| Titre | Un usage du Text Mining : donner du sens à la connaissance client | |
|---|---|---|
| Auteur | Manu Carricano, Grégoire de Lassence | |
 |
Revue | Systèmes d'information & management |
| Numéro | vol. 14, no 2, 2009 | |
| Rubrique / Thématique | Cas, expérience et pédagogie |
|
| Page | 85-100 | |
| Résumé |
La technologie du Data Mining a considérablement enrichi les outils traditionnels de traitement de la connaissance client en améliorant en particulier leur potentiel prédictif. Cet outil complexe a récemment connu de nombreux développements. Parmi ceux-ci, émerge la possibilité d'intégrer aux modèles traditionnels des données non structurées, représentant plus de 80 % de la connaissance disponible dans l'organisation. Le Text Mining permet d'exploiter ces données afin d'optimiser la prise de décision dans l'entreprise. L'objet du présent article est tout d'abord de présenter le Text Mining et son utilité en management, puis de démontrer sa valeur ajoutée, en d'autres termes, de quelle manière l'intégration de données textuelles aux modèles de Data Mining classiques améliore le potentiel prédictif de ces outils. Cette démonstration est faite en deux temps : en mettant en évidence tout d'abord son utilité dans la description et l'identification des données textuelles les plus saillantes, puis en mettant en compétition le modèle enrichi de données textuelles avec d'autres modèles prédictifs sur données structurées. Notre étude reprend un cas dans le secteur automobile, et montre de quelle manière, en combinant données structurées et textuelles, un constructeur peut être capable d'anticiper le rappel d'un véhicule, et par suite d'éviter les risques pour la marque liés à une mauvaise gestion de crise. Source : Éditeur (via Cairn.info) |
|
| Résumé anglais |
Data Mining technologies have enhanced management research's predictive capability. In recent years, many improvements have been made, among others by incorporating nonstructured data to traditional models. This is an important challenge as non-structured data accounts for more than 80% of an organization's knowledge. Text Mining allows researchers to use this type of data to optimize decision making processes. The goal of this paper is to describe Text Mining implementation and its contribution to management, in other words, the way non-structured data's integration to traditional Data Mining models can optimize the predictive outcome of such analysis. The added-value of Text Mining is demonstrated as follows: first we show that Text Mining allows considerable enrichment of traditional data mining models through identification and analysis of the most relevant textual data; second, through showing that the model with textual data over performs other models with structured data only. We analyze a case in the automotive industry that illustrates how a manufacturer can anticipate vehicles recall by combining structured and non-structured data, and avoid consequently the risk for its brand due to a bad crisis management. Source : Éditeur (via Cairn.info) |
|
| Article en ligne | http://www.cairn.info/article.php?ID_ARTICLE=SIM_092_0085 (accès réservé) |
