Big Data - Analyse Descriptive

Wilson Toussile

2024-12-09

Table of contents
1 Introduction 1

2 Caractéristiques de l’analyse descriptive 1

3 Techniques et outils 2

4 Cas d’utilisation 2

5 Avantages et limites 4

6 Identification et formulation des problèmes analytiques 5

7 Conclusion 6

8 Exercice: QCM 6

1 Introduction
L’analyse descriptive est un pilier de l’analyse du Big Data. Elle se concentre sur
l’examen des données historiques pour identifier les tendances, les motifs et les anoma-
lies. Son objectif principal est d’explorer les données. En synthétisant des informations
clés des données, l’analyse descriptive fournit aux entreprises des insights précieux pour
comprendre leurs performances, leurs clients et leur marché. Ces connaissances servent
également de base à des analyses plus avancées, comme l’analyse prédictive, qui vise à
anticiper les événements futurs. L’analyse descriptive est donc une étape essentielle pour
une prise de décision éclairée et une meilleure compréhension du Big Data.

2 Caractéristiques de l’analyse descriptive

L’analyse descriptive se caractérise par les éléments suivants :
• Exploration et visualisation de données : Elle utilise des techniques
d’exploration et de visualisation pour mettre en lumière des informations clés

1
 Initiation to Big Data

cachées dans les données historiques.

• Identification des tendances et des motifs : Elle permet de repérer les ten-
dances et les schémas récurrents dans les données, tels que l’évolution des ventes,
les changements de comportement des clients, ou les corrélations entre différentes
variables.
• Détection d’anomalies : Elle aide à identifier les valeurs aberrantes ou les événe-
ments inattendus qui peuvent indiquer des problèmes ou des opportunités à ex-
plorer.
• Base pour des analyses plus avancées : Les insights obtenus par l’analyse
descriptive servent de fondement à des analyses plus poussées, comme l’analyse
prédictive ou prescriptive.

3 Techniques et outils
L’analyse descriptive s’appuie sur diverses techniques et outils pour explorer et interpréter
les données :
• Agrégation et résumé des données :
– Exemple : Calculer le chiffre d’affaires total d’une entreprise sur une période
donnée, ou le nombre moyen de visites par jour sur un site web.
– Outils: Fonctions statistiques dans des langages comme Python (avec Pandas,
NumPy, PySpark) ou R (tidyverse).
• Visualisation de données :
– Exemple : Créer un graphique à barres pour comparer les ventes de différents
produits, ou une carte thermique pour visualiser la répartition géographique
des clients.
– Outils: Bibliothèques de visualisation comme Matplotlib, Seaborn (Python)
ou ggplot2 (R), plotly (R, Python, Julia), ou des plateformes comme Tableau
ou Power BI.
• Outils de Business Intelligence (BI) :
– Exemple : Utiliser Power BI pour créer un tableau de bord interactif affichant
les indicateurs clés de performance (KPI) d’une entreprise, ou Tableau pour
explorer des données de vente et identifier des tendances.
– Outils: Power BI, Tableau, shiny, dash, etc.

4 Cas d’utilisation
L’analyse descriptive trouve des applications dans de nombreux domaines, permettant
aux organisations d’extraire des informations précieuses de leurs données :
Commerce de détail :
• Analyse des ventes : Identifier les produits les plus vendus, les tendances de
vente saisonnières, les canaux de distribution les plus performants.
– Exemple : Un magasin de vêtements peut analyser ses données de vente pour
identifier les articles les plus populaires et ajuster ses stocks en conséquence.

