Le document traite de l'exploitation des données pour créer de la valeur business, en soulignant l'importance de l'analyse de données massives dans divers secteurs tels que la grande distribution et les technologies. Il mentionne les défis liés au big data, notamment l'analyse des données non structurées et la nécessité d'impliquer des experts métiers pour garantir une exploitation efficace. Enfin, il propose des recommandations pour réussir les projets big data en se concentrant sur des objectifs précis et en croisant différentes sources de données.

1. Comment donner une valeur « business » à
vos données
Les données produites, les applications métiers, les réseaux sociaux, l’Open Data et autres sources
sur Internet sont aujourd’hui innombrables. Elles peuvent apporter des avantages concurrentiels et
générer des économies mais nécessitent l'expertise humaine pour en tirer parti.
Prédire l’achat d'un produit ou d’un service, analyser les corrélations qui conduisent à un incident
pour mettre en place une maintenance préventive adéquate, analyser les comportements pour
limiter la fraude en ligne. Ce ne sont que quelques aspects de l’intérêt de l’analyse de données
massives, dontle Big Data est emblématique. Encore faut-il savoir ce que l’on veut en faire car il
existe de nombreux biais et erreurs possibles dans l’interprétation des résultats. Les deux secteurs
d’activité les plus avancés dans la collecte et l’analyse de données sont la grande distribution et
les TMT (Technologies, Médias, Télécoms) car ils disposent d’une connaissance des clients très
pointue et de stratégies de segmentation marketing avancées.
David Jonglez, directeur du business dévelop pement d’Esri, pointe l’intérêt de valoriser des
données d’entreprise à caractère géographique (adresses des clients, fournisseurs, tracés des
canalisations, emplacement de vannes, etc.) avec des outils adaptés. « Correctement mises en
valeur, les données permettent de mieux comprendre et sont une aide à la décision pour les
collectivités et les entreprises », explique-t-il. Outre les solutions sophistiquées, un simple outil tel
que le tableur Excel peut cartographier des données socio-économiques en lui associant un plugin
tel que Esri Map For Office. « Dans les villes, la gestion des capteurs placés sur la voirie ou les
objets est coûteuse. L’utilisation de données existantes et de celles issues de smartphones peut
produire de puissants modèles utilisables », ajoute David Jonglez.
Exploiter les données issues des réseaux sociaux et des blogs
Facebook, Twitter et autres réseaux sociaux, sites et blogs sont des espaces dans lesquels les
utilisateurs s’expriment en confiance dans un groupe aux intérêts communs. Les marques y
détectent des tendances, anticipent des comportements, surveillent leur image. Autant de sources
de données qui sont exploitées par les sociétés. Anne-Cécile Guillemot, cofondatrice de Dynvibe,
une start-up spécialisée dans la veille sur les médias sociaux (Social Media Intelligence) précise :
« Nos clients nous demandent si un nouveau produit est bien perçu sur Internet, comme l’Oréal
avec son dernier shampoing sec. Autre exemple, Disney France veut mesurer le buzz à propos de
la sortie d’un film en France, un mois avant sa sortie nationale. Si le buzz est très fort, la
promotion du film est plus réduite ».
Pour une exploitation optimale des données straté giques, une entreprise doit faire le point sur les
échanges entre ses différents services, RH, DSI, commercial, marketing. La présence
Tous droits de reproduction réservés
URL : http://www.gpomag.fr/site/
PAYS : France
TYPE : Web Grand Public
11 mai 2015 - 16:54 Cliquez ici pour accéder à la version en ligne

