Infographic with icons related to data

Quelles différences entre le « big data » et l’Analytique ?

Le « big data » et l’Analytique sont sans doute deux des notions les plus à la mode dans le domaine de l’informatique à l’heure actuelle, mais restent souvent des disciplines bien mal comprises, à commencer par leur définition. Le « big data » ne se contente pas de traiter de vastes quantités de données, comme son nom l’indique : ce qui compte, c’est aussi la variété dans les types de données utilisées, et dans certains cas, traiter la vitesse à laquelle les données émergent permet également d’obtenir des informations capitales.

Le terme « Analytique » quant à lui renferme encore certaines ambiguïtés, de sorte qu’il englobe à présent le terme de BI (Business Intelligence), ce dernier devenant peu à peu un acronyme du passé, ainsi que les nouvelles technologies qui nous permettent de prévoir les événements futurs et de préconiser des réponses pour y faire face.

Dans notre domaine, l’association du « big data » et de l’Analytique nous permet théoriquement d’anticiper quand une salle de réunion sera disponible, combien d’employés seront présents au sein de votre installation le jour qui suit et leur menu préféré au déjeuner ; tout cela mis en évidence par les probabilités. Pour ce qui est de la gestion des actifs, les prévisions d’inefficacité et de défaillance s’y rapportant peuvent vous aider à réduire considérablement les temps d’interruption et ainsi éviter les coûts inutiles.

Mais revenons d’abord à l’essentiel : que permet le « big data », et surtout, que ne permet-il pas ? Qu’est-ce que l’Analytique, et comment l’appliquer ?

Les fondamentaux

Gartner définit le « big data » comme suit : 

« Des données au volume, à la vélocité et à la variété conséquents, exigeant un traitement innovant et rentable de l’information pour en améliorer la visibilité et favoriser la prise de décisions. »

En suivant cette définition, c’est sans surprise que nous comprenons la référence faite à de grandes quantités de données (le Volume) dérivées du terme « big ». Et de nos jours, nous en stockons des quantités presque inconcevables. Prenons un exemple : en 2020, on prévoit la création de 40 zettabytes de données, c’est-à-dire plus de 300 fois la quantité créée en 2006. Toutefois, il ne s’agit là que d’un seul élément (parmi l’ensemble des « V » que nous définirons par la suite) qui caractérise le terme « big » dans « big data ».

Les autres éléments auxquels Gartner fait référence sont la Variété, c’est-à-dire les différents types de manifestations ou de formats de données disponibles, allant de la vidéo aux données statiques, puis la Vélocité, soit la vitesse fulgurante à laquelle les données deviennent disponibles, et enfin et surtout, la Véracité. Ce dernier « V » fait référence à l’incertitude des données. Car plus il y a de données, plus les modèles deviennent significatifs, mais plus il est difficile d’identifier les erreurs. Néanmoins, la plupart des scientifiques s’accordent à dire que cela ne poserait pas de problème, car il serait toujours possible de tirer des conclusions représentatives de ces données.

L’Analytique

De nos jours, les organisations recueillent d’énormes volumes de données, en particulier lorsque des équipements ayant recours à l’Internet des objets (IoT) sont installés. Les possibilités d’étude et d’analyse de ces données sont étourdissantes. C’est fort de cette information que vous me demanderez alors, « mais que faut-il donc analyser ? » De fait, cette question est tout aussi fondamentale pour la mise en place d’approches d’analyse que pour le type de données à acquérir. Lorsqu’il faut analyser la capacité et le taux d’occupation des salles de réunion disponibles afin d’anticiper la demande future, on a besoin d’une vue d’ensemble du nombre de salles de réunion, des réservations et, le cas échéant, du taux réel d’occupation sur les 15 dernières années.

Afin de bien appliquer l’Analytique, il est important de garder à l’esprit les éléments de la liste qui suit.