By WIlson Toussile 2
 Initiation to Big Data

• Segmentation de la clientèle : Regrouper les clients en fonction de leurs car-

actéristiques (âge, localisation, historique d’achat) pour des campagnes marketing
ciblées.
– Exemple : Une plateforme de e-commerce peut segmenter ses clients en
fonction de leurs préférences d’achat pour leur proposer des recommandations
personnalisées.
• Optimisation des prix : Analyser les données de vente et la concurrence pour
ajuster les prix et maximiser les profits.
– Exemple : Un hôtel peut utiliser l’analyse descriptive pour ajuster dy-
namiquement les prix des chambres en fonction de la demande et de la
saisonnalité.
Santé :
• Analyse des dossiers médicaux : Identifier les tendances des maladies, les
facteurs de risque, l’efficacité des traitements.
– Exemple : Un hôpital peut analyser les dossiers médicaux des patients pour
identifier les facteurs de risque de certaines maladies et mettre en place des
programmes de prévention.
• Surveillance épidémiologique : Suivre la propagation des maladies infectieuses
et identifier les zones à risque.
– Exemple : Les organismes de santé publique peuvent utiliser l’analyse de-
scriptive pour suivre l’évolution d’une épidémie et prendre des mesures de
santé publique.
• Amélioration de la qualité des soins : Analyser les données des patients pour
identifier les axes d’amélioration des soins et des services.
– Exemple : Un centre médical peut analyser les données de satisfaction des
patients pour identifier les points faibles et améliorer la qualité de ses services.
Finance :
• Détection des fraudes : Identifier les transactions suspectes et les comportements
anormaux pour prévenir les fraudes.
– Exemple : Une banque peut utiliser l’analyse descriptive pour détecter les
transactions frauduleuses par carte de crédit en analysant les patterns de
dépenses.
• Évaluation des risques : Analyser les données financières des clients pour évaluer
leur solvabilité et leur niveau de risque.
– Exemple : Une compagnie d’assurance peut utiliser l’analyse descriptive pour
évaluer les risques associés à un prêt et fixer les taux d’intérêt en conséquence.
• Gestion des portefeuilles d’investissement : Analyser les performances des
investissements et identifier les tendances du marché.
– Exemple : Un gestionnaire de fonds peut utiliser l’analyse descriptive pour
suivre les performances de son portefeuille d’investissement et ajuster sa
stratégie en fonction des tendances du marché.
Autres secteurs :
• Production industrielle: Optimisation de la production, maintenance prédictive,
contrôle qualité.
• Marketing: Analyse des campagnes marketing, segmentation des audiences, opti-

By WIlson Toussile 3
 Initiation to Big Data

misation des dépenses publicitaires.

• Ressources humaines: Analyse des données des employés, identification des tal-
ents, optimisation des processus de recrutement.
• Logistique: Optimisation des chaînes d’approvisionnement, gestion des stocks,
suivi des livraisons.

5 Avantages et limites
L’analyse descriptive, malgré sa simplicité apparente, présente des avantages et des limites
à prendre en compte :
Avantages:
• Facilité de mise en œuvre: L’analyse descriptive est relativement simple à mettre
en œuvre, ne nécessitant pas de techniques statistiques complexes. Elle est donc
accessible à un large public, même sans expertise approfondie en data science.
• Identification rapide des tendances clés: Elle permet d’identifier rapidement
les tendances et les modèles importants dans les données, offrant ainsi une vue
d’ensemble de la situation passée. Cela permet de repérer des problèmes, des op-
portunités ou des changements significatifs dans les données.
• Base solide pour des analyses plus avancées: Les insights obtenus par
l’analyse descriptive servent de point de départ pour des analyses plus complexes,
comme l’analyse prédictive ou prescriptive. Elle permet de poser les bonnes
questions et de formuler des hypothèses à explorer par la suite.
• Communication efficace: Les résultats de l’analyse descriptive sont souvent
faciles à communiquer et à comprendre grâce à l’utilisation de visualisations et
de tableaux de bord. Cela facilite le partage des informations et la prise de décision
collaborative.
Limites:
• Focalisation sur le passé: L’analyse descriptive se concentre uniquement sur
les données historiques et ne permet pas de prédire l’avenir. Elle ne fournit pas
d’indications sur ce qui pourrait se passer, mais uniquement sur ce qui s’est déjà
produit.
• Absence de recommandations d’actions spécifiques: L’analyse descriptive
met en évidence des tendances et des modèles, mais ne propose pas de recomman-
dations concrètes pour agir. Elle nécessite une interprétation humaine pour traduire
les insights en actions.
• Risque de biais: L’analyse descriptive peut être sujette à des biais si les données
utilisées ne sont pas représentatives ou si les techniques d’analyse ne sont pas ap-
pliquées correctement. Il est important de prendre en compte les limitations des
données et des méthodes utilisées.
• Interprétation subjective: L’interprétation des résultats de l’analyse descriptive
peut être subjective et dépendre de l’expérience et des connaissances de l’analyste.
Il est important d’avoir une approche critique et de valider les conclusions avec
d’autres sources d’information.

