big-data

2015: la révolution du big data

«Le big data, c’est comme le sexe chez les adolescents : tout le monde en parle, personne ne sait vraiment comment le faire, tout le monde pense que tout le monde le fait, donc tout le monde prétend le faire» cette citation de Dan Ariely, professeur de psychologie et d’économie comportementale, est bien le reflet du flou qui entoure aujourd’hui ce concept de Big Data.

Nathalie Lucas Huriau, Digital Business Manager, responsable du pôle Stratégie Digitale de Mediaveille, s’est rendue pour nous au salon Big Data à Paris. Voici son débrief.

Si le big data est annoncé comme le changement technologique des années à venir, force est de constater que nous n’en sommes encore qu’aux prémices. Le big data est pour beaucoup d’entreprises difficile à appréhender tant en terme d’impact sur l’organisation, que de ROI ou d’identification des compétences nécessaires pour le mettre en œuvre.

logo_bd15_logoheader

Définition du big data : les 3 V puis les 5 V

La définition officielle du big data est « données structurées ou non dont le très grand volume requiert des outils d’analyse adaptés ».
Le big data a été caractérisé dans un premier temps par les 3 V: Volume, variété, vélocité Analyser de gros volumes de données, d’une grande variété de formats et de sources et qui peuvent être traitées très rapidement voire même en temps réel. C’est ce volume important de données, le plus grand nombre de sources et la vitesse de traitement qui font la différence avec le traitement classique de données. Avec l’avènement d’internet, chaque individu produit un nombre important de données, que ce soit sur les blogs, les forums, les réseaux sociaux ou les messageries. A cela vient s’ajouter la multiplication des devices utilisés parfois simultanément, desktop, mobile, tablettes et téléviseur qui accroit le nombre d’informations liées à la navigation que l’on peut remonter (pages consultées, produits achetés). On peut également intégrer toutes les données publiques ou privées disponible en open data. Ce flot de données – structurées, semi-structurées ou non structurées – et leur exploitation constituent le big data.
On peut aujourd’hui ajouter les 2 V : Valeur et Véracité = disposer de données fiables, pertinentes et significatives pour donner du sens et de l’intérêt aux analyses menées dans la prise de décision.

Les secteurs les plus sensibilisés aujourd’hui aux problématiques big data sont les TMT (technologies, medias et télécommunications) et les banques.

Quelques chiffres pour mesurer les enjeux

  • Chaque jour on produit dans le monde environ 2.5 milliards d’octets d’informations. De 2013 à 2020, la masse de données de l’univers digital va doubler tous les deux ans.
  • 80% des données des entreprises sont non structurées et seulement 6% sont exploitées (IDC markesslnt 2015)
  • 17% des entreprises françaises sont matures dans l’exploitation de leurs données clients d’après la dernière étude réalisée par Ernst & Young sur le big data

Des champs d’application très vastes

Si le gouvernement américain a été précurseur dans la mise en œuvre de projets big data grâce notamment à un budget de 200 millions de $ pour un fond de recherche dans ce domaine, il existe aujourd’hui des retours d’expériences d’entreprises françaises.

logo sncf

  • La SNCF a créé une nouvelle application qui s’adapte au profil du client : en enregistrant son voyage en train, le client peut être accompagné tout au long de son trajet et être informé sur les correspondances possibles, les numéros de quais, les retards, les services disponibles en gare. Toutes ces données sont envoyées sous forme de notification push sur mobile.

 

  • Pour le secteur humanitaire, les mots clés tapés dans les moteurs de recherche et l’analyse des verbatims sur les réseaux sociaux sont une mine d’informations car ils peuvent révéler l’état d’avancement d’une épidémie ou l’ampleur que prennent les mouvements sociaux. L’observation au niveau mondial de certains sujets fournit ainsi aux Nations Unies un état des lieu en temps réel et leur permet d’adapter et d’améliorer le déploiement des projets humanitaires.
  • Une compagnie d’assurances (Progressive) propose un système d’assurance évolutive qui a mis en place une prime d’assurance « pay as you drive ». L’assuré ne paie pas en fonction des critères classique (puissance du moteur, km, modèle, âge, nombre d’années de permis) mais en fonction du respect du code de la route (limitations de vitesse, feu, stop, ….) et de sa localisation (s’il est dans les bars ….) à condition d’accepter l’installation de capteurs et d système de tracking dans sa voiture.

Un projet big data se construit en 3 étapes

  • 1ère étape : la définition de l’infrastructure qui va permettre la collecte, l’analyse et la segmentation des données disponibles . Cette action centralise les données auparavant gérées d’une manière séparée en s’appuyant sur des technologies et des infrastructures et est réalisée bien souvent dans l’optique de réduction des coûts IT.
  • 2ème étape : le traitement des données consiste à « transformer » les données brutes en données exploitables grâce à l’utilisation d’algorithmes mathématiques auto-apprenants.
  • 3ème étape : l’exploitation des données, notamment dans le domaine du marketing digital.

Un des domaines d’application les plus répandus : le data marketing

Le big data apporte des informations supplémentaires dans la connaissance des clients grâce à l’utilisation du machine learning qui permet de déduire des tendances à partir de l’analyse du passé. La segmentation en temps réel et plus fine des BDD conduit à mettre en place des actions marketing personnalisées en fonction du parcours client. Ces informations qualitatives, qui ne sont pas présentes dans un outil classique de CRM sont pertinentes pour la mise en place d’un marketing prédictif. Les premiers usages sont la personnalisation en ligne de contenus éditoriaux ou de messages et la publicité en temps réel via le RTB.

Pour rendre ces données exploitables et compréhensibles par les décideurs, il est ensuite nécessaire de mettre en place une data visualisation pertinente car au-delà de l’interprétation des données qui permet de déterminer des tendances, cette représentation constitue un outil puissant d’aide à la décision pour la direction générale de l’entreprise.

Le data marketing crée également de nouveaux business modèles comme la data monetization, qui consiste à « vendre » ses données anonymisées ou la data sharing qui permet à des acteurs de s’allier en partageant leurs données pour mieux comprendre ses clients. Une compagnie aérienne a par exemple partagé des données avec une chaîne hôtelière. En identifiant que dans leur processus de réservation de vacances les femmes réservaient d’abord un hôtel puis un vol et les hommes l’inverse, ces acteurs ont pu mettre en place une communication différenciée H/F en s’adressant à leurs prospects.

 

 

Ces articles pourraient également vous intéresser

×
MENU