Romain Chaumais, Co-fondateur d’Ysance et directeur des opérations
La systématisation de l’exploitation des Big Data et son impact positif sur les entreprises ont fait évoluer les mentalités vers et autour de la donnée, laissant place à un phénomène nouveau qu’on appelle, chez Ysance, l’Over Data ; ou quand les données – sans pour autant répondre aux caractéristiques exigées par les Big Data – s’avèrent source de grande valeur pour l’entreprise. Explications…
Plus besoin de présenter l’intérêt des Big Data aux chefs d’entreprises. Son impact plus que positif sur l’organisation, le développement et la croissance de l’entreprise lui a d’ailleurs valu le surnom de « pétrole du XXIème siècle ». De plus en plus data driven, les entreprises sont aujourd’hui nombreuses à se pencher sur ce phénomène et à voir en la donnée le Graal inespéré pour sortir de la crise.
Oui mais voilà, les Big Data entrent dans des critères de volume, de variété et de vélocité (3V) bien précis et tellement importants (voire même hors norme) qu’ils ne concernent finalement qu’une partie des projets d’exploitation de données. Que doit-on faire alors ? Exclure tout bonnement les entreprises dont les cas d’usage n’entre pas dans ces critères ? Ou ignorer cette nuance et continuer à leur donner le titre de projet Big Data au risque de voir s’agrandir encore un peu plus la confusion qu’il y a autour de ce phénomène ?
Certes, non ! Surtout que la démarche de réflexion faite par les entreprises autour des Big Data a fait naître une multitude de projets d’analyse de données qui sans pour autant être de type Big Data ont beaucoup de valeur. Il est donc aujourd’hui nécessaire d’introduire un nouveau niveau d’analyse qui comprend toutes les « autres » données – quel que soit leur volume, fréquence ou format – qui se situent entre les données décisionnelles et les Big Data et qu’on appelle, chez Ysance, l’Over Data.
Il s’agirait de l’exploitation de données plus souterraines (small black data) pour analyser, par exemple, les processus de production et de sécurité via l’activité des systèmes embarqués tels que les badgeuses, les centres d’appels et les solutions domotiques, sa gestion des ressources humaines ou encore son activité sur le web comme l’analyse d’une Fanpage, les citations sur les réseaux sociaux, les visites sur son site internet BtoB, le positionnement de son application sur l’appstore, etc.
Plusieurs entreprises se sont d’ailleurs lancées avec succès dans l’analyse de certains pans de leurs données. On retiendra parmi les cas d’usage les plus célèbres, l’exemple de Google avec la mise en place de son projet « Google M&Ms ». Soucieuse de la santé de ses salariés, l’entreprise a rassemblé des données telles que les distances parcourues ou les aliments consommés à la cantine pour mettre en place des solutions visant à freiner la consommation excessive de M&Ms au bureau. Ou encore, l’initiative d’un constructeur automobile qui a analysé le trajet parcouru et les démarches effectuées par le salarié depuis l’entrée du site jusqu’à la chaîne de production pour optimiser l’arrivée de ressources temporaires en cas d’absence ou de retard d’un ouvrier.
Le champ des possibles est donc infini. Aussi infini que celui des Big Data… Il nécessite toutefois des compétences techniques distinctes. L’approche est certes moins orientée vers l’enjeu de volume – et donc vers les technologies en rupture de type Hadoop – mais la capacité à collecter cette « over » donnée où elle se trouve, à garantir sa qualité et à savoir l’injecter dans des outils opérationnels de l’entreprise, demande un travail complexe et minutieux. Finalement, les méthodes projets sont assez proches de celles des Big Data mais les technologies de récolte utilisées ressemblent davantage à celles de la Business Intelligence (tableaux de bords, bases relationnelles, voire tableaux Excel…).
Un entre deux qui devrait satisfaire, pour commencer, bon nombre d’entreprises leur permettant ainsi de faire, en douceur, leurs premiers pas vers le Big Data…