TP DE DATA MINING
1 : COMPREHENSION
ET PREPARATION DES DONNEES
AVEC SPSS
TP N° 1 DE DATA MINING : LES DONNEES
Le premier TP a pour objectif de se familiariser avec le logiciel SPSS et de mettreen œuvre les
phases de compréhension et de préparation des données d’un processus de data mining.
Un mode d’emploi succinct de SPSS est proposé dans un autre document.
Jeu de données d’attrition (churn)
L’attrition, c’est l’usure, c’est-à-dire le fait de rompre ou pas le contrat. Le score d’attrition est
un cas d’étude de datamining très important. En effet, c’est un domaine dans lequel on a
beaucoup de clients, relativement peu d’opérateurs, et dans lequel le coût de la communication
pour trouver de nouveaux clients est très important. L’opérateur a donc intérêt à fidéliser ses
clients. L’étude statistique des données clients va permettre de mieux cibler les attentes du
client.
Le fichier contient 21 variables et 3333 objets.
Dictionnaire des données
N° Nom de la variable Signification de la variable Type de variable : Autres
Catégorielle ou autre caractéristiques
1 Reg US Un code pour un État des États- Catégorielle 2 caractères
Unis.
2 Dur Vie Durée de vie du compte Entier Unité à définir.
Probablement la
semaine.
3 Cod Dept Numéro du département dans l’État Catégorielle Entier
(la Reg US)
4 NumTel Numéro de téléphone servant
d’identifiant du client
5 Intnat Option pour les appels à Catégorielle : oui ou non
l’international
6 Mail Option pour la messagerie vocale Catégorielle : oui ou non
7 Nb Msg Nombre de messages Entier
8 Conso Jr Mn Consommation de la journée en Donnée continue : réel
minutes
9 App Jr Nombre d’appels dans la journée Entier
10 CA Jour Chiffre d’affaires dans la journée Donnée continue : réel Fonction du nombre
d’appels et de la
durée de
consommation
11 Conso Sr Mn Consommation de la soirée en Donnée continue : réel
minutes
12 App Sr Nombre d’appels dans la soirée Entier
13 CA Soirée Chiffre d’affaires dans la soirée Donnée continue : réel Cf. CA Jour
14 Conso Nt Mn Consommation de la nuit en minutes Donnée continue : réel
15 App Nt Nombre d’appels dans la nuit Entier
16 CA Nuit Chiffre d’affaires dans la nuit Donnée continue : réel Cf. CA Jour
17 Conso Int Mn Consommation à l’international en Donnée continue : réel
minutes
18 App Int Nombre d’appels à l’international Entier
19 CA Internat Chiffre d’affaires à l’international Donnée continue : réel Cf. CA Jour
20 Serv Cli Nombre d’appels au service client Entier
21 Churn? Nous dit si le client a quitté la Catégorielle : oui ou non
société ou pas
2 Travailler sur le fichier d’attrition (Source/Délimité)
Combien d’attributs y a-t-il dans ce fichier. (Onglet Données). Triez-les par type (Tri de
l’onglet stockage).
Observez les caractéristiques des attributs (Onglet Type). Lire les valeurs. Que constatez-
vous ?
Forcez le type du n° de département : faites-le passer de « Continu » à « « Nominal ».
Relire les valeurs.
Rappel : Le fichier de données d’origine doit être conservé intact.
• Ouvrir un nouveau flux
• Ajouter le nœud « Source / Délimité » au flux.
• Double-cliquer sur ce nœud et associer à ce nœud le fichier texte à manipuler.
• Avoir de l’information sur le type des données : Sélectionner « Source /
Délimité ». Double-cliquer. Choisir l’onglet « données » et regarder la colonne
« Stockage » : SPSS distingue entre « entier », « réel » « chaîne », et
« Date »
• Avoir de l’information sur les valeurs possibles des données : Sélectionner
« Source / Délimité ». Double-cliquer. Choisir l’onglet « types », cliquer
« Effacer toutes les valeurs » puis « lire les valeurs » et regarder les colonnes
« Type » et « valeurs ». SPSS définit des types « intervalle », « booléens »et «
ensemble », mais aussi « sans type ».
