Cadre de l’analyse de l’outil

Depuis des années, les entreprises utilisent de puissants ordinateurs pour traiter les larges volumes de données accumulés par divers matériels et pour analyser les rapports de recherches sur les marchés. De même, les innovations continuelles dans les domaines du calcul informatique, du stockage, et des logiciels statistiques augmentent fortement la précision des analyses et dirigent la réduction des coûts.

De ce fait, de plus en plus d’entreprises disposent de données énormes. Cependant si ces données ne sont pas suffisamment analysées et évaluées, elles n’apporteront rien de bénéfique aux entreprises. Seuls ceux qui savent comment exploiter ces données pourront en tirer bénéfice. C’est dans ce cadre que l’outil de Data Mining Weka s’introduit. Grâce à des méthodes d’analyse de données et de statistiques exploratoires, on pratique le Data Mining depuis plus de 30 ans dans de nombreux secteurs d’activités.

En effet, Le Data Mining concerne l’ensemble des secteurs d’activité dès lors qu’il y a des données à analyser et surtout lorsqu’il y a beaucoup de données. Au niveau des organisations, tous les services sont aujourd’hui concernés par les apports du Data Mining, même si les services marketing sont souvent porteurs des premiers projets en la matière. Les informations et connaissances produites par des outils tels que Weka optimisent les décisions stratégiques et opérationnelles de l’entreprise à tous les étages, en les rendant plus efficaces et plus efficientes.

Dans le cadre l’analyse de l’outil Weka, nous allons l’appliquer à l’étude de cas réels afin d’exploiter ses fonctionnalités principales. Les cas étudiés ici seront :

• La détermination de cas d’hypothyroïdie chez une personne : à partir de données venant de test en laboratoire effectuer sur des personnes, nous allons appliquer un algorithme de classification qui donnera un arbre de décision permettant de déterminer une personne atteinte.
• La prédiction du prix d’une voiture à partir de ses caractéristiques : en effectuant une régression linéaire sur des données des caractéristiques des véhicules, on obtient un modèle prédictif
• La recherche des comportements typiques des clients d’un concessionnaire d’automobiles BMW : depuis les traces gardées par ce concessionnaire sur ces clients, nous allons extraire leurs comportements émergents.