Big Data : poser les bonnes questions pour obtenir les bonnes réponses
Le Big Data est un puissant outil d’aide à la décision, encore sous-exploité par les PME et les ETI. Pourtant le véritable enjeu de ce type de projet est moins technologique que business et opérationnel. Pour faire parler les données, il faut d’abord poser les bonnes questions. Et ensuite pouvoir agir directement sur les résultats obtenus pour identifier les leviers d’actions concrets et prendre les bonnes décisions.
Big Data : l’outil ne fait pas tout
Dans tout projet informatique, l’outil n’est qu’un support à un besoin métier ou opérationnel. La phase amont, d’analyse des besoins, est cruciale pour la réussite
du projet, tant en termes de conception, de déploiement que d’adoption par les utilisateurs. Les projets Big Data n’échappent pas à cette règle. Combinant à la fois des données internes, nombreuses et réparties dans différents systèmes, et des données exogènes, structurées ou non-structurées, le Big Data peut très vite devenir contre-productif si les besoins ne sont pas définis en amont.
Or, dans les PME et ETI, la majorité des projets de Big Data concernent des domaines stratégiques : prévisions de vente, pilotage commercial, évolution de la trésorerie, anticipation du turn-over et du taux d’attrition des clients, etc. Au-delà de l’outil, il est donc crucial d’adopter la bonne méthodologie pour faire parler les données.
L’analyse du besoin, aussi importante que l’analyse de données
Chercher sans savoir ce que l’on cherche peut parfois être porteur de bonnes surprises. De nombreuses découvertes scientifiques l’attestent. Mais en matière de Big Data, la typologie et les volumes des données à traiter sont si larges qu’il faut s’attacher à définir précisément la question à laquelle l’entreprise souhaite avoir une réponse, pour éviter de perdre du temps et d’obtenir des résultats peu exploitables.
En d’autres termes, si l’analyse des données est naturellement au cœur d’un projet Big Data, l’analyse du besoin est cruciale afin de garantir la pertinence des résultats. Une fois le besoin précisément défini, vient ensuite l’étape de la maquette, à savoir la façon dont seront restituées les données. Ou autrement dit, l’ergonomie de l’application décisionnelle. Cette phase nécessite d’impliquer les différents départements de l’entreprise concernés. Par exemple, dans le cas d’un projet Big Data visant à anticiper l’évolution du volume des ventes, la maquette sera soumise à la direction commerciale et/ou générale, puis ajustée en fonction de leurs retours jusqu’à ce qu’elle obtienne l’adhésion de tous.
Le Data Scientist peut ensuite passer aux étapes d’analyse et de gestion des données internes et externes disponibles, à partir desquelles il va pouvoir modéliser un premier modèle prédictif, sans a priori ou, autrement dit, sans présupposer du résultat. Ce modèle mathématique, réalisé à partir d’un échantillon de données est affiné par itérations jusqu’à sa finalisation. Ce n’est qu’une fois ces étapes réalisées que le projet technologique en lui-même, à savoir la connexion à l’ensemble des sources de données, la mise en œuvre d’un environnement de données propre et l’analyse des données, peut réellement démarrer.
Pilotage prédictif : des données actionnables
Les outils de Big Data facilitent la prise de décision rapide et éclairée. Ils rejoignent en cela la Business Intelligence, déjà utilisée depuis de plusieurs années par les PME et les ETI. Mais le Big Data va bien plus loin et permet de répondre à trois questions : où en sommes-nous ? Où allons-nous ? Comment influer sur certaines données pour atteindre ses objectifs : amélioration de la trésorerie, augmentation des ventes, fidélisation des clients et des collaborateurs, etc.
C’est sur ces deux derniers points que le Big Data distance la BI traditionnelle : au-delà de l’analyse des données existantes, le Data Scientist, au travers d’algorithmes prédictifs modélisés en fonction des besoins et des spécificités de l’organisation, peut simuler et évaluer les résultats de décisions, telles que le choix de renforcer les équipes commerciales sur un secteur donné, d’augmenter le nombre de rendez-vous par mois, de constituer une équipe dédiée au suivi des clients existants ou de mettre en œuvre des actions de formation, anticiper les besoins pour mieux piloter votre masse salariale par exemple. Au-delà de l’analyse et la data visualisation (dataviz) des données, le Big Data aide ainsi à déterminer les décisions et actions concrètes à opérer, en adéquation avec les orientations stratégiques et les objectifs opérationnels de l’entreprise.
Dans tous les cas, les modèles mathématiques mis en œuvre ont vocation à évoluer en permanence pour un pilotage prédictif qui s’adapte en continu aux changements endogènes et exogènes de chaque entreprise.