By WIlson Toussile 4
 Initiation to Big Data

6 Identification et formulation des problèmes analy-

tiques
Avant de se lancer dans l’analyse descriptive, il est crucial d’identifier et de formuler
clairement les problèmes analytiques à résoudre.
• Comprendre et formuler les problèmes analytiques:
– Il s’agit de définir précisément la question à laquelle on cherche à répondre
avec l’analyse descriptive.
– Par exemple, au lieu de se demander “comment améliorer les ventes ?”, il
est préférable de formuler une question plus précise comme “quels sont les
produits les moins performants et pourquoi ?”
– Une formulation claire du problème permet de cibler l’analyse et d’obtenir des
résultats plus pertinents.
• Techniques de brainstorming et de mind mapping pour définir les prob-
lèmes urgents:
– Le brainstorming et le mind mapping sont des techniques efficaces pour générer
des idées et explorer les différents aspects d’un problème.
– Le brainstorming consiste à rassembler un groupe de personnes pour générer
des idées en quantité, sans jugement initial.
– Le mind mapping est une technique visuelle qui permet d’organiser les idées
et de visualiser les relations entre elles.
– Ces techniques aident à identifier les problèmes les plus urgents à traiter en
priorité et à formuler des questions analytiques pertinentes.
Exemple concret :
Une entreprise de vente en ligne constate une baisse de ses ventes au cours des derniers
mois. Pour identifier les causes de ce problème et trouver des solutions, elle peut utiliser
l’analyse descriptive.
Identification du problème:
• Observation: Baisse des ventes globales.
• Questions préliminaires:
– Quand la baisse a-t-elle commencé ?
– Est-ce une baisse générale ou concerne-t-elle des produits spécifiques ?
– Y a-t-il une corrélation avec d’autres facteurs (saisonnalité, campagnes mar-
keting, concurrence) ?
Formulation du problème analytique:
Au lieu de se demander simplement “pourquoi les ventes baissent ?”, l’entreprise peut
formuler des questions analytiques plus précises, comme :
• “Quels sont les produits qui ont subi la plus forte baisse de ventes au
cours des 3 derniers mois ?”
• “Y a-t-il une différence significative dans le comportement d’achat des
clients selon leur segment démographique (âge, localisation) ?”
• “Les campagnes marketing récentes ont-elles eu un impact positif ou
négatif sur les ventes ?”

By WIlson Toussile 5
 Initiation to Big Data

En formulant des questions analytiques précises, l’entreprise peut cibler son analyse de-
scriptive et obtenir des réponses plus pertinentes pour comprendre les causes de la baisse
des ventes et prendre des mesures correctives.

7 Conclusion
L’analyse descriptive est une étape fondamentale dans le processus d’analyse du Big Data.
Elle permet de transformer des données brutes en informations exploitables, révélant des
tendances, des modèles et des anomalies cachées. Grâce à des techniques de visualisation
et des outils de Business Intelligence, l’analyse descriptive facilite la compréhension des
données historiques et offre une vue d’ensemble des événements passés.
Bien qu’elle se concentre sur le passé et ne permette pas de prédire l’avenir, l’analyse
descriptive pose les bases pour des analyses plus avancées, comme l’analyse prédictive et
prescriptive. Elle est un outil précieux pour la prise de décision éclairée dans de nombreux
domaines, du commerce de détail à la santé, en passant par la finance et l’industrie.
Maîtriser l’analyse descriptive est donc essentiel pour tirer pleinement parti du poten-
tiel du Big Data et exploiter la puissance des données pour améliorer les performances,
optimiser les processus et innover. En investissant dans les compétences et les outils
nécessaires, les organisations peuvent se positionner pour réussir dans un monde de plus
en plus data-driven.

8 Exercice: QCM
1. Quel est l’objectif principal de l’analyse descriptive ?
□ a. Prédire les événements futurs.
□ b. Décrire les données historiques.
□ c. Prescrire des actions à entreprendre.
□ d. Optimiser les processus métier.

2. Laquelle de ces affirmations est vraie concernant l’analyse descriptive ?

□ a. Elle se concentre sur l’avenir.
□ b. Elle utilise des algorithmes d’apprentissage automatique.
□ c. Elle permet d’identifier les tendances et les modèles.
□ d. Elle est la forme la plus complexe d’analyse de données.

3. Quel type de question l’analyse descriptive cherche-t-elle à répondre ?

□ a. Que va-t-il se passer ?
□ b. Que s’est-il passé ?
□ c. Que devons-nous faire ?
□ d. Pourquoi cela s’est-il produit ?

4. Laquelle de ces techniques n’est PAS couramment utilisée en analyse de-

scriptive ?
□ a. La régression linéaire.

By WIlson Toussile 6
 Initiation to Big Data

□ b. L’agrégation de données.
□ c. La visualisation de données.
□ d. Le calcul de statistiques descriptives.

5. Quel outil est souvent utilisé pour la visualisation de données en analyse

descriptive ?
□ a. TensorFlow.
□ b. Tableau.
□ c. Hadoop.
□ d. Spark.

