Génération automatique des dashboards

Automatic generation of dashboards

• Auteur / Autrice : Praveen Soni
• Direction : Gilles Venturini, Cyril De runz, Fatma Bouali
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/10/2021
• Etablissement(s) : Tours
• Ecole(s) doctorale(s) : Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes - MIPTIS
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique Fondamentale et Appliquée de Tours

Mots clés

Mots clés libres

L'intelligence d'entreprise

Visualisations de données

Méthodes d'optimisation

Modèles OLAP

Génération de Dashboard de bord interactifs

Mappages de données

Business Intelligence

Data visualizations

Optimization methods

OLAP models

Interactive dashboard generation

Data mappings

Résumé

La majorité des utilisateurs de DataViz en Business Intelligence peuvent être considérés comme des novices sans expertise ni connaissance spécifique sur la façon de choisir/définir/configurer les visualisations de données. Même les experts les plus avancés dans le domaine ont affirmé que « La visualisation des données est souvent plus un art qu'une science », ce qui souligne les difficultés qui existent lorsque l'on veut automatiser la définition des visualisations. Le problème de la définition d'une visualisation pertinente qui permettra efficacement aux utilisateurs de découvrir des informations et des connaissances à partir de données est présent dans de nombreux problèmes ou interfaces du monde réel. De nombreux aspects doivent être considérés : certains sont liés à l'utilisateur (ses objectifs, son niveau de connaissances, ses expériences passées, etc.) et d'autres sont liés aux visualisations (capacité à représenter efficacement les données, les interactions disponibles, etc.). Si l'on considère ce problème comme un problème de recherche (c'est-à-dire un espace de recherche de visualisations/configurations/mappages de données possibles qui peuvent être explorés avec des opérateurs, et avec une sorte de fonction d'évaluation), alors les méthodes qui peuvent aider les utilisateurs peuvent être classées comme suit : 1) les assistants utilisateurs (heuristiques basées sur des connaissances expertes, ou l'expérience passée de l'utilisateur), 2) des assistants d'exploration (mécanismes d'historique, etc.), 3) des méthodes d'optimisation (utilisation explicite d'une fonction objectif à optimiser et d'une stratégie pour échantillonner les espace de recherche). La thèse sera centrée sur ces approches, avec un accent particulier sur la Business Intelligence, les modèles OLAP et la génération de tableaux de bord. Un état de l'art de l'assistance aux utilisateurs en DataViz et BI sera réalisé, compte tenu des travaux académiques mais aussi des travaux réalisés dans l'industrie (au moins trois contributeurs majeurs). Ensuite, quelques idées seront proposées autour de DataViz, assistant utilisateur, OLAP. Une implémentation et un prototype peuvent être testés. Il y a quelques années, nous avons développé un assistant utilisateur (www.vizassist.fr) dont le modèle pourrait servir de base.

The majority of DataViz users in Business Intelligence can be considered as novices with no specific expertise or knowledge about how to choose/define/configure data visualizations. Even the most advanced experts in the field have stated that “Data visualization is often more an art than a science”, which underlines the difficulties that exist when one wants to automatize the definition of visualizations. The problem of defining a relevant visualization that will efficiently let users discover information and knowledge from data is present in many real-world problems or interfaces. Many aspects must be considered: some are related to the user (her or his goals, level of knowledge, past experiences, etc.) and other are related to the visualizations (ability to efficiently represent the data, available interactions, etc.). If one sees this problem as a search problem (i.e., a search space of possible visualizations/configurations/data mappings that can be explored with operators, and with some sort of evaluation function), then the methods that can help users can be categorized as follows: 1) user assistants (heuristics based on expert knowledge, or user past experience), 2) exploration assistants (history mechanisms, etc), 3) optimization methods (explicit use of an objective function to be optimized and a strategy to sample the search space). The PhD will be centered on those approaches, with a specific focus in Business Intelligence, OLAP models and Dashboard generation. A state of the art in user assistance in DataViz and BI will be done, considering the academic work but also the work done in the industry (at least three major contributors). Then, some ideas will be proposed around DataViz, user assistant, OLAP. An implementation and a prototype can be tested. A few years ago, we develop a user assistant (www.vizassist.fr) which model could be used as a basis.