L’informatique décisionnelle appliquée à l’agriculture.

IV. Informatique décisionnelle et Big Data, vers un modèle hybride

34

A. Comprendre la différence fondamentale entre BI et Big Data

La première différence réside comme nous l'avons évoqué précédemment dans la nature des données, structurée ou non structurée. En effet, en Big Data comme en BI on sait gérer des volumes conséquents de données. La différence principale entre ses deux concepts reste les méthodologies d'analyse des données qu'ils utilisent.

Pour mieux comprendre, considérons les parcours clients suivants :

Premier cas : un client potentiel regarde une publicité d'un produit, le lendemain il visite le site web du produit, puis attend deux jours pour appeler un conseiller et achète le produit le lendemain de son appel.

Deuxième cas : un client achète un produit, dans la même journée il visite le site web, puis il attend trois mois et appel un conseillé et un mois plus tard il regarde la publicité du produit.

Dans ces deux cas, même si le client achète à chaque fois le produit, l'enjeu reste de comprendre les évènements associés à la motivation du client et la séquence par laquelle ils surviennent.

En Informatique décisionnelle le comportement de ses deux clients va apparaitre indécis, volatil, spontané, hors des séquences très précises conformes aux règles métiers mis en place par le markéting pour capturer et pré-orienter le client dans son parcours. L'analyse de ses données ne sera donc pas pertinente au vu des méthodes mises en place.

Du côté du Big Data, ces données vont être stockées en leur appliquant des traitements différents sur la base d'algorithmes mathématiques variés afin de traiter plusieurs problématiques et hypothèses simultanément.

Face à ces comportements, les technologies Big data permettent aussi de mettre en place des phases d'observations des données clients avec des algorithmes d'apprentissage, donc sans à priori, pour tirer des conclusions

pertinentes et des stratégies potentielles à déployer. De la valeur est ainsi créée à partir d'évènements isolés et non pertinents.

B. Les obstacles de la migration vers le Big Data

À l'origine du Big data se trouvent les géants Google et Yahoo. Le système Big data Hadoop de Yahoo compte environ 40 000 machines et 350 péta octets de données pour leur moteur de recherche et leur système de gestion de publicité.

Adopter un projet Big data, ce n'est pas que pencher pour une technologie nouvelle et innovante, cela a aussi un impact direct sur la gestion et la gouvernance de l'entreprise.

En effet, l'approche de l'organisation en silos de l'entreprise ne permet pas un croisement de données de l'entreprise assez suffisant pour favoriser une véritable création de valeur pour un système Big data¹.

Un projet Big data a aussi un cout de mise en oeuvre et long terme non négligeable. Même s'il existe des solutions open source telles Hadoop qui permettent aujourd'hui de se détourner des solutions propriétaires comme oracle, dont rien que les frais de maintenance annuelle sont de l'ordre de 200 000 euros ; il ne reste pas moins que pour bien construire un projet Big data il faut recruter de nouvelles compétences telles que les data-scientists et des data-analysts, ses profils coutent environ 50 000 euros l'année sans charges comprises².

1.

35

Dominique Filoppone, article JDN : Big Data : comment se lancer sans se ruiner.

2. Idem Dominique Filoppone

D'autre part, il y'a aussi la question de la rentabilité qui se pose, en effet, un projet Big data donnera un retour d'investissement satisfaisant dans le long terme. Selon une étude menée par l'Economist Intelligence Unit et ZS auprès de 450 séniors exécutifs, 70 % d'entre eux affirment que les analyses menées avec le Big data sont « très importantes » ou « extrêmement importantes ». Cependant, seul 2 % des exécutifs interrogés disent avoir un impact positif de ses analyses¹.

D'autre part, le manque de données pertinentes, ou l'absence de sources de ces données peut être un obstacle majeur à la réalisation d'un projet Big data.

Aujourd'hui, la technologie dans le domaine du Big data a atteint certes un niveau de maturité fiable, elle reste cependant à ce jour en cours d'exploration pour la grande majorité des entreprises.

Les projets cent pour cent Big data sont plus adoptés par les start-ups qui n'ont pas besoin de centaines de milliers de serveurs ou de dizaine ou centaine profils d'expert en la matière.

36

1. www.lebigdata.fr : Pourquoi les investissements Big Data ne payent pas encore ?