Télécommunications, retail, banque ou encore énergie ; tous les secteurs d’activité sont entrés de plain pied dans l’ère du big data. L’objectif reste le même : analyser des données structurées ou non structurées, afin d’améliorer ses services et augmenter ses revenus. Mais aujourd’hui encore, des idées reçues font de la résistance…

Les données sont plus que jamais la principale préoccupation des organisations : pour les protéger (un peu, si l’on se réfère à la multiplication des fuites de données massives…) et les analyser (beaucoup, si l’on se réfère aux dernières études).

Selon IDC, les revenus logiciels du Big data devraient atteindre 67,2 Md$ cette année. Environ 14 Md$ seront des investissements dans les outils d’analyse. Le Big data devrait afficher une croissance annuelle moyenne de 13,2 %.

Tous les métiers font aujourd’hui de l’analyse de données. N’empêche, il y a encore des mythes qui ont la vie dure.

1Mythe 1 : Les grandes données ne concernent que les grands comptes

L’idée selon laquelle les PME/PMI ne peuvent tirer profit des outils Big data n’a plus de raison d’être. Quels que soient la taille et le secteur d’activité, l’analyse de la data revêt une importance capitale. Toutes les entreprises peuvent bénéficier des avantages des solutions proposées par les principaux fournisseurs de cloud.

Une récente étude a montré qu’Amazon Web Services (AWS) et Microsoft Azure ont les faveurs des personnes interrogées, avec respectivement 67 % et 60 % des réponses (principalement pour la BI et l’analytique).

2Mythe 2 : Gros budget, grosses équipes, grandes plateformes

Cette idée reçue complète la précédente : le Big data serait réservé aux grands comptes. La réalité est qu'il n’est pas nécessaire d’avoir de gros moyens financiers et humains pour profiter de ses atouts.

La capacité de faire tourner des systèmes basés sur le Cloud facilite l’usage des outils d’analytics. Certes, ce projet nécessite un peu d’investissement et de formation, mais cela en vaut la peine. Surtout, si vos concurrents ne le font pas !

3Mythe 3 : Plus de données, c'est mieux

Ajouter plus de données n'est pas toujours la réponse. C’est d’ailleurs, rarement, la bonne ! Certes, on peut penser qu'en ajoutant plus de variables à un projet de prévision, on peut obtenir plus de précision. Ce n'est pas toujours le cas.

Le plus important est de s’appuyer sur les « bonnes » données et des données « propres ». Il est donc judicieux de commencer par améliorer ses processus de données existants. Enfin, plus de données peut augmenter les risques, surtout si vous n'examinez pas constamment vos modèles, n’ajustez pas votre gouvernance des données et n’adaptez pas vos processus.

4Mythe 4 : Les machines sont meilleures que les humains

Cette erreur est encore trop souvent partagée. En réalité, les machines ne peuvent faire que ce qu'un humain leur dit de faire. Même si de nombreuses entreprises affirment que l’intelligence artificielle – ainsi que sa déclinaison le machine learning - et le traitement du langage naturel (NLP) figurent parmi leurs investissements prioritaires, le savoir-faire et l’intuition restent indispensables.

Bien qu'il existe des recherches qui tentent de mettre au point des machines à penser, rien de tel n'est aujourd'hui à la disposition des organisations. Encore une fois, c’est la qualité des données qui prime.