  • Commencez par hiérarchiser les besoins de votre entreprise.
    Toute (nouvelle) activité d’analyse implique un investissement (en temps, en outils), il faut donc vous assurer que celui-ci soit axé sur les enjeux qui dégageront une réelle valeur ajoutée.
  • Évaluez-les par rapport aux données disponibles.
    Vérifiez s’il existe des ensembles de données fiables d’analyses sur les besoins actuels de votre entreprise. Il est possible que vous ne disposiez pas d’assez de données sur les besoins prioritaires, mais qu’en revanche vous disposiez de données pertinentes vous permettant d’analyser une autre situation. Il s’agit vraiment ici de vous essayer à un exercice d’équilibre entre coût et bénéfice.
  • Commencez petit et réitérez.
    Essayez d’obtenir des résultats rapides qui n’apportent qu’une partie de la valeur ajoutée prévue. En génie informatique, on appelle cette approche le « produit minimum viable », ou selon son acronyme anglais « MVP ». Puis, petit à petit, vous étendrez l’analyse. L’expérience montre que cette approche itérative est une source d’apprentissage « sur le tas ». À mesure que vous découvrez ce qui fonctionne bien ou moins bien, vous êtes dans la capacité de changer d’approche rapidement.

Parfois, on ne sait pas qu’on ne sait pas ! Mais de bons projets d’analyse vous donneront les réponses à des questions que vous n’aviez même pas envisagées. Si vous avez accès à un grand nombre de données, les outils analytiques vous permettront d’aller à la recherche des corrélations possibles entre les différents facteurs apparaissant dans vos ensembles de données.

L’Analytique fait référence aux processus d’examen, de collecte, d’analyse et de transformation du « big data » pour en tirer les informations utiles qui se cachent dans les données. L’objectif est de tirer des conclusions et de résoudre les éventuels problèmes. Cependant, l’Analytique n’est pas seulement un outil grâce auquel vous pouvez analyser un événement passé avec des données passées, elle vous permet également de décrire des modèles futurs avec les données d’aujourd’hui. Gartner divise donc cette discipline en quatre catégories différentes :

  • l’Analytique descriptive décrit la situation actuelle comme elle est.
  • l’Analytique diagnostique permet de comprendre pourquoi des événements et des modèles particuliers se réalisent.
  • l’Analytique prédictive, comme expliqué précédemment, permet d’anticiper le comportement futur en s’appuyant sur des données passées.
  • l’Analytique prescriptive, en se basant sur les prévisions futures et les données actuelles, vous conseille sur les actions que vous devriez entreprendre.

Quelles sont les différences ?

En résumé, le « big data » fait référence à des ensembles de données non structurées et assez complexes qui nécessitent des outils spécifiques pour les traiter. L’Analytique consiste quant à elle à structurer ces données de manière à les transformer en de précieuses contributions au processus d’analyse. L’émergence du « big data » a conduit à l’apparition d’un nouveau poste dans le domaine du traitement des données : celui de data analyst ou data scientist ; où chercher et comment dégager de la valeur ajoutée du « big data » n’a aucun secret pour eux.

Les applications du « big data » et de l’Analytique

OBien qu’il soit pratique d’avoir à l’esprit une définition claire du « big data » et de l’Analytique, vous devez vous demander comment appliquer ces techniques au sein de votre organisation. Comment pouvez-vous tirer profit des éclairages apportés par l’Analytique ? Quels outils ou logiciels utiliser pour créer de la valeur à partir de vos données ? Nous répondrons à ces questions dans un prochain article. Mais notre conseil est le suivant : commencez petit et apprenez à bien gérer la complexité ; ne vous compliquez pas trop la tâche dès le début.

Souhaitez-vous en savoir plus à ce sujet ? Cela vous intéresse-t-il de découvrir les produits que nous pouvons vous proposer pour gérer vos données ? Téléchargez notre livre blanc ou découvrez ce que notre nouveau produit « Planon Connect pour Analytics » vous réserve.

Erik Jaspers is Global Product Strategy Director.

Erik Jaspers

Global Product Strategy Director

Au cours des 24 dernières années, Erik a travaillé pour Planon à plusieurs postes de direction axés sur le développement des solutions logicielles de Planon. Erik est membre du conseil d'administration de l'IFMA EMEA et membre de l'IFMA.

Partagez cet article