P UBLICATIONS DU L ABORATOIRE DE S TATISTIQUE ET P ROBABILIT ÉS Data mining I Exploration Statistique A LAIN BACCINI & P HILIPPE B ESSE Version septembre 2005 — mises à jour : www.lsp.ups-tlse.fr/Besse Laboratoire de Statistique et Probabilités — UMR CNRS C5583 Université Paul Sabatier — 31062 – Toulouse cedex 4. 2 Avant-propos Motivations du data mining Le développement des moyens informatiques et de calcul permet le stockage (bases de données), le traitement et l’analyse d’ensembles de données très volumineux. Plus récemment, le perfectionnement des interfaces offrent aux utilisateurs, statisticiens ou non, des possibilités de mise en œuvre très simples des outils logiciels. Cette évolution, ainsi que la popularisation de nouvelles méthodes algorithmiques (réseaux de neurones, support vector machine...) et outils graphiques, conduit au développement et à la commercialisation de logiciels intégrant un sous-ensemble de méthodes statistiques et algorithmiques sous la terminologie de Data Mining : la prospection ou fouille de données. Cette approche, issue du marketing spécialisé dans la gestion de la relation client (GRC) (client relation management ou CRM) trouve également des développements et applications industrielles en contrôle de qualité ou même dans certaines disciplines scientifiques dès lors que les ingénieurs et chercheurs sont confrontés à un volume de données important. Besse et col. (2001) présente une introduction détaillée de cette démarche et des relations qu’elle entretien avec les disciplines traditionnelles Statistique et Informatique. L’accroche publicitaire souvent citée par les éditeurs de logiciels (SAS) est : Comment trouver un diamant dans un tas de charbon sans se salir les mains. Nous proposons d’évaluer et d’expérimenter la réalité de cette annonce qui s’adresse à un marché en pleine expansion. Les entreprises sont en effet très motivées pour tirer parti et amortir, par une aide à la décision quantifiée, les coûts de stockage des t