Techniques Quantitatives

Appliquées (Analyse de
Données et Data Mining)

Ameni Yengui

2ème année ETL

A. Yengui 1 Techniques quantitatives appliquées (Analyse de données et Data Mining)
Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe

1. Introduction
2. Exploration et visualisation des données
3. Prétraitement des données
4. Modélisation des données
5. Data Mining

A. Yengui 2 Techniques quantitatives appliquées (Analyse de données et Data Mining)

Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe

Introduction

A. Yengui 3 Techniques quantitatives appliquées (Analyse deAtelier

donnéesStatistique
et Data avec
Mining)
R
Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe
Introduction → Objectifs du cours

Objectifs du cours
• Acquérir une compréhension de base de l'analyse de données et du data
mining
• Apprendre à utiliser le langage R pour des analyses de données
• Appliquer ces compétences dans le contexte de l'économie du transport et de
la logistique

A. Yengui 4 Techniques quantitatives appliquées (Analyse de données et Data Mining)

Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe
Introduction → Analyse de Données

Qu'est-ce que l'Analyse de Données?

Définition:
L'analyse de données est le processus de collecte, de nettoyage, de transformation
et de modélisation de données pour découvrir des informations utiles, conclure et
soutenir la prise de décision.
Objectif:
Transformer les données brutes en insights actionnables.
Exemple:
En utilisant l'analyse de données, une entreprise de transport pourrait déterminer
les itinéraires les plus efficaces ou prédire la demande de transport pour les mois
à venir.

A. Yengui 5 Techniques quantitatives appliquées (Analyse de données et Data Mining)

Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe
Introduction → Data Mining

Qu'est-ce que le Data Mining?

Définition:
Le data mining, souvent appelé fouille de données, est l'extraction de motifs et
de connaissances cachés à partir de grandes quantités de données. Il utilise une
variété de techniques allant des statistiques à l'apprentissage automatique.
Objectif:
Découvrir des relations, des motifs ou des tendances inconnus jusqu'à présent
dans les données.
Exemple:
En utilisant le data mining, une entreprise logistique pourrait identifier des
tendances saisonnières inattendues ou des associations entre certains produits et
destinations.

A. Yengui 6 Techniques quantitatives appliquées (Analyse de données et Data Mining)

Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe
Introduction → Analyse de données vs Data Mining

Analyse de Données vs Data Mining

Objectif principal:
• Analyse de données: Interpréter et comprendre les données pour obtenir
des informations.
• Data Mining: Découverte de motifs et relations non évidents dans les
données.
Nature:
• Analyse de données: Souvent descriptif, cherchant à résumer et
comprendre les données actuelles.
• Data Mining: Prédictif ou prescriptif, cherchant à anticiper des
événements futurs ou suggérer des actions.

A. Yengui 7 Techniques quantitatives appliquées (Analyse de données et Data Mining)

Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe
Introduction → Analyse de données vs Data Mining

Outils & Techniques:

• Analyse de données: Statistiques descriptives, visualisation de
données.
• Data Mining: Algorithmes d'apprentissage automatique, méthodes de
clustering, règles d'association.
Lien:
L'analyse de données peut souvent être une étape préliminaire avant le data
mining, aidant à comprendre le jeu de données avant de chercher des motifs
cachés.

A. Yengui 8 Techniques quantitatives appliquées (Analyse de données et Data Mining)

Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe
Introduction → Données dans le secteur des transports

Données dans le Secteur des Transports

Types de Données Collectées:
• Données de Trajet: Origine, destination, temps de trajet, distance.
• Données Opérationnelles: Capacité des véhicules, taux d'utilisation, coûts
opérationnels.
• Données de Demande: Fréquence des commandes, volume des marchandises,
préférences des clients.
• Données Externes: Conditions météorologiques, données de trafic, événements
perturbateurs.
•

A. Yengui 9 Techniques quantitatives appliquées (Analyse de données et Data Mining)

Introduction
Notions de base Exploration et visualisation
Fonctions graphiques Modélisation
Prétraitement des données Programmation Data Mining
Un peu de statistique

Variable en R : Dataframe
Introduction → Données dans le secteur des transports

Importance des Données:

• Optimisation: Aider à déterminer les itinéraires les plus efficaces et
économiques.
• Prédiction: Anticiper la demande et les besoins futurs.
• Stratégie: Informer les décisions sur les investissements, les expansions ou les
modifications opérationnelles.
• Réactivité: Répondre rapidement aux imprévus grâce à une meilleure visibilité
des opérations.

A. Yengui 10 Techniques quantitatives appliquées (Analyse de données et Data Mining)