Ce que permet l'analyse de Big Data

Obtenir de nouvelles informations à valeur ajoutée

Les entreprises consacrent souvent trop de temps et d’efforts à la collecte et au tri des données, mais pas suffisamment à l’analyse de leurs données volumineuses afin d'obtenir des informations commerciales à forte valeur ajoutée. Elles ont besoin de diposer des bons outils pour rendre le processus de préparation des données plus efficace et se concentrer sur leur analyse.

Ce que permet le Big Data

Qu’est-ce que l'analyse de Big Data ?

Voici quelques métaphores qui permettent de répondre à cette question :

  • Si le Big Data était une botte de foin, l'analyse de données permettrait d'y trouver une aiguille.
  • S’il s’agissait d’une immense vague, l’analyse de données serait une planche de surf.
  • S’il s’agissait de bruit, l’analyse de données serait ce qui vous permet de distinguer un son.

Il y a une part de vérité dans toutes ces analogies, mais à moins que la chasse au trésor ne constitue votre activité principale, mieux vaut envisager l’analyse de Big Data en termes d’actions à valeur ajoutée qui permettent de faire évoluer votre entreprise. C’est dans ce domaine que le Big Data rencontre de nombreux obstacles.

Plus précisément, les entreprises consacrent trop de temps, d’efforts et d’argent à la préparation et au chargement des données volumineuses et pas suffisamment aux analyses qui leur permettent d'obtenir des informations qui feront la différence. Pour ce faire, les entreprises doivent sélectionner des outils adaptés pour rendre le processus de préparation des données plus efficace. Cela leur permettra de renforcer considérablement leur « agilité d'analyse ». Ainsi, elles pourront aller au-delà des techniques d’analyse traditionnelles, telles que l’analyse statistique et transactionnelle couramment utilisée pour la segmentation de la clientèle.

De nombreuses formes d’analyse de Big Data

Il est essentiel de noter que l’analyse de Big Data n'est ni une approche ni un outil. Les visualisations de Big Data sont nécessaires dans certaines situations, tandis que dans d'autres, l’analyse de données connectée est l'option la plus adaptée. En effet, cela comporte un risque pour les entreprises qui sont trop centrées sur les applications dans leur manière de penser. Il est préférable d'effectuer certains types d’analyse de données volumineuses dans certains contextes. Comme tant d’autres éléments liés au Big Data, cela se résume aux problèmes et aux objectifs métier. Il est important de se demander si les utilisateurs recherchent :

  • Des schémas temporels ou des visualisations géographiques de données de marché?
  • Des informations sur les processus à partir des logs de machines ou des données des capteurs ?
  • Des corrélations entre les schémas comportementaux concernant un seul produit, plusieurs produits ou un produit qui n’a pas encore été mis sur le marché ?
L’analyse des données volumineuses est souvent liée aux capacités prédictives – afin de trouver une aiguille avant qu’elle ne se perde dans la botte de foin, si vous préférez. En effet, l’analyse de Big Data sert à orienter les moteurs de recommandation habituels sur les sites d'e-commerce les plus plébiscités. Toutefois, il s’agit également de prendre des mesures opérationnelles guidées par la perception du marché. Il s'agit d'approfondir sa compréhension de la structure et de la nature des relations entre les personnes et les processus et définir des modèles qui mènent aux résultats définis par l’utilisateur.

L’analyse prédictive offre un retour sur investissement conséquent

Yahoo! Japon exploite des outils d’analyse de Big Data pour obtenir des informations approfondies sur les comportements des clients, personnaliser ses services et produire des publicités plus ciblées, ce qui lui a permis d'obtenir un retour sur investissement de 100 millions de dollars.

L’analyse de Big Data en action :

  • Tester et échouer plus rapidement – Les responsables de la R&D peuvent tester leurs hypothèses avant de réaliser des investissements conséquents. Par exemple, les produits pharmaceutiques peuvent exploiter l’analyse de données volumineuses pour cartographier les comorbidités des patients afin de déterminer celles qui constituent un risque potentiel lors des essais cliniques de nouveaux médicaments.
  • Trouver de modes de traitement alternatifs « gagnant-gagnant » – En cartographiant des ensembles de données portant sur de nombreux patients et de multiples sources, les fournisseurs et les prestataires de soins peuvent mettre au point des traitements plus efficaces (et plus rentables) – notamment des techniques de gestion de la douleur ou de physiothérapie qui remplacent la chirurgie. Ce qui est bon pour les patients est bon pour les payeurs.
  • Des portraits enrichis de la rentabilité client – Au-delà des indicateurs de risque de désabonnement, il existe un avantage concurrentiel lorsque les équipes marketing savent distinguer les clients valent la peine d’être gardés grâce à des programmes de fidélisation très intéressants des personnes qui passent leur temps à marchander et qui devraient être orientés vers la concurrence.
  • Modélisation pour les événements catastrophiques - Les assureurs peuvent appliquer aux données volumineuses des techniques de modélisation de pointe pour ajuster les réserves de capitaux avant les scénarios-catastrophes ou pour renforcer leurs capacités de protection contre les fraudes en corrélant leurs données de sinistres.

Les bonnes pratiques en matière d’analyse de Big Data

Quelles sont les bonnes pratiques à adopter dans ce domaine ? Comment les organisations peuvent-elles faire de ces modes de pensée centrés sur l'analyse de données la norme en matière de planification stratégique, d’allocation des ressources et de gestion des performances ?

Ainsi, se doter d'une vaste plateforme dédiée à la découverte de données, plutôt que d’un simple logiciel, est un moyen de s’assurer que les capacités d’analyse sont adaptées à tous les types de données, des données transactionnelles et opérationnelles hautement structurées aux données non structurées, semi-structurées et multistructurées. Une vision « écosystémique » des environnements d’analyse capable d'intégrer des composants open source est une bonne manière de bénéficier d'une vue d'ensemble.

S'il est vrai que l’analyse de Big Data permet aux entreprises d’extraire des informations plus approfondies que jamais sur les clients et de repérer des schémas auparavant indistingables, l'objectif final des entreprises réside dans la manière dont ces informations conduisent à la création de modèles qui améliorent réellement l’activité.

Big Data : une vision contre-intuitive

Le Big Data ou toutes les données ? En quoi le contexte des données est-il important ? Découvrez les opinions de différents experts du secteur, avec Ray Wang de Constellation Research, Martha Bennett de Forrester, Mark Smith de Ventana Research et Blake Johnson de Stanford, sur les nouvelles manières de voir les données « volumineuses » au sein de votre entreprise, quelle que soit la taille ou le volume des données.

Découvrez comment Teradata peut vous aider à tirer le meilleur parti de vos analyses de Big Data.