Facebook EmaiInACirclel
Cloud – big data

Différentes étapes pour profiter du Big data

PentaGuy
PentaGuy
Blogger

Il n’y a pas si longtemps, l’une des questions existentielles concernant le Big Data était le stockage et plus particulièrement la croissance exponentielle du volume des données non structurées qui ne rentrent pas dans les bases de données comme les flux vidéo, les présentations PowerPoint, etc. En effet, des pétaoctets et exaoctets de données existent dans différents domaines comme la science, la technologie, le commerce, la défense, les télécommunications, et autres.

Aujourd’hui le paysage concurrentiel a beaucoup changé. Un stockage adéquat est simplement devenu une condition préalable pour trouver les véritables joyaux du Big Data ou pour transformer les données provenant de flux massifs en valeur business. L’idée est de déduire en temps réel de l’intelligence décisionnelle au fil des événements qui génèrent la data.

Toutes les données ne sont pas des données utiles

L’une des étapes indispensables pour maîtriser le Big Data et stimuler la croissance de l’entreprise est de comprendre que toutes les Big Data ne sont pas des données utiles (inférer, inférer et encore inférer). Selon le célèbre statisticien John Tukey des laboratoires AT & T Bell Telephone Laboratories, « les données ne peuvent pas contenir la réponse. La coordination de certaines données et la volonté d’obtenir à tous prix une réponse ne garanti pas d’obtenir un résultat correct qui peut être extrait d’un certains corps de données. ».

Dans une ère de la science centrée sur les données, nous avons maintenant des analyses avancées qui permettent de faire des déductions à partir des données granulaires. Les Inférences transforment les données en connaissances qui se traduisent par une grande transparence et une amélioration du processus.

Lors de l’étape de pré-analyse (évaluation de la nécessité d’instituer des analyses dans le cadre d’une stratégie de données), il est important de se rappeler que les connaissances dont le poids est le plus fort (en termes de décisions) ne sont pas inhérentes aux données en soi. Au contraire, elles doivent être extraites sur la base de règles et d’algorithmes établis.

L’architecture utilisée pour extraire l’information à partir des données existantes doit être à la portée de tous les cadres de l’entreprise. Le Conseil national de recherche du NAS (National Academies State) explique que même « les utilisateurs naïfs » devraient être en mesure de « procéder à une analyse de données massives sans avoir une compréhension complète des systèmes et des utilisations statistiques. » Les data scientists jouent aujourd’hui un rôle indispensable dans l’entreprise, mais les cadres business ne devraient pas simplement se reposer sur eux pour exécuter les analyses et faire les déductions nécessaires à la prise de décisions. Voir Frontiers in Data Analysis Massive (National Academy of Sciences 2013). Comme le dit McKinsey, «Les solutions sophistiquées d’analyse . . . doivent être intégrées dans les outils front-end d’une manière simple et engageante afin que les gestionnaires et les employés du front-end soient aptes à les utiliser tous les jours. « Mobilizing your C-suite For big data analytics (McKinsey & Company 2013).

 

Avoir un CDO est devenu indispensable 

S’intéresser aux données C-level et adopter l’analyse prédictive est une autre étape essentielle. Avec des analyses big data en évolution rapide et des structures d’information de plus en plus complexes, les entreprises et les états ont besoin de ce que McKinsey appelle «EXECUTIVE HORSEPOWER» ou «TOP-MANAGEMENT MUSCLE» derrière ces initiatives d’analyse de données.

Aymeric Libeau en parlait dans son article intitulé « Le Chief Digital Officer or not CDO« , un cadre de niveau C (par exemple, CDO, CTO, CFO) impliqué dans la supply chain ayant un background d’analyste doit avoir l’autorité suffisante pour diriger les centres d’analyse de données. Pour réussir, les analystes ayant une expérience importante doivent avoir une stratégie claire avec des initiatives définies pour obtenir des résultats métiers. Une stratégie d’analyse avant-gardiste doit donc avoir lieu au niveau de l’unité business.

Pourquoi ?

  • Les priorités diffèrent par unité métier (business); le traitement des données dans une unité business peut avoir peu d’utilité dans une autre.
  • Les priorités de gestion doivent renforcer les objectifs de niveau fonctionnel avec des indicateurs (métriques). Un cadre de niveau C qui peut travailler avec les managers de la ligne business et maitriser l’analyse dans la C-suite est aujourd’hui une nécessité.

 

D’autres étapes sont également nécessaires, j’y reviendrai dans un prochain article.


Un commentaire

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *