Du Big Data au Smart Data
DU BIG DATA AU SMART DATA
Data
Les données sont le nouvel or noir du XXIème siècle.
Le potentiel de la data comme outil de pilotage et de prise de décision stratégique est énorme, mais sommes-nous en capacité de les exploiter ?
Si 88% des décideurs déclarent que le big data est « un sujet digne d’intérêt », seulement 18% des entreprises pensent avoir les compétences nécessaires pour collecter et analyser correctement leurs données1. Il est temps de choisir entre quantité et qualité et passer d’une data brute à une data travaillée.
Du big au smart.
1Étude Cegid Groupe, 25 avril 2018
Le Big Data
Bienvenue dans l’ère du tout numérique !
La transformation digitale a profondément impacté nos modes de vie. GPS, réseaux sociaux, messagerie, plateforme de streaming, navigation web, objets connectés… chacune de nos actions digitales génère aujourd’hui une énorme quantité de données :
des données structurées et des données non structurées.
Cette masse de données, leur variété et la vélocité à laquelle elles sont produites constituent le socle du big data. Cependant le big data va plus loin que ces seules mégadonnées. En effet, à ce stade, celles-ci sont tellement éparses, diverses et volumineuses qu’un cerveau humain ne peut les traiter. L’enjeu du big data est donc de pouvoir collecter ces données hétérogènes, les trier et surtout les exploiter en temps réel ou presque.
Jusqu’à maintenant cette data était principalement utilisée comme outil analytique ou outil de reporting. Elle permettait alors une analyse statistique des actions menées dans le but de prévoir les prochaines. Si les données peuvent toujours servir à évaluer les stratégies, de nombreuses innovations technologiques permettent au big data d’aller encore plus loin et de garantir un véritable avantage concurrentiel. Le secteur de la business intelligence, et ses éditeurs comme Oracle, orientent l’analyse des masses de données vers une analyse prédictive où la data permettrait d’anticiper les évolutions et les tendances du marché, les besoins de maintenance…
L’exploitation du big data ne s’arrête pas là. Associé à d’autres technologies comme le machine learning, le big data tombe dans le prescriptif : certaines tâches de prise de décision ne sont plus assurées par l’humain mais par la machine elle-même.
Mais cela ne s’improvise pas. Pour tirer profit des données, l’investissement dans des solutions big data est indispensable.
Sans cela, ces données resteront une montagne d’informations inexploitables.
L’architecture big data
Cette partie étant particulièrement technique et vaste, nous nous contenterons donc de nous faire l’écho de Microsoft. Une architecture big data permet de gérer l’ingestion, le traitement et l’analyse de données trop massives ou complexes pour les systèmes de base de données traditionnels. Alors à quel moment basculer dans le domaine du big data ? Au-delà des volumes de données à traiter, c’est plutôt le type de datas, les méthodes de collecte et l’utilisation recherchée qui définiront votre besoin d’améliorer vos outils de gestion des données.
Ainsi, il est conseillé d’utiliser des solutions big data pour :
L’architecture
le stockage de données trop volumineuses pour les bases de données traditionnelles
la transformation de données non structurées afin de les exploiter et générer des tableaux de bord
la collecte, le traitement et l’analyse de données en temps réel
L’architecture big data va donc plus loin que le simple entreposage des données. Le big data c’est surtout la valorisation de vos jeux de données via un traitement analytique avancé. Le but du big data est bien en effet de transformer les données en véritable outil décisionnel.
Le Big Data et le marketing
Pour les entreprises, l’intérêt de la data comme outil d’aide à la décision n’est donc plus à prouver. De nombreux secteurs d’activité se sont donc emparés du sujet : industrie, grande distribution, logistique, médical, finance, assurance… Si l’exploitation des données peut concerner tous les départements de l’entreprise, le big data est devenu le fer de lance du marketing. En effet, la connaissance client et la gestion de la relation client ont toujours été au centre des préoccupations des marketeurs. La data est donc particulièrement stratégique pour ces métiers car l’analyse des données consommateurs leur permet de mieux comprendre leurs cibles et de mieux les adresser.
Au-delà de l’accès à un grande quantité de données, la variété des sources et les analyses prédictives sont de vrais atouts pour le marketing.