• Forcer le type du n° de département : le faire passer de « Continu » à
« Nominal ». Ainsi, on aura bien une variable catégorielle.
3 Observer la qualité des données (Sortie/Qualité)
Afficher le maximum de caractéristiques. Trier les résultats. Quels attributs posent
problème ?
SPSS
• Ajouter le nœud « Sortie / Qualité » au flux.
• Connecter le nœud « Source / Délimité » au nœud « Sortie / Qualité ».
• Double-cliquer sur le nœud « Sortie / Qualité ». Tout cocher.
• Exécuter.
4 Afficher le tableau des données (Sortie / Tableau)
Afficher le tableau des données.
Essayer de faire des tris. Que pouvez-vous constater ?
Que pensez-vous de cet outil ?
SPSS
• Ajouter le nœud « Sortie / Table » au flux.
• Connecter le nœud « Source / Délimité » au nœud « Sortie / Table »(Sélectionner le nœud
« Source / Délimité », bouton droit, connecter, cliquer sur
« Sortie / Table »)
• Afficher le tableau des données : Sélectionner « Sortie / Table », bouton droit,exécuter.
5 Afficher l’audit de données (Sortie – Audit)
Combien d’attributs sont traités par l’audit ? Pourquoi ?
Trier les données par type.
Quelle est la durée de vie moyenne des contrats ?
Que signifie la moyenne des codes département ?
Expliquer la signification de chaque variable.
Trier les données par asymétrie. Que constatez-vous ?
Quelles conclusions pouvez-vous tirer de l’observation des histogrammes ?
SPSS
• Ajouter le nœud « Sortie / Audit données » au flux. L’audit de données traite les
données continues et les données discrètes.
• Connecter le nœud « Source / Délimité » au nœud « Sortie / Audit données »
(Sélectionner le nœud « Source / Délimité », bouton droit, connecter, cliquer sur
« Audit données »)
• Afficher l’Audit des données : Sélectionner « Sortie / Audit données », boutondroit,
exécuter.
RESULTATS
Les colonnes « Graphique », « Type », « Unique » sont double-cliquables pourobtenir des
précisions.
Toutes les colonnes permettent de faire des tris en cliquant sur le nom de la colonne.
6 Statistiques détaillées (Sortie / Statistiques)
Afficher et analyser les statistiques détaillées.
SPSS
• Ajouter le nœud « Sortie / Statistiques » au flux. Les statistiques ne s’appliquentqu’aux
données continues.
• Connecter le nœud « Source / Délimité » au nœud « Sortie / Statistiques » (Sélectionner
le nœud « Source / Délimité », bouton droit, connecter, cliquer sur
« Audit données »)
• Double-cliquer sur le nœud « Sortie / Statistiques », sélectionner les variables àexaminer
et les statistiques souhaitées (sélectionner les toutes).
• Afficher le tableau des statistiques : Sélectionner « Sortie / Statistiques », bouton droit,
exécuter.
RESULTATS
Les calculs statistiques sont effectués sur 16 variables : les 16 variables continues. Les 4
variables discrètes n’ont pas été prises en compte. La variable numTél a déjà été éliminée.
Aide :
En cliquant sur le « ? » en haut à droite de la fenêtre, SPSS fournit une aide pour
l’interprétation et le paramétrage du résultat.
7 Filtrer toutes les données hors norme (Sortie / Statistiques)
On a mis à jour des données hors norme.
Filtrer ces données et recommencer l’audit de données.
SPSS
• On peut produire un nœud « Sélection » à partir du graphique de l’histogramme
ou des proportions.
9 Afficher la matrice croisée « département », « Reg US » (Sortie / Matrice)
Le n° de département est une variable catégorielle.
Quelle conclusion peut-on en tirer ?
A noter que le nœud « typer » est inutile car le type est déjà imposé dans le nœud
« Source/Délimité ».
Faire les statistiques du numéro de téléphone :
• Ajouter le nœuds « Ops champs / Typer » au flux, « Graphique / proportions ».
