures des données
• Représentation de vecteurs dans un espace à N
dimensions et une distance
D1: 57,M,195,0,125,95,39,25,0,1,0,0,0,1,0,0,0,0,0,0,1,1,0,0,0,0,0,0,0,0
D2: 78,M,160,1,130,100,37,40,1,0,0,0,1,0,1,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0
...
Dn: 18,M,165,0,110,80,41,30,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0
83
Combien de clusters ?
84
Combien de clusters ?
85
Types de données pour l’analyse de
clusters
• 3 types différents de variables nécessitent des traitements
différents:
• Numériques linéaires
– Ex : poids, taille, longitude, latitude, etc.
90
Méthodes par partitionnement
91
La méthode des k-moyennes (K-Means)
• L’algorithme k-means est en 4 étapes :
92
K-Means :Exemple
• A={1,2,3,6,7,8,13,15,17}. Créer 3 clusters à partir de A
93
K-Means :Exemple (suite)
• dist(3,M2)<dist(3,M3)3 passe dans C2. Tous les autres objets ne bougent pas.
C1={1}, M1=1, C2={2,3}, M2=2.5,C3={6,7,8,13,15,17} et M3= 66/6=11
• dist(6,M2)<dist(6,M3)6 passe dans C2. Tous les autres objets ne bougent pas.
C1={1}, M1=1, C2={2,3,6}, M2=11/3=3.67, C3={7,8,13,15,17}, M3= 12
94
Algorithme K-Means
• Exemple
10 10
9 9
8 8
7 7
6 6
5 5
4 4
3 3
2 2
1 1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
10 10
9 9
8 8
7 7
6 6
5 5
4 4
3
3
2
2
1
1
0
0
0 1 2 3 4 5 6 7 8 9 10
95 0 1 2 3 4 5 6 7 8 9 10
Commentaires sur la méthode des K-Means
• Force
– Relativement efficace: O(tkn), où n est # objets, k est #
clusters, et t est # itérations. Normalement, k, t << n.
– Tend à réduire
E p mi
k 2
pCi
• Faiblesses i 1
96
2.1 K-Means
• Méthode des K-moyennes (MacQueen’67)
– choisir K éléments initiaux "centres" des K groupes
– placer les objets dans le groupe de centre le plus
proche
– recalculer le centre de gravité de chaque groupe
– itérer l'algorithme jusqu'à ce que les objets ne
changent plus de groupe
• Encore appelée méthode des centres mobiles
Algorithme
• Étapes:
– fixer le nombre de clusters: k
– choisir aléatoirement k tuples comme graines (centres)
– assigner chaque tuple à la graine la plus proche
– recalculer les k graines
– tant que des tuples ont été changés
• réassigner les tuples
• recalculer les k graines
Trajectoires des 3
centres d’un nuage
de points
bidimensionnel
Les hyperplans
séparateurs entre les
classes
Autre exemple (1)
• 27-51-52-33-45-22-28-44-40-38-20-57
• K=3
• distance = différence/amplitude maximum
27 51 52 33 45 22 28 44 40 38 20 57
G raine 27 0.00 0.65 0.68 0.16 0.49 0.14 0.03 0.46 0.35 0.30 0.19 0.81
G raine 51 0.65 0.00 0.03 0.49 0.16 0.78 0.62 0.19 0.30 0.35 0.84 0.16
G raine 52 0.68 0.03 0.00 0.51 0.19 0.81 0.65 0.22 0.32 0.38 0.86 0.14
M inim um 0 0 0 0.16 0.16 0.14 0.03 0.19 0.3 0.3 0.19 0.14
Affectation 1 2 3 1 2 1 1 2 2 1 1 3
• Cluster 1 : 27 - 33 - 22 - 28 - 38 - 20
• Cluster 2 : 51 - 45 - 44 - 40
• Cluster 3 : 52 - 57
Suite exemple (2)
27 51 52 33 45 22 28 44 40 38 20 57
G ra in e 2 8 0 .0 3 0 .6 2 0 .6 5 0 .1 4 0 .4 6 0 .1 6 0 0 .4 3 0 .3 2 0 .2 7 0 .2 2 0 .7 8
G ra in e 4 5 0 .4 9 0 .1 6 0 .1 9 0 .3 2 0 0 .6 2 0 .4 6 0 .0 3 0 .1 4 0 .1 9 0 .6 8 0 .3 2
