Définition du Big Data

Selon Wikipédia, le terme Big Data « désigne les ressources d’informations dont les caractéristiques […] imposent l’utilisation de technologies et de méthodes analytiques particulières […] et qui dépassent en général les capacités d’une seule et unique machine. » Chez Teradata, le Big Data se définit souvent à partir de divers différents termes en « V » – volume, variété, vélocité, variabilité, véracité – qui caractérisent collectivement la complexité et la difficulté liées à la collecte, au stockage, à la gestion, à l'analyse et à l'exploitation de ces données pour générer le plus important « V » de tous : la valeur. Face aux enjeux colossaux de l’environnement économique actuel, les entreprises leaders sur le marché – qui se démarquent, sont plus performantes et s’adaptent plus rapidement aux besoins de leurs clients que leurs concurrents – s'appuient sur l’analyse du Big Data. Elles savent comment associer l’exploitation ciblée et systématique du Big Data à des outils d'analyse de données pour dévoiler des opportunités qui leur permettent d’obtenir de meilleurs résultats.

Pour les entreprises matures, l’analyse du Big Data combinée à l’intelligence artificielle (IA) ou au machine learning permet de résoudre des problèmes encore plus complexes :

Expérience client : gagner un avantage concurrentiel en se concentrant sur les clients et l’optimisation de leur parcours.

Transformation financière : créer de la valeur pour l’entreprise et générer un apport stratégique à travers des processus financiers et comptables.

Innovation produit : créer et reproduire des produits plus sûrs, plus prisés et plus rentables.

Minimisation des risques : réduire au minimum l’exposition aux fraudes financières et aux risques liés à la cybersécurité.

Optimisation des actifs : optimiser la valeur des actifs en exploitant les données issues de l’Internet of Things (IoT) et des capteurs.

Excellence opérationnelle : maximiser les performances en s’appuyant sur les collaborateurs, les équipements et d'autres ressources.

Comment exploiter efficacement le Big Data ?

Le Big Data est souvent défini comme un ensemble de données trop volumineuses et complexes pour être manipulées ou interrogées au moyen d’outils classiques. Même les entreprises pleinement engagées dans l’exploitation du Big Data, qui sont conscientes de leur intérêt économique et sont prêtes à aller au-delà du stade de « projet d'étude », doivent déterminer comment les exploiter efficacement.

En raison de l'exposition médiatique et de la perplexité suscitée par le grand nombre des solutions technologiques et des fournisseurs dans le domaine du Big Data, il est difficile de sélectionner la bonne solution. L’objectif doit être de concevoir et de mettre en place un environnement de Big Data économique et simple, mais aussi suffisamment stable, intégré et évolutif pour permettre véritablement à l’ensemble de l’entreprise de se reposer sur les données et leur analyse. Il s’agit de parvenir à un stade où la puissance et l’analyse du Big Data sont mises à la disposition de toutes les divisions de l’entreprise qui en ont besoin. Le tout doit s'appuyer sur les infrastructures, les flux de données et les outils utilisateurs nécessaires à la découverte d'informations créatrices de valeur, à l’optimisation des décisions et à la résolution des problèmes métier réels.

Le Big Data en tant que moteur

Pour commencer, il est essentiel de percevoir le Big Data comme un moteur. Afin de maximiser les performance, il importe d’assembler les bons composants de manière fluide, stable et durable. Ces composants sont les suivants :

Sources de données : systèmes opérationnels et fonctionnels, fichiers logs de machines et capteurs, sites Internet, réseaux sociaux et bien d'autres.

Plateformes, entrepôts et plateformes de découverte de données : capture et gestion des données avant – étape essentielle – leur conversion en informations clients et en actions.

Outils et applications du Big Data en matière d'analyse de données : interface « front-end » utilisée par les dirigeants, les analystes, les managers et autres responsables pour accéder aux informations clients, aux modèles de scénarios, accomplir leurs différentes tâches et gérer l’entreprise.

