Accès direct au contenu

English flag English

Recherche avancée

ADBS
L'association des professionnels de l'information
et de la documentation


Vous êtes ici : Accueil > Accéder à la doc professionnelle > Nous avons lu...

Stratégie big data / Thomas Davenport
La Révolution Big Data : les données au cœur de la transformation de l’entreprise / Jean-Charles Cointot, Yves Eychenne

publié le 23 juin 2015

Stratégie big data / Thomas Davenport ; Hervé Soulard (trad.). – Montreuil : Pearson, 2014. – 264 p. – (Village mondial). – ISBN 978-2-7440-6617-7 : 28 €
La Révolution Big Data : les données au cœur de la transformation de l’entreprise / Jean-Charles Cointot, Yves Eychenne. – Paris : Dunod, 2014. – 236 p. – ISBN 978-2-10-071142-0 : 24 €

Analyse de Joachim SCHÖPFEL
joachim.schopfel@univ-lille3.fr

LE DÉFI DU BIG DATA


Ces deux livres s'adressent à un autre public que la revue I2D - Information, données & documents. Ils sont écrits pour des chefs d'entreprise, des managers et cadres supérieurs dans l'industrie et les grands services, pour convaincre de la nécessité d'une stratégie Big data et pour expliquer comment faire. Néanmoins, les lecteurs de la revue I2D peuvent en tirer profit, pour trois raisons.Big Data, késako ?

Tout le monde en parle. Le Big data est mis à toutes les sauces. Difficile d'y échapper. Hier le web et les médias sociaux, aujourd'hui les données. Données publiques, données de la recherche, données ouvertes, big data, small data, smart data, open data, linked data, etc. Autant savoir de quoi il est question. Les deux livres aident à mieux comprendre. Pour Ravenport, Big data est un terme mal choisi, une « expression fourre-tout [qui] désigne des données dont la taille ne permet pas de les caser dans les conteneurs habituels » (p. 1). Trop volumineuses pour tenir sur un seul serveur, dépourvues d'une structure pour être stockées dans des bases de données orientées lignes et colonnes, en constant changement et arrivant en flux permanent sans pouvoir être conservées dans un entrepôt de données statique. Leur complexité réside dans leur manque de structure. La définition est encore plus large chez Cointot et Eychenne. Ici, le terme Big data recouvre « l'ensemble des technologies, des métiers, des approches conceptuelles permettant d'exploiter l'ensemble des données générées par les hommes de façon consciente ou non et par tous les objets connectés ou non » (p. 3). Le lecteur l'aura compris : le Big data désigne davantage un défi à relever qu'un type de donnée particulière.

Pourquoi sy intéresser ?

Les deux livres (notamment celui de Davenport) sont construits sur un argumentaire en faveur des big data. Il faut maîtriser cette énorme masse d'information, « canaliser le flot de données incessant généré en interne ou en externe » (Cointot et Eychenne, p. 3) et en tirer l'information nécessaire à une prise de décision efficace. Même son de cloche chez Ravenport qui voit le Big data dans la tradition des outils d'aide à la décision, de traitement analytique en ligne et de business analytics (p. 11). Il faut s'y intéresser pour deux raisons. D'une part, ces grandes masses d'information non structurée sont devenues une réalité incontournable, à tous les niveaux (réseaux sociaux, vente en ligne, objets, réseaux de communication, etc.), et il faut s'en accommoder. D'autre part, savoir transformer cette information en stratégie de management et de marketing est indispensable pour développer une activité industrielle ou de service. Les deux livres conseillent comment relever le défi du Big Data pour rester compétitif et surpasser les concurrents.

L'impact sur les métiers

Les ressources humaines ne sont pas au centre des deux livres. Mais ils en parlent. Ravenport (dans une traduction pas très heureuse) décrit le profil du nouveau métier de « scientifique des données » (data scientist), avec cinq facettes (p. 89-117). Le data scientist doit être un hacker avec la capacité de coder et de comprendre les architectures technologiques du Big Data ; il doit être un savant, impatient, tourné vers l'action, capable de prendre des décisions dans des situations incertaines et d'improviser ; il doit être un conseiller fiable, doublé d'un bon communicant ; il doit être un analyste quantitatif (statistiques, graphiques, apprentissage automatique, données non structurées) ; et, pour finir, il doit être bon commercial et connaître le secteur et le marché. Des moutons à cinq pattes ? Davenport explique où les trouver, comment les recruter et les retenir. Cointot et Eychenne de leur côté définissent les compétences nécessaires au niveau de l'organisation (p. 91-141). La gestion des données (acquisition, stockage, outils d'analyse) relève des compétences de l'informatique. L'extraction de l'information mobilise de nouvelles compétences qui sont plutôt du domaine mathématique ou statistique - c'est le cœur du métier data scientist qui doit être à l'aise avec les outils et la modélisation, mais capable aussi de comprendre les différents enjeux et besoins (production, marketing, vente, etc.), de visualiser les résultats (infographie) et de les rendre lisibles et intéressants (storytelling). Les auteurs soulignent ici le rôle d'une bonne communication et du management et décrivent, dans un deuxième temps, comment cette démarche changera les différents métiers de l'entreprise (marketing et vente, production et logistique, ressources humaines).

Les deux livres ne font pas le lien entre le profil du data scientist et les métiers de l'information (cf. la contribution de François Lainée dans le n° 1-2015 d'I2D, sur le chief data officer). Pourtant, les parallèles sont là : la compréhension de l'architecture des données, l'extraction de l'information, la maîtrise des outils, la transversalité de la fonction, la représentation des résultats, la communication. Par exemple, l'exploitation des données d'usage en milieu bibliothécaire mobilisera ce genre de compétences. Cela dit, le data scientist est certes une perspective intéressante pour les professionnels de l'information, mais il ne faut pas fermer les yeux sur tout ce qui les sépare, notamment par rapport à la modélisation statistique et mathématique et au codage.


Rédigé par ADBS

mise à jour le 24 juin 2015


L'ADBS sur les réseaux sociaux

NOUS SUIVRE
    

PARTAGER CETTE PAGE

haut de la page

ADBS.fr - Site du premier réseau européen de documentalistes