Hervé Couturier EVP, SAP Technology Development

Hervé Biausser Directeur de l’Ecole Centrale Paris

Bernard Liautaud Fondateur de Business Objects

Questions à: Hervé Couturier Hervé Biausser

Bernard Liautaud

CHAIRE SAP BUSINESSOBJECTS DE BUSINESS INTELLIGENCE

Marie-Aude AUFAURE

Enjeux scientifiques de la Business Intelligence

Sommaire

ü Quelques évolutions de la société de l’information et leur impact sur la Business Intelligence

ü Quelques questions posées au monde de la recherche

ü Zoom sur la représentation unifiée des données structurées et non structurées

Business Intelligence : de la donnée à la décision

Séman&que  

Per&nence  Crédibilité  

Stratégie  

Moyens  d’ac&on  

Exécu&on  

connaissance   décision  

ac&on  

données  

informa&on  

Facteurs de Changement

ü La nature de l’information

Facteurs de Changement

ü La manière d’interagir ensemble et avec l’information

Évolutions nécessaires pour la BI

ü Transformer toutes les données en information

ü Favoriser la simplicité d’utilisation ü Faciliter la collaboration ü S’intégrer avec les processus métier

Quelques problématiques à explorer

ü Comment rendre l’interaction avec l’information plus simple et plus efficace ?

ü Comment proposer une représentation

sémantique unifiée des données structurées et non structurées?

Interaction avec l’information

ü Mettre l’Utilisateur au centre ü Comprendre ses intentions ü Profil, modèle utilisateur, modèle situationnel

ü Visualisation décisionnelle ü Flexible et dynamique ü Visualisation de grandes masses de données

ü Simplifier les interfaces ü Questions/Réponses à la Google ou Wolfram Alpha

ü Recommandation et aspects collaboratifs ü Qualité de la recommandation ü Intégration des réseaux sociaux

Quelques problématiques à explorer

ü Comment rendre l’interaction avec l’information plus simple et plus efficace ?

ü Comment proposer une représentation

sémantique unifiée des données structurées et non structurées?

Extraction – Structuration en graphe

Couche Sémantique

Couche Requêtes

Représentation sémantique unifiée

ü Couche sémantique : ontologies ü Modèle de connaissances ü Description en intension et extension

ü Concepts, relations, instances, axiomes

ü Définies de manière plus ou moins formelle

ü Construction manuelle des ontologies de domaine : processus long et coûteux ü Automatiser la construction ü Méthodologies d’apprentissage existantes pour

chaque type de sources de données

ü Exemple : apprentissage collaboratif

Apprentissage collaboratif d’ontologies ü Requêtes posées par 2 utilisateurs

ü  « What are the languages used for OLAP Analysis? » ü  « What is MDX? »

ü Extraction d’un graphe de requête

ü Création d’un module dans l’ontologie Business ü Requêtes soumises au moteur de recherche

ü  « OLAP languages », « OLAP + Analysis », « OLAP languages + Business »

ü Analyse des documents sélectionnés

? language is

OLAP Analysis used for

www.themegallery.com

Apprentissage collaboratif d’ontologies

Online analytical processing, or OLAP (pronounced /ˈoʊlæp/), is an approach to quickly answer multi-dimensional analytical queries.[1] OLAP is part of the broader category of business intelligence, which also encompasses relational reporting and data mining.[2] The typical applications of OLAP are in business reporting for sales, marketing, management reporting, business process management (BPM), budgeting and forecasting, financial reporting and similar areas. The term OLAP was created as a slight modification of the traditional database term OLTP (Online Transaction Processing).[3] Databases configured for OLAP use a multidimensional data model, allowing for complex analytical and ad-hoc queries with a rapid execution time. They borrow aspects of navigational databases and hierarchical databases that are faster than relational databases.[4] The output of an OLAP query is typically displayed in a matrix (or pivot) format. The dimensions form the rows and columns of the matrix; the measures form the values.