À ce stade, il s’agit de canaliser et d’exploiter toute la puissance des ressources de Big Data afin de créer de la valeur pour l’entreprise. Pour que l’ensemble fonctionne, cela nécessite une vision stratégique et une architecture réfléchie de Big Data, qui non seulement examinent les flux et les référentiels de données actuels, mais prennent aussi en compte les objectifs spécifiques de l’entreprise et les tendances du marché sur le long terme. Autrement dit, il n’existe pas de formule unique pour tirer profit du Big Data.

Étant donné que le volume du Big Data ne peut qu'augmenter à l’avenir, ces infrastructures doivent être perçues comme une base pour les futures opérations. Certes, cela nécessite d'investir. Cependant, de nombreuses entreprises visionnaires et pionnières en matière de Big Data sont parvenues à une conclusion étonnante (et quelque peu contre-intuitive) : la conception d'un l’environnement de Big Data adéquat peut générer des économies. Autre agréable surprise : ces économies peuvent être considérables et relativement rapides.

Il est essentiel de noter que, moyennant la mise en place de cadres flexibles, les technologies et programmes de Big Data peuvent soutenir diverses divisions de l’entreprise et améliorer l’ensemble de ses opérations. Dans le cas contraire, le risque de voir les projets de Big Data même les plus avancés et ambitieux aboutir à des investissements à perte est bien réel. Selon les estimations de Gartner, 90 % des projets Big Data ne peuvent pas être exploités ou déployés au sein de l’entreprise. L’avenir dans ce domaine appartient aux 10 % qui, aujourd’hui et depuis longtemps, ont décidé de voir les choses en grand.

Caractéristiques des environnements de Big Data les plus efficaces

Utilisation intégrée des ensembles de données : la majeure partie des bénéfices découle de la combinaison et la confrontation d’ensembles de données, c’est pourquoi l’analyse ne saurait permettre l’innovation en l’absence d’intégration.

Flexibilité et faible coût : l’objectif est ici de réduire la complexité et le coût, avec suffisamment de flexibilité pour s’adapter aux besoins futurs, qui seront à la fois de plus grande ampleur et plus ciblés vers des groupes d’utilisateurs spécifiques.

Stabilité : la stabilité est indispensable car les volumes de données sont massifs, alors que les utilisateurs doivent pouvoir y accéder et interagir avec eux facilement. À cet égard, la clé réside dans les performances de l’infrastructure pour améliorer celles de l’entreprise grâce au Big Data.

Intégration du Big Data : la variable la plus importante

La réutilisabilité limitée est, dans une large mesure, le résultat d’une mauvaise intégration. En fait, l’intégration est sans doute la variable la plus importante de l’équation pour le succès du Big Data.

Forrester Research estime que 80 % de la valeur du Big Data provient de l’intégration de ces données. L’idée générale est que la plus forte valeur générée par le Big Data doit être directement accessible aux utilisateurs concernés, et que des règles métier et des structures de gouvernance robustes doivent être clairement définies. Des ensembles de données plus approfondies – transactions précédentes et historique client sur le long terme – peuvent se contenter d'un stockage fiable et d'une gestion des données robustes, afin que les data scientists et data explorers puissent les examiner et les modéliser lorsque cela se révèle pertinent.

L’intégration du Big Data est aussi une question d’échelle. Dans ce cas, « Big » signifie global, inclusif et multidimensionnel. Il faut joindre les points, jeter des ponts entre les îlots de données et interconnecter les silos fonctionnels (à défaut de les briser totalement).

Haut degré d’intégration. Écosystèmes bien conçus. Architectures unifiées. Orientation données et analytique. Cette courte liste n’implique pas que chaque composant ou détail technique soit nécessaire au fonctionnement efficace des programmes de Big Data, mais il s’agit assurément de caractéristiques qui font la différence.