G ra in e 5 4 .5 0 .7 4 0 .0 9 0 .0 7 0 .5 8 0 .2 6 0 .8 8 0 .7 2 0 .2 8 0 .3 9 0 .4 5 0 .9 3 0 .0 7
M in im u m 0 .0 3 0 .0 9 0 .0 7 0 .1 4 0 0 .1 6 0 0 .0 3 0 .1 4 0 .1 9 0 .2 2 0 .0 7
A ffe c ta tio n 1 3 3 1 2 1 1 2 2 2 1 3
• Cluster 1:
– 27 - 33 - 22 - 28 - 20 Jeunes majeurs - Centre = 26
• Cluster 2:
– 45 - 44 - 40 - 38 Quadragénaires - Centre = 41.75
• Cluster 3:
– 51 - 52 - 57 Quinquagénaires - Centre = 53.33
Faiblesse
• Mauvaise prise en compte des "outliers"
– points extrêmes en dehors des groupes
– fausses les moyennes et donc les centres
• Convergence plus ou moins rapide
• Amélioration:
– utilisation de points centraux (médoïdes)
Algorithme des K-Means
• Algorithme de base :
1. selectionner K points comme les représentants initiaux
2. for i = 1 to N, affecter l’item xi au centre le plus similaire (ceci donne K clusters)
3. for j = 1 to K, recalculer le centre du cluster Cj
4. repéter les étapes 2 et 3 jusqu’à ce qu’il n’y ait plus (ou peu) de changement dans les
clusters
• Exemple: Clustering de mots
T1 T2 T3 T4 T5 T6 T7 T8 C1 C2 C3
Doc1 0 4 0 0 0 2 1 3 4/2 0/2 2/2
Doc2 3 1 4 3 1 2 0 1 4/2 7/2 3/2
Doc3 3 0 0 0 3 0 3 0 3/2 0/2 3/2
Doc4 0 1 0 3 0 0 2 0 1/2 3/2 0/2
Doc5 2 2 2 3 1 4 0 2 4/2 5/2 5/2
104
K-Means : exemple
En utilisant la mesure de similarité classique, calculer la nouvelle
matrice de similarités aux clusters
T1 T2 T3 T4 T5 T6 T7 T8
Classe1 29/2 29/2 24/2 27/2 17/2 32/2 15/2 24/2
Classe2 31/2 20/2 38/2 45/2 12/2 34/2 6/2 17/2
Classe3 28/2 21/2 22/2 24/2 17/2 30/2 11/2 19/2
Affecté à Classe2 Classe1 Classe2 Classe2 Classe3 Classe2 Classe1 Classe1
T1 T2 T3 T4 T5 T6 T7 T8 C1 C2 C3
Doc1 0 4 0 0 0 2 1 3 8/3 2/4 0/1
Doc2 3 1 4 3 1 2 0 1 2/3 12/4 1/1
Doc3 3 0 0 0 3 0 3 0 3/3 3/4 3/1
Doc4 0 1 0 3 0 0 2 0 3/3 3/4 0/1
Doc5 2 2 2 3 1 4 0 2 4/3 11/4 1/1
Le processus est répété jusqu’à ce que les clusters ne soient plus modifiés
K-means : Illustration
Calcul des
Choix aléatoire de centres des
k objets, centres clusters et
initiaux et calcul recalcul des
des clusters clusters
K 1 t 1
K 2
1
W
N K
xm
t 1
t
m = grand centre (vecteur des moyennes prises sur toutes les N données )
mi = centre du groupe i
• Choisir le K qui maximise VRC.
K-means : bilan
• Force des k-means:
– Relativement efficaces : O(tkn), où n est le nb d’objets, k est le nb de clusters,
et t est le nb d’itérations. Normalement, k, t << n
– Terminent souvent dans un optimum local
112
faits (suite)
Fait:
Ce que l’on souhaite mesurer
Quantités vendues, montant des ventes…
113
Typologie des faits
Additif: additionnable suivant toutes les dimensions
Quantités vendues, chiffre d’affaire
Peut être le résultat d’un calcul:
Bénéfice = montant vente - coût
Semi additif: additionnable suivant certaines
dimensions
Solde d’un compte bancaire:
Pas de sens d’additionner sur les dates
Σ sur les comptes: on connaît ce que nous
possédons en banque
Non additif: fait non additionnable quelque soit la
dimension
Prix unitaire: l’addition sur n’importe quelle
dimension donne un nombre dépourvu de sens
114
Granularité de la table de faits
Répondre à la question :
Que représente un enregistrement de la table de
faits?
La granularité définit le niveau de détails de la table de
faits:
Exemple: une ligne de commande par produit, par
client et par jour
ti + Finesse
Taille de l’entrepôt
115
dimension: définition
116
Table de dimension (suite)
Dimension = axe d’analyse
Client, produit, période de temps…
Contient souvent un grand nombre de colonnes
L’ensemble des informations descriptives des faits
Contient en général beaucoup moins d’enregistrements
qu’une table de faits
117
Granularité d’une dimension
Une dimension contient des membres organisés en
hiérarchie :
Chacun des membres appartient à un niveau
hiérarchique (ou niveau de granularité) particulier
Granularité d’une dimension : nombre de niveaux
hiérarchiques
Temps :
année – semestre – trimestre - mois
118
Évolution des dimensions
119
Évolution des dimensions
120
Évolution des dimensions
Dimensions à évolution lente (SCD: Slowly Changing
Dimension)
Gestion de la situation, 3 solutions:
121
Dimensions à évolution lente (1/3)
Écrasement de l’ancienne valeur :
Correction des informations erronées
Avantage:
Facile à mettre en œuvre
Inconvénients:
Perte de la trace des valeurs antérieures des attributs
Perte de la cause de l’évolution dans les faits mesurés
Jeux éducatifs
122
Dimensions à évolution lente (2/3)
Ajout d’un nouvel enregistrement:
Utilisation d’une clé de substitution
Avantages:
Permet de suivre l’évolution des attributs
Permet de segmenter la table de faits en fonction de
l’historique
Inconvénient:
Accroit le volume de la table
Clé produit Description du produit Groupe de produits
123
Dimensions à évolution lente (3/3)
Ajout d’un nouvel attribut:
Valeur origine/valeur courante
Avantages:
Avoir deux visions simultanées des données :
Voir les données récentes avec l’ancien attribut
Voir les données anciennes avec le nouvel attribut
Voir les données comme si le changement n’avait pas
eu lieu
Inconvénient:
Inadapté pour suivre plusieurs valeurs d’attributs
intermédiaires
Solution:
isoler les attributs qui changent rapidement
125
Dimensions à évolution rapide
Exemple :
Si l'on veut préserver l'historique des changements
d'adresse dans la dimension «Clients» dans un pays où
70% de la population déménage une fois par année (le
1er juillet par exemple au Canada).
126
L'analyse en ligne:
OLAP
128
1. OLAP
129
1. OLAP
130
1. OLAP: objectifs attendus
Catégorie de logiciels :
S’exprime par une grande quantité de produits
logiciels disponibles sur le marché
Exploration et analyse rapide :
OLAP vise à assister l’usager dans son analyse en
lui facilitant l’exploration de ses données et en
lui donnant la possibilité de les traiter
rapidement
facilité et Rapidité
131
1. OLAP: objectifs attendus
Facilité
L’usager n’a pas besoin de maîtriser des langages
d’interrogation et des interfaces complexes
L’usager interroge directement les données, en
interagissant avec celles-ci
Rapidité
OLAP exploite une pré-agrégation des données
L’usager devient opérationnel en très peu de
temps
L’usager peut se concentrer sur son analyse et
non sur le processus (les moyens utilisés pour
l’analyse)
132
1. OLAP: les 12 règles
133
1. Vocabulaire OLAP
Dimension : axe d’analyse selon lequel les données seront
analysées.
Ex. Temps, Produits
Mesure / Fait :
Ex. coût des travaux, nombre d’accidents, ventes,
dépenses
135
1. un exemple de cube OLAP
136
1. un exemple de cube OLAP
Vue n° 1 : On
s'intéresse à toutes
les ventes du
magasin d'ANNECY
(toutes catégories
confondues durant
toute les mois)
Vue n° 2 : On
s'intéresse aux
ventes de la
catégorie
"vêtements pour
enfants" (tous les
magasins durant
toute les mois)
Vue n° 3 : On
s'intéresse à
toutes les ventes
durant le mois de
Février (toutes
catégories
confondues et
dans tous les
magasins)
Vue n° 4 : On s'intéresse
aux ventes du magasin
d'ANNECY dans la
catégorie "vêtements pour
enfants" durant le mois de
Février)
141
Les différentes opérations
d'agrégation : Roll up ou drill-up
Roll up : Forage vers le haut :Agrégation de données : Passage
de mesures détaillées à résumées en remontant dans la
hiérarchie de la dimension .(Ex. visualiser les ventes par année
au lieu de par mois).