Le big data permet en effet d’enrichir les données de l’entreprise, celles qui sont par exemple stockées dans les logiciels CRM ou ERP, par 4 nouvelles sources de données :
- Les « logs » ou journaux de connexion sur le site internet officiel de l’entreprise
- Les « insights » issus des réseaux sociaux
- Les données collectées par des entreprises tierces via des formulaires ou des cookies
- L’open data ou données ouvertes
Ces données clients conduisent notamment à une meilleure compréhension du parcours client : analyse de leur comportement sur le site web, historique des achats, avis et recommandations publiés, questions posées au SAV…
Une fois ces données collectées, le recours aux algorithmes prédictifs leur permet d’identifier et surtout d’anticiper les futurs comportements des clients. Grâce à ces informations, les équipes marketing peuvent piloter et déployer des stratégies efficaces et cohérentes avec leurs cibles.
2Étude Pratique Le Groupe, 30 mai 2018
L’utilisation du big data soulève tout de même quelques questions :
La confidentialité des données
Les utilisateurs sont de plus en plus soucieux de la collecte et de l’exploitation de leurs informations personnelles.
L’exploitabilité des données
Finalement de nombreuses informations collectées et archivées ne sont pas utilisées par les entreprises : les dark data. Ce sont les données de géolocalisation, des diagnostics de l’IoT, des rapports d’analyse…
La fiabilité des informations
Le web regorge en effet d’informations erronées. Les analystes de Deloitte ont mené une enquête pour évaluer l’exactitude des mégadonnées : 71% de leurs clients ont déclaré que les données recueillies à leur sujet étaient inexactes3.
3Étude Deloitte, 30 septembre 2019
4https://www.datagalaxy.com/blog/les-mysterieuses-dark-data-en-entreprise/
Alors comment s’assurer de collecter des données fiables et utiles ? Comment optimiser davantage l’exploitation des données pour prendre les meilleures décisions stratégiques ?
Finalement, avons-nous réellement besoin de bases de données volumineuses ?
Le Smart Data
Le smart data est une évolution naturelle du big data.
Alors que le big data privilégie la récupération automatique d’une grande quantité de données, au détriment de la lisibilité, le smart data se focalise sur leur qualité.
Cette nouvelle approche consiste à extraire de l’immense flux de données généré par le big data, les meilleures informations. C’est-à-dire de la donnée intelligente, agile et facile à exploiter.
Ce tri automatisé passe par l’utilisation d’un algorithme. Les données brutes et inexploitables sont alors isolées au profit de données à forte valeur ajoutée.
Les 5 S marquent ce passage du big au smart :
Pour commencer, il convient de définir à quoi vont servir ces données. Quels sont les bénéfices attendus ? Quels vont être les usages concrets de cette data ? La démarche smart data est donc plus proactive. Il faut partir d’un besoin pour cibler les bonnes données.
La sélection est la clé du smart data. Il faut se concentrer sur l’utile et éviter de saturer l’ensemble de la base de données d’informations qui ne seront jamais exploitées.
Pour assurer une meilleure lisibilité de la data, et donc son exploitation, les représentations graphiques, appelées data visualisation, sont souvent préconisées. Elles permettent de représenter une certaine volumétrie, les évolutions ou encore des relations ou liens parfois abstraits.
Vient ensuite l’identification de toutes les sources de données à utiliser. Ces sources peuvent être internes à l’entreprise – CRM, service client, site e-commerce – ou externes – open data, social media… Chacune de ces sources doit avoir un usage clairement identifié.
Passer des données brutes à des indicateurs plus faciles à manipuler est généralement le jeu du data scientist. Ce spécialiste de la data fait appel à divers traitements spécialisés : data quality, dédoublonnage, text mining ou fouille de texte, data mining…
Nous parlerons donc de continuité entre le big et le smart data plutôt que d’opposition, même si aujourd’hui, les spécialistes préfèrent donner la priorité à la qualité plutôt qu’à la quantité.
Le smart data permet donc de répondre à certaines problématiques soulevées au niveau du big data : l’exploitabilité et la fiabilité. Mais qu’en est-il de la confidentialité et de l’éthique des données ?
Le règlement général sur la protection des données ou RGPD semble poser un cadre juridique aux entreprises et à leurs sous-traitants mais n’est en vigueur qu’au sein de l’Union Européenne. Le RGPD a soumis les entreprises françaises à de nouvelles obligations. Cependant, deux ans après sa mise en place, 75% des français le jugent inefficace5.
Alors comment respecter la vie privée des consommateurs et assurer la protection de leurs données tout en conservant l’accès à ces données si stratégiques ?