2. d’informations incohérentes et de formats hétérogènes nuit au bon fonctionnement de processus
métiers. D’où la nécessité d’identifier d’abord les données spécifiques à l’entreprise (coordonnées
clients, produits, informations financières, etc.). Ensuite, il faut définir les rôles et les droits
d’accès de chacun sur ces données.
Le Big Data cherche encore ses marques. Une étude détaillée du cabinet Ernst & Young, parue en
novembre 2014
(www.ey.com/FR/fr/Services/Advisory/EY-etude-Big-data-2014-10-freins-identifies), décrit les
freins au développement du Big Data. En particulier, la difficulté à analyser les données non
structurées (e-mails, livres blancs, formats multiples, etc.), le manque de compétences analytiques
et la carence d’outils de traitement des données. La notion de confiance avec les clients, relative
au traitement des données personnelles, est un enjeu majeur. L’absence de mesure du retour
d’investissement est aussi une contrainte. Deux tiers des entreprises françaises considèrent que le
Big Data est un paradigme intéressant mais encore difficile à assimiler par les entreprises. Selon
Bruno Perrin, responsable du secteur Technologies, Medias, Télécoms en France d’Ernst &
Young, « la deuxième révolution du Big Data sera celle de l'exploitation des données non
structurées et de l'Open Data ».
Les données structurées (factures, profils clients, tableaux de performances, etc.) sont détenues
par la direction administrative et financière et à moindre titre par la direction des ressources
humaines. La direction administrative et financière dispose aujourd’hui d’un savoir-faire unique
dans l’entreprise pour traiter ce type d’informations.
L’analyse des données en temps réel et le prédictif ne sont pas encore au rendez-vous mais les
projets Big Data, avec des attentes fortes, commencent à démarrer tels ceux lancés par les
assureurs MMA, MAAF et GMF, Carrefour ou des PME comme le laitier Tribalat.
Serge ESCALÉ
A retenir
Big Data : 8 points clés pour bien réussir un projet
1. Big Data : un projet, pas un outil !
L’exploitation des données internes ou exogènes doit répondre à des
objectifs précis et apporter de la valeur métier.
2. Poser les bonnes questions
Pour obtenir les bonnes réponses, il faut comprendre et anticiper les
comportements afin de prédire les achats d’un produit ou d’un service,
analyser les comportements pour limiter la fraude en ligne, etc.
3. Commencer avec les données internes
Les données internes d’une entreprise sont une mine d’or mais
beaucoup de projets n’arriveront pas à terme en raison d’un manque
de travail de fond sur la structuration de référentiels de données.
4. Enrichir et croiser les données existantes
Des tendances peuvent être dégagées en analysant, par exemple, les dates propices à un achat en
ligne et en les croisant avec la distance aux soldes, les jours fériés, les promotions, etc.
5. Enrichir les modèles avec des données exogènes
Il existe de nombreuses données exogènes (météo, données Insee, réseaux sociaux, etc.). Le rôle
des Data Scientists est de déterminer les données réellement pertinentes.
6. Impliquer les experts métiers
Il faut intégrer les données issues du système d’information (nombre de pages vues, temps moyen
passé, panier …) et du marketing (campagnes de publicité, marketing direct).
7. Déverrouiller les paradigmes humains ou ne pas présupposer du résultat
Des modèles mathématiques identifient les indicateurs les plus pertinents pour identifier des axes
d’analyse qui n’auraient pas été nécessairement pris en compte par les experts métiers.
8. Rester agnostique pour transformer le Big Data en Smart Data
Il faut s’appuyer sur l’intelligence humaine. Le prédictif est promis à un bel avenir pour sa
capacité à faire de la donnée un véritable avantage concurrentiel.
Extrait des conseils de Nicolas Odet, directeur général adjoint du Groupe Hardis
Tous droits de reproduction réservés
URL : http://www.gpomag.fr/site/
PAYS : France
TYPE : Web Grand Public
11 mai 2015 - 16:54 Cliquez ici pour accéder à la version en ligne

3. • Comment sécuriser vos informations dans le Cloud
• Loi Hamon : quelle valeur ajoutée pour le e-commerce ?
Tous droits de reproduction réservés
URL : http://www.gpomag.fr/site/
PAYS : France
TYPE : Web Grand Public
11 mai 2015 - 16:54 Cliquez ici pour accéder à la version en ligne