APPLICATION DES TECHNIQUES DE FOUILLE DE DONNÉES EN INTELLIGENCE ÉCONOMIQUE

par Doyinsola Afolabi

Projet de thèse en Sciences de l'information et de la communication

Sous la direction de Amos David.

Thèses en préparation à Paris, CNAM , dans le cadre de École doctorale Abbé Grégoire (Paris) , en partenariat avec Dispositifs d'information et de communication à l'ère numérique (Paris) (laboratoire) et de Axe 3 : TIC et innovations de services, intelligence économique et territoriale  (equipe de recherche) depuis le 01-10-2018 .


  • Résumé

    APPLICATION DES TECHNIQUES DE FOUILLE DE DONNÉES EN INTELLIGENCE ÉCONOMIQUE L'Intelligence Economique peut être définie comme un processus comme présentée dans David (2013). Il peut également être considéré comme un processus décisionnel rationnel. Les étapes suivantes représentent le processus. a) Identification des besoins sous forme de problèmes décisionnels à résoudre ou d'enjeux (menace, risque, danger), b) Identification des types de résultat, c) Identification des types d'informations nécessaires pour obtenir le résultat, d) identification des sources d'information pertinentes, e) validation des sources d'information, f) Collecte d'informations g) Validation des informations collectées, h) Traitement des informations collectées pour le calcul des indicateurs, i) Interprétation des indicateurs j) Prise de décision pour la résolution du problème identifié. L'exploration de données est un puissant outil d'intelligence artificielle qui extrait efficacement des informations d'ensembles de données d'observation massifs et révèle des connaissances nouvelles et significatives pour l'utilisateur. Micheal et Gordon [2004] définissent Data mining (fouille de donnée) comme une exploration et une analyse de grandes quantités de données pour découvrir des modèles de sens et des règles que les outils statistiques ne peuvent généralement pas découvrir. L'exactitude et la rapidité de la prise de décision pour répondre à la concurrence accrue dans les entreprises exigent l'utilisation de techniques et de méthodes d'analyse des données efficaces dans le processus d'intelligence économique, Chen Et al. [2015] En réponse à cela, les progrès de la technologie d'exploration de données au cours des dernières années ont amélioré sa capacité à découvrir des informations qui peuvent ensuite être utilisées pour prendre des décisions et aider les entreprises à acquérir un avantage concurrentiel. En règle générale, la tâche d'exploration de données comprend la description du concept, l'analyse des associations et des corrélations, la classification, l'estimation, la prédiction et le regroupement. Les techniques les plus couramment utilisées comprennent les réseaux neuronaux artificiels, les arbres de décision, la méthode du plus proche voisin, l'algorithme génétique, corrélation et clustérisation, etc. Dans cette thèse, nous construirons un modèle plus efficace en introduisant la capacité des techniques fouille de données pour améliorer la construction et la mise en œuvre du système d'intelligence économique.

  • Titre traduit

    APPLICATION OF DATA MINING TECHNIQUES IN COMPETITIVE INTELLIGENCE


  • Résumé

    PHD TOPIC: APPLICATION OF DATA MINING TECHNIQUES IN COMPETITIVE INTELLIGENCE Competitive intelligence (CI) can be defined as a process as presented in David (2013). It can also be considered as a rational decision-making process. The following stages represent the process. a) Identification of needs in the form of decisional problems to solve or stakes (threat, risk, danger), b) Identification of the types of result, c) Identification of the types of necessary information to obtain the result, d) Identification of the relevant information sources, e) Validation of the information sources, f) Collection of information, g) Validation of the information collected, h) Processing of the information collected for the calculation of indicators, i) Interpretation of the indicators, j) Decision making for the resolution of the identified problem. Data mining is a powerful Artificial Intelligence tool that effectively extracts information from massive observational data sets as well discovers new and meaningful knowledge for the user. Micheal and Gordon [2004] define Data mining as exploration and analysis of large quantities of data to discover meaning patterns and rules which ordinarily statistical tools cannot uncover. Correctness and timeliness of decision making to respond to increased competition in businesses requires the use of efficient data analysis techniques and methods in the competitive intelligence process. Chen Et al. [2015] In response to these, advancement in data mining technology in recent years has improved its ability for discovered information that can then use to support decision making and help enterprise win competitive advantage. Generally, data mining task include concept description, association and correlation analysis, classification, estimation, prediction, and clustering. The most commonly used techniques include artificial neural networks, decision trees, the nearest-neighbor method, genetic algorithm, market basket and association rules, link analysis etc. Each of these techniques analyzes data in different ways. In this thesis, we will be constructing a more effective model by introducing the ability of data mining techniques in improving the construction and implementation of competitive intelligence system.