Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens
Optimiser l’organisation des ressources, réagir à l’évolution du marché...
D-Side solutions
Business Intelligence : décider en connaissance de cause - Réseaux Bayésiens.
1. Prendre la bonne Décision
avec les Réseaux Bayésiens
PEBA
Pau, Jeudi 20/05/2010
Christophe Dutertre
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
4. Le Monde est Chaotique
Complexité de l’Environnement,
+
Changements rapides, Incertitude,
=> RISQUE dans la Prise de Décision
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. 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. 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. 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. 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. 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. 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. 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,