Modèles de processus d’ECD

Un modèle de processus d’ECD consiste en un ensemble d'étapes de traitement à suivre par les praticiens lors de l'exécution d'un projet d’extraction de connaissances (Cios et al., 2007). Le modèle décrit les tâches et méthodes qui sont exécutées dans chacune de ses étapes. Il est principalement utilisé pour planifier, travailler à travers, et réduire le coût d'un projet d’exploration de données.

Chapitre 1 – Le processus d’ECD 25

Depuis les années 1990, plusieurs modèles de processus ont été développés. Les premiers efforts ont été menés par des chercheurs académiques, mais ils ont été rapidement suivis et soutenus par des acteurs industriels. La première structure de base du modèle de processus d’ECD a été proposée par Fayyad et al. (1996c). Depuis, plusieurs modèles ont été développés origines des deux domaines académique et industriel.

Un point commun entre les différents modèles proposés est qu’il représente le processus d’ECD comme un ensemble d’étapes qui sont exécutées en séquence (voir figure 1.4). Chaque étape est initiée après l’exécution réussie de l'étape précédente et nécessite son résultat comme entrée. Une autre caractéristique commune est l'éventail des activités couvertes par le processus, qui s'étend de la compréhension du domaine d’application et des données, passant par la préparation des données et la modélisation, jusqu’à l'évaluation et le déploiement des résultats. Tous les modèles proposés mettent l’accent également sur la nature itérative et interactive du processus, dans le sens où de nombreuses boucles et feedback sont nécessaires pour la révision du processus (les retours en pointillés sur la figure 1.4).

Figure 1.4. Structure séquentielle et feedback dans un modèle de processus d’ECD

Les principales différences entre les modèles présentés ci-dessous résident dans le nombre, la portée, et les tâches des étapes spécifiques à chaque modèle. Bien que les modèles insistent sur l’indépendance par rapport au domaine d’application, aux outils et aux fournisseurs de logiciels, ils peuvent être classés en deux catégories (académique et industriel) selon qu'ils prennent en compte les aspects industriels des projets d’ECD ou non. Par rapport aux projets académiques, les projets industriels d’ECD sont généralement intéressés par différents types de données et des scénarios d'application plus complexes.

Nous allons à présent présenter cinq modèles que nous jugeons fondamentaux et qui sont les plus cités dans la littérature du domaine de l’ECD.

1.3.2.1. Modèles d’origines recherche académique

Les efforts visant à établir un modèle du processus d’ECD ont été initiés au milieu des années 1990. Lorsque l’extraction de connaissances a émergé comme domaine à part entière, les

Chapitre 1 – Le processus d’ECD 26

chercheurs ont commencé à proposer des procédures multi-étapes pour guider les utilisateurs (novices et experts) dans les tâches complexes de l’ECD. Le souci majeur était donc de fournir une séquence d'activités (étapes) qui aideraient à exécuter un processus d’ECD quelque soit le domaine d’application.

En 1996, Fayyad et al., (1996c) ont proposé un modèle itératif et interactif à 9 étapes, devenu largement accepté par la communauté. Le processus est itératif, ce qui signifie que parfois il peut être nécessaire de refaire les pas précédents. Le problème de ce processus, comme pour les autres présentés ci-dessous, est le manque d’assistance de l’utilisateur, qui ne choisit pas à chaque étape la meilleure solution adaptée pour ses données.

Vu l’importance du modèle et sa popularité académique, ses étapes ont été présentées en détail dans le paragraphe 3.1 de ce chapitre.

Par la suite, Anand et Buchner ont développé un modèle à huit étapes (Anand et Buchner, 1998) qui a été appliqué pour résoudre les problèmes de ventes croisées et pour analyser les données de marketing sur Internet.

1.3.2.2. Modèles d’origines industriels

Les modèles d’origines industriels pour le processus d’ECD ont rapidement suivis et soutenus les efforts académiques. Plusieurs approches ont été entreprises, allant des modèles proposés par des chercheurs ayant une expérience industrielle riche aux modèles proposés par des consortiums industriels. Deux modèles industriels représentatifs sont : le modèle à cinq étapes développé par Cabena et al., (1998) avec le soutien d'IBM, et le modèle à six étapes CRISP-DM (Shearer, 2000) développé par un large consortium d'entreprises européennes. Ce dernier est devenu actuellement le modèle de référence pour le processus d’ECD. C’est pourquoi, nous allons le présenter en détail ci-après.