6. Lequel de ces éléments est un exemple d’analyse descriptive ?

□ a. Prédire le taux de désabonnement des clients.
□ b. Déterminer le prix optimal d’un produit.
□ c. Identifier les produits les plus vendus.
□ d. Recommander des produits aux clients.

7. Qu’est-ce qu’une anomalie en analyse descriptive ?

□ a. Une valeur aberrante dans les données.
□ b. Une tendance saisonnière.
□ c. Une corrélation entre deux variables.
□ d. Une prédiction future.

8. Quel est l’avantage principal de l’analyse descriptive ?

□ a. Sa capacité à prédire l’avenir.
□ b. Sa simplicité et sa facilité de compréhension.
□ c. Sa complexité et sa précision.
□ d. Sa capacité à prescrire des actions.

9. Quelle est la limite principale de l’analyse descriptive ?

□ a. Elle ne peut pas être utilisée avec de grands ensembles de données.
□ b. Elle ne peut pas identifier les tendances et les modèles.
□ c. Elle ne peut pas prédire l’avenir.
□ d. Elle est trop complexe à mettre en œuvre.

10. Dans quel domaine l’analyse descriptive est-elle couramment utilisée ?

□ a. La recherche médicale.
□ b. Le marketing et la vente.
□ c. La finance.
□ d. Toutes les réponses ci-dessus.

11. Laquelle de ces affirmations est fausse concernant les techniques de visu-
alisation en analyse descriptive?
□ a. Elles aident à identifier des tendances et des modèles dans les données.

By WIlson Toussile 7
 Initiation to Big Data

□ b. Elles permettent de communiquer les résultats de manière claire et concise.

□ c. Elles sont uniquement utilisées pour l’analyse descriptive et non pour d’autres
types d’analyses.
□ d. Elles peuvent être utilisées pour explorer des données avant de réaliser des anal-
yses plus poussées.

12. Qu’est-ce qu’un tableau de bord en analyse descriptive?

□ a. Un outil permettant de visualiser des données clés sous forme de graphiques et
d’indicateurs.
□ b. Une technique statistique pour identifier des anomalies dans les données.
□ c. Un algorithme d’apprentissage automatique utilisé pour la prédiction.
□ d. Un type de base de données NoSQL.

13. Laquelle de ces mesures n’est PAS une statistique descriptive courante ?

□ a. Moyenne.
□ b. Médiane.
□ c. Écart-type.
□ d. Précision.

14. Quel est l’intérêt de segmenter les clients en analyse descriptive ?

□ a. Prédire leur comportement futur.
□ b. Mieux comprendre leurs besoins et leurs caractéristiques.
□ c. Automatiser les interactions avec les clients.
□ d. Optimiser les campagnes marketing en temps réel.

15. L’analyse descriptive peut-elle être utilisée pour détecter des fraudes ?
□ a. Oui, en identifiant des transactions suspectes ou des comportements anormaux.
□ b. Non, l’analyse descriptive ne peut pas être utilisée pour la détection des fraudes.
□ c. Uniquement si les données sont structurées.
□ d. Uniquement si l’on utilise des algorithmes d’apprentissage automatique.

16. Lequel de ces outils est un système de gestion de bases de données rela-
tionnelles (SGBDR) ?
□ a. Hadoop.
□ b. MongoDB.
□ c. MySQL.
□ d. Cassandra.

17. Qu’est-ce que le data mining ?

□ a. L’extraction de connaissances à partir de grands ensembles de données.
□ b. La visualisation de données sous forme de graphiques.
□ c. Le stockage de données dans le cloud.
□ d. La création de tableaux de bord interactifs.

By WIlson Toussile 8
 Initiation to Big Data

18. Laquelle de ces affirmations est vraie concernant le Big Data ?

□ a. Il est toujours structuré.
□ b. Il est facile à analyser avec des outils traditionnels.
□ c. Il peut provenir de diverses sources (réseaux sociaux, capteurs, transactions).
□ d. Il est uniquement utilisé par les grandes entreprises.

19. Quel est le rôle du data scientist en analyse descriptive ?

□ a. Collecter et nettoyer les données.
□ b. Explorer les données et identifier des tendances.
□ c. Développer des modèles prédictifs.
□ d. Toutes les réponses ci-dessus.

20. L’analyse descriptive est-elle une étape importante dans le processus

d’analyse de données ?
□ a. Oui, elle permet de poser les bases pour des analyses plus avancées.
□ b. Non, elle est optionnelle et peut être ignorée.
□ c. Uniquement si l’on dispose de données volumineuses.
□ d. Uniquement si l’on souhaite prédire l’avenir.

By WIlson Toussile 9