Roll up sur la dimension ‘’Produits’’
142
Les différentes opérations
d'agrégation : Roll up
Roll up sur les dimensions ‘’Produits’’ et ''Dates''
143
Les différentes opérations
d'agrégation : Drill down
Drill down:forage de données vers le bas
Drill down sur la mesure ‘CA’ selon la dimension ‘’ville ‘’
144
Les différentes opérations
d'agrégation : Drill down
Drill down sur la mesure ‘CA’ selon la valeur ''Lyon'‘ de la dimension
‘’ville ‘’
145
Samedi
22/12//2018
Business VISION GLOBALE D’UNE
Intelligence
FeatureENTREPRISE
Prepare
Décider des actions à Système de
conduire. Pilotage
contrôle l’exécution
des travaux
Explore
analyse
l’environnement
Collecter,
contrôle le système
mémoris Système
opéranter,
Report d’INFORMAT
traiter,
ION
distribuer
,
l’informa
Assurer
tion. les fonctions :
Share &
collaborate
. fabriquer les produits
, . facturer les clients, Système
.… OPERANT
• exécutent les ordres du système de
pilotage
Business
Intelligence
Contexte de la BI
Feature
Prepare
l’enjeu des années 2000 pour les entreprises
Diversité Augmentation
Explore
des produits de la qualité
Augmentation
Diminution des
de la concurrence
coûts de
Report
fabrication.
Augmentation
Ouverture
de la réactivité
des marchés
Share &
collaborate
Prepare
Besoin: Améliorer les performances
décisionnelles de l'entreprise :
•Décisions stratégiques
Explore •Décisions rapides
Pourquoi:
besoin de réactivité face à la concu
Report
Qui :
les décideurs (non informaticiens)
Share & Comment:
collaborate
Report
Nombre
Quel est le d'employé de
profil des l'entreprise
employés par classe
Share &
les plus d'âge, par
collaborate
performants sexe, par
? grade?
Business La solution
Intelligence Feature
Prepare
Business Intelligence : extraire de la
valeur à partir de l’analyse de vos
Explore données
Report
Share &
collaborate
Business La solution
Intelligence Feature
Prepare
Des outils pour faire de la Business
Intelligence
Explore
Report
Share &
collaborate
Power BI
Experience your data. Any data, any way, anywhere
Power BI
Experience your data. Any data, any way, anywhere
What is Power BI
Desktop ?
Créer du contenu Power
BI
Connectez-vous aux données et
créez des rapports pour Power BI
Power BI Desktop Prepare, explore, report and
Featurecollaborate with Power BI Desktop
Prepare
Explore
Report
Share &
collaborate
Feature
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Accès aux données
Feature
Prepare
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Création de modèle
Feature
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Explorer les données en toute liberté
Feature
Prepare
Explore
Share &
collaborate
Power BI Desktop Création de rapports
Feature
Prepare
Explore
Share &
collaborate
Power BI Desktop Partager des rapports, des données avec un large
public
Feature
Prepare
Explore
Share &
collaborate
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Prepare, explore, report and collaborate with
Power BI Desktop (Résumé): Exemple
Feature
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Prepare, explore, report and
Featurecollaborate with Power BI Desktop
Prepare
(Résumé): Exemple
Explore
Report
Share &
collaborate
Power BI Desktop Prepare, explore, report and
Featurecollaborate with Power BI Desktop
Prepare
(Résumé): Exemple
Explore
Report
Share &
collaborate
Power BI Desktop Prepare, explore, report and
Featurecollaborate with Power BI Desktop
Prepare
(Résumé): Exemple
Explore
Report
Share &
collaborate
Demos
Power BI Desktop Accès aux données
Feature
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Accès aux données
Feature
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Accès aux données
Feature
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Accès aux données
Feature
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Accès aux données
Feature
Prepare
groupe
transformations
Explore
Report
Share &
collaborate
Power BI Desktop Accès aux données
Feature
Résultat
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop Transformer les données en fonction
Featuredes besoins
Créer une copie en créant
Prepare une référence
Explore
Report
Share &
collaborate
Power BI Desktop Transformer les données en fonction des besoins
Feature
Append tables
Prepare
Explore
Report
Share &
collaborate
Power BI Desktop
Feature
Prepare
bd-vente.xslx
Report
Importation
Share &
collaborate
transformations