• Connecter les nœuds « Source / Délimité », « Ops champs / Typer » et
« Graphique / proportions » /
• Double-cliquer sur le nœud « Ops champs / Typer ». Passer le type de
« numTel » à « Nominale » et la « direction » à « entrée » : constater qu’il y a
maintenant 21 champs pour le nœud statistique.
• Afficher le tableau de proportions : trier par comptage.
10 Donner le nombre d’occurrences de chaque numéro de téléphone
(Graphique / Proportion) (Champs / Typer)
On utilisera l’outil : de proportion et le nœud « typer ».
Quels sont les nombres d’occurrences min et max. Quelle conclusion peut-on en tirer ?
Faire les statistiques du numéro de téléphone :
• Ajouter le nœuds « Ops champs / Typer » au flux, « Graphique / proportions ».
• Connecter les nœuds « Source / Délimité », « Ops champs / Typer » et
« Graphique / proportions »/
• Double-cliquer sur le nœud « Ops champs / Typer ». Passer le type de
« numTel » à « ensemble » et la « rôle» à « entrée » : constater qu’il y a
maintenant 21 champs pour le nœud statistique.
• Afficher le tableau de proportions : trier par comptage.
11 Rechercher toutes les corrélations possibles entre les variables numériques
(Sortie / Statistiques)
Quelles corrélations trouvez-vous ?
Montrez graphiquement les corrélations avec un nuage de point.
12 Filtrer le tableau de départ et faire un audit
Dans un nouveau flux, filtrer les attributs inutiles (on utilisera le nœud « typer »), filtrer
les données hors norme et faire un audit.
13 Corrélation entre le Churn et l’option internationale (Graphique / Proportion )
Dans une nouvelle feuille de flux, afficher les proportions de churn selon la valeur de
l’option internationale avec un graphique de proportion.
Quelles conclusions pouvez-vous en tirer ?
SPSS
• Ajouter le nœud « Graphique / Proportion » au flux.
• Connecter le nœud « Source / Délimité » au nœud « Sortie / Audit données ».
• Double-cliquer que le nœud « Graphique / Proportion ». Choisir le champs
« international », superposer « churn », normaliser par couleur.
• Exécuter.
14 Corrélation entre le Churn et l’option messagerie (Graphique / Proportion)
Dans une nouvelle feuille de flux, afficher les proportions de churn selon la valeur de
l’option messagerie avec un graphique de proportion.
Quelles conclusions pouvez-vous en tirer ?
15 Calcul du nombre de clients « récupérables » (Sortie / Matrice)
Afficher les données chiffrées des 2 analyses précédentes avec le nœud :
« Sortie/Matrice ».
En ramenant le taux de churn de ceux qui ont pris l’option internationale au taux de churn
de ceux qui ne l’ont pas pris, combien de clients pourrait-on conserver ?
En ramenant le taux de churn de ceux qui n’ont pas pris l’option mail au taux de churn de
ceux qui l’ont pris, combien de clients pourrait-on conserver ?
SPSS
• Ajouter le nœud « Sortie / Matrice » au flux.
• Connecter le nœud « Source / Délimité » au nœud « Sortie / Matrice ».
• Double-cliquer que le nœud « Sortie / Matrice ». Choisir le champs
« international » pour ligne, et le champs « churn » pour colonne.
• Exécuter. Dans « apparence », cliquer sur « inclure les totaux des lignes et des
colonnes ».
16 Corrélation entre le Churn et le nombre d’appels au service client
Dans une nouvelle feuille de flux, afficher les proportions de churn selon le nombre
d’appels au service client avec un graphique de proportion.
Quelles conclusions pouvez-vous en tirer ?
17 Corrélation du Churn et de la consommation de jour
Dans une nouvelle feuille de flux, afficher les proportions de churn selon la
consommation par jour avec un histogramme.
Quelles conclusions pouvez-vous en tirer ?
18 Corrélation du Churn avec la consommation de jour et les appels au service client
Superposer le churn dans le nuage consommation jour et appels service client.
Quelles sont les zones remarquables ?
Quelles conclusions pouvez-vous tirer.
19 Faites une synthèse de toute votre analyse.