OLAP Online analytical

processing is

multi-dimensional analytical query

answer

Relational reporting

Data mining

Part-of Part-of

OLAP application

Business reporting

marketing MDX

OLAP database Analysis

language Microsoft

OLAP database querying

Used for

Used for

Developed by is

Apprentissage collaboratif d’ontologies

What is MDX ? Results

M D X ( M u l t i - D i m e n s i o n a l Expressions) is a language developed by Microsoft for the querying and analysis of multi-dimensional OLAP (On-Line Analytical Processing) databases.

recommandations

OLAP URL + MDX URL

Apprentissage collaboratif d’ontologies

MDX

OLAP database Analysis

language Microsoft

OLAP database querying

Used for

Used for

Developed by is

Représentation sémantique : axes importants

ü Mise en correspondance d’ontologies ü Résolution d’incohérences lors de

l’enrichissement d’ontologies ü Passage à l’échelle pour la construction

automatisée ü Qualité des ontologies ü Requêtes complexes sur les ontologies

Extraction – Structuration en graphe

Couche Sémantique

Couche Requêtes

Structurer le non structuré

ü Clustering numérique ü Regroupement d’objets dans des classes ü Basé sur des mesures de distance

ü Clustering conceptuel

ü Basé sur un langage de description ü Regroupe les objets en concepts selon leurs

propriétés communes ü Conserve la sémantique des données

Treillis de Galois

O\A Nalc non alcoolisée

Cha chaude

Alc alcoolisée

Caf avec caféine

Gaz gazeuse

Tv Thé vert ü ü Kf Café ü ü ü E Eau gazeuse

ü

ü

V Vin ü B Bière ü ü Co Coca ü ü ü Chp Champagne

ü ü

Contexte = triplet (O, A, I) tel que : • O : ensemble fini d’exemples • A : ensemble fini d’attributs • I : relation binaire entre O et A, (I ⊆ O x A)

{Tv,Kf,E,V,B,Co,Chp}

∅

{V, B, Chp} {Alc}

{E, B, Co, Chp} {Gaz}

{Tv, Kf, E, Co} {Nalc}

{Tv, Kf} {Nalc, Cha}

{E, Co} {Nalc, Gaz}

{Kf, Co} {Nalc, Caf}

{B, Chp} {Alc, Gaz}

{Kf} {Nalc, Cha, Caf}

{Co} {Nalc, Caf, Gaz}

∅ {Nalc, Cha, Alc, Caf, Gaz}

Exemple de Treillis de Galois

Correspondance de Galois : Soient Oi ⊆ O et Ai ⊆ A, on définit f et g : •  f: P(O)→ P(A) f(Oi) = {a ∈ A / (o,a) ∈ I, ∀ o ∈ Oi} intension •  g: P(A)→ P(O) g(Ai) = {o ∈ O / (o,a) ∈ I, ∀ a ∈ Ai} extension (f,g) = correspondance de Galois entre P(O) et P(A) Exemple: • O1 = {Tv, Kf) ⇒ f (O1) = {Nalc, Cha} • A1 = {Nalc, Cha} ⇒ g (A1) = {Tv, Kf} (Oi, Ai) est un concept (fermé) ssi

• Oi est l’extension de Ai et • Ai est l’intension de Oi

c-à-d: Oi = g(Ai) et Ai = f(Oi)

Structurer le non structuré : axes importants

ü Complexité des treillis ü Nombre élevé de concepts ü Coût des algorithmes de construction ü Interprétation

ü Mesures de similarité (aide à la navigation) ü Mesures conceptuelles (filtrage et caractérisation du treillis) ü Visualisation

ü Mise en correspondance avec la couche sémantique

ü Extraction de relations

Extraction – Structuration en graphe

Couche Sémantique

Couche Requêtes

Harmoniser la représentation des données

ü  Problématique : représenter les relations entre objets ü Exemple : réseau de chercheurs extrait à partir de

bases de données et enrichi avec des données provenant du web

ü Offrir une représentation unique pour des données de

plus en plus volumineuses et hétérogènes ü Graphes : une représentation naturelle

ü Adaptée aussi bien au structuré qu’au non structuré ü Manipulation facile

ü Mise à jour des données sans modification de la structure

ü Algorithmes dédiés aux graphes : plus court chemin, sous-graphe, etc.

Exemple : extraction d’un réseau social

29

Firm1 Firm2

Firm1 Firm2

Employer(Enum, Name, LastName, DNO#) Project(Pname, Pnum, Dnum#) Departement(Dname, DNO, Location) Works_On(Enum#,Pname#)

TBEmployee(EmID, EMName, EMLastName, DNO#) tbProject(Pname, Pnum, Dnum#) TBLDepartement(Dname, DNO, Location) tbProject_Employee(Enum#,Pname#)

Extraction Schéma

Works_ON

tbProject_Employee

Transformation en Hypernoeuds

Transformation des données Construction du

Réseau Social

Harmoniser la représentation : axes importants

ü Mise en correspondance avec la couche sémantique

ü Volumétrie

ü Passage à l’échelle des algorithmes ü Visualisation

ü Requêtes et agrégation de graphes

Synthèse

Extraction – Structuration en graphe

Couche Sémantique

Couche Requêtes

Questions à: Marie-Aude Aufaure