CRISP-DM (CRoss-Industry Standard Process for Data Mining) a d'abord été initié par un consortium de quatre sociétés : SPSS (un fournisseur de solutions commerciales de data mining), NCR (un fournisseur de base de données), Daimler Chrysler, et OHRA (une compagnie d'assurance). Les deux dernières sociétés ont servi comme sources de données et des études de cas. Le modèle a été officiellement publié (version 1.0) en 2000 (Shearer, 2000; Wirth et Hipp, 2000) et est devenu rapidement un standard de fait dans le domaine de l’ECD.

Chapitre 1 – Le processus d’ECD 27

Comme représenté sur la figure 1.5, le modèle CRISP-DM consiste en six étapes. Chaque étape est composée d’un ensemble de tâches génériques, spécialisées par des tâches spécifiques.

Figure 1.5. Phase du processus d’ECD selon le modèle CRISP-DM

1. Compréhension du domaine analysé : cette phase initiale porte essentiellement sur la

compréhension des objectifs opérationnels du processus d’ECD (data mining project selon le vocabulaire CRISP-DM) et de ses exigences techniques et humaines. Les connaissances acquises durant cette étape permettent donc de définir les objectifs et un plan préliminaire pour accomplir ces objectifs. Dans cette étape l’intervention des experts du domaine d’application est une nécessité.

2. Compréhension des données à analyser : cette phase commence par la collecte des données

initiales et continue avec des activités permettant de se familiariser avec ces données, d’identifier les problèmes de qualité des données, et de détecter des sous ensembles homogènes de données afin de formuler des hypothèses sur les patterns cachés.

3. Préparation des données : la phase de préparation des données couvre toutes les activités

pour construire le jeu de données final (données qui seront introduites comme entrées aux outils de modélisation) à partir des données initiales collectées dans la phase précédente. Ces activités incluent : la sélection, le nettoyage, la transformation et l’agrégation des données, et sont susceptibles d'être exécutées plusieurs fois et dans un ordre quelconque.

4. Modélisation : dans cette phase, diverses techniques et méthodes de fouille sont choisies,

Chapitre 1 – Le processus d’ECD 28

générale, il existe plusieurs méthodes de fouille pour réaliser la même tâche d’ECD. Certaines méthodes ont des exigences particulières sur la nature des données (numériques, symboliques…). Par conséquent, des retours vers la phase de préparation des données sont souvent nécessaires. C’est ce qui est représenté par une boucle entre les deux phases sur la figure 1.5.

5. Evaluation : A ce stade du projet, des modèles qui semblent avoir de haute qualité d’un

point de vue analyse de données sont découverts. Avant de procéder au déploiement final des modèles, il est important de les évaluer, de passer en revue les étapes exécutées pour les construire, et de vérifier s’ils réalisent bien les objectifs opérationnels du projet (ainsi retour sur le première étape s’avère utile). À la fin de cette phase, une décision sur l'utilisation des résultats d'extraction doit être conclue.

6. Déploiement : cette dernière phase consiste en la présentation des connaissances extraites

dans une forme compréhensible par le client (l’utilisateur final), déploiement des modèles dans le système décisionnel de l’organisation, maintenance, et rédaction d’un rapport final du projet.

1.3.2.3. Modèles hybrides

Le succès des modèles académiques et industriels a conduit à l'élaboration de modèles hybrides (modèles qui combinent les aspects des deux domaines). Un exemple de tels modèles est le modèle à six étapes développé par Cios et al. (2000) (figure 1.6). Il a été développé en se basant sur CRISP-DM et en l'adoptant aux problématiques de la recherche académique. Les principales différences et extensions comprennent : description des 6 étapes d’ECD en insistant sur les problématiques de recherche, introduction d’une étape de fouille de données au lieu de modélisation (restriction), et détaille explicite des boucles et feedbacks dans le processus.

Chapitre 1 – Le processus d’ECD 29

Figure 1.6. Modèle du processus d’ECD proposé par Cios et al., 2000