Rechercher
Contactez-nous Suivez-nous sur Twitter En francais English Language
 

De la Théorie à la pratique











Abonnez-vous gratuitement à notre NEWSLETTER

Newsletter FR

Newsletter EN

Vulnérabilités

Se désabonner

Dark Data : des données précieuses à mettre en lumière

avril 2021 par Raphaël Savy, Vice-Président France et Europe du Sud d’Alteryx

Les Dark Data représentent toutes les données que les organisations possèdent mais qu’elles n’exploitent pas. Ces données se présentent sous toutes les formes, toutes les tailles et tous les types. Elles proviennent de partout : des bases de données d’entreprise vieilles de plusieurs décennies aux informations générées par des smartphones par exemple.

Qu’est-ce que les Dark Data ?

Si les données restent l’un des actifs les plus importants de toute entreprise, malheureusement, seule une fraction en est utilisée aujourd’hui pour générer des informations commerciales. Les Dark Data sont un actif souvent oublié, négligé et probablement l’une des plus grandes ressources inexploitées par les entreprises dans le monde aujourd’hui.

Quelles sont les différences entre Dark Data, données impures, données propres, données non structurées, etc. ?

On peut dire que toutes les données qui ne sont pas analysées sont des Dark Data.

L’analyse de données n’est plus un luxe pour les entreprises, mais une mission essentielle permettant d’obtenir les informations nécessaires à l’amélioration de la prise de décision. La plupart des entreprises ont encore du mal à extraire de la valeur de leurs données et parfois, le plus grand obstacle est la donnée elle-même, car elle est souvent difficile à comprendre.

Les données se présentent sous trois formats courants :

• Données structurées : données traditionnelles stockées dans un format d’enregistrement soigné avec des types de données bien définis tels que des champs fixes numériques et des caractères alphanumériques. Les données structurées constituent la base de la plupart des bases de données existantes et sont relativement faciles à stocker et à gérer.
• Données semi-structurées : chiffres ou caractères non formatés ou faiblement formatés à l’intérieur d’un champ mais avec peu ou pas de structure. Un message sur un réseau social, tel qu’un tweet, est un exemple de données semi-structurées. Les données semi-structurées sont plus complexes à stocker et à traiter que les données structurées.
• Données non structurées : données qui ne sont pas basées sur du texte – des photos, des images ou des fichiers sonores générés par des appareils ou publiés sur les réseaux sociaux. Les données non structurées sont difficiles à gérer car elles sont de grande taille, difficiles à cataloguer, à indexer, et à stocker dans des bases de données.

En réalité, les données dont vous avez besoin ne se trouvent généralement pas dans une base de données prédéfinie, dans un tableau bien rangé et attendant que vous y accéder. Dans la plupart des cas, les données doivent être obtenues à partir de différentes sources afin d’ajouter la profondeur et la portée nécessaires à la meilleure analyse et prise de décision possible. Toutes ces données, quelle que soit leur forme, ont besoin d’être extraites, nettoyées, normalisées, analysées et compilées afin d’effectuer l’analyse.

Dans de nombreux cas, les données les plus précieuses - celles qui peuvent fournir les informations prédictives les plus précises - sont enfouies dans des PDF ou des images, ou peut-être même sous une forme plus abstraite, comme les opinions ou les émotions des clients. Quelle que soit l’origine des données, leur préparation peut devenir l’une des tâches les plus fastidieuses d’une entreprise. Grâce à l’évolution de la technologie, nous assistons aujourd’hui à une vague de systèmes de données plus intelligents et plus accessibles qui permettent l’analyse de ces données de façon automatisée.

Pourquoi y a-t-il autant de Dark Data et d’où viennent-elles ?

L’essor des réseaux sociaux, de l’Internet des objets (IoT) et du Machine Learning a été accompagné d’une quantité impressionnante de données non structurées, impures ou Dark, qui affluent de multiples sources : des pièces jointes de courriels oubliés aux fichiers journaux de serveurs, en passant par les fichiers d’enquêtes bruts, les fichiers d’appels de clients, les anciens documents des employés, les données stockées sur le cloud, les données liées aux appareils, les données financières, etc. La liste est longue.

En fin de compte, les Dark Data rassemblent toutes les données laissées par les processus, éparpillées à tous les niveaux d’une entreprise. Si elles sont négligées et considérées comme inutiles par un département, elles peuvent être très précieuses pour un autre.

Selon une étude récente d’IBM, plus de 80 % de toutes les données sont des Dark Data et non structurées. Quoi qu’il en soit, les Dark Data représentent un potentiel beaucoup trop important en termes de valeur pour être laissées dans l’ombre.

Y aura-t-il encore des Dark Data à l’avenir ou allons-nous voir un déclin de ce type de données ?

IDC prévoit que la quantité de données créées au cours des trois prochaines années sera supérieure à celles créées au cours des 30 dernières années, et que le monde produira trois fois plus de données, ou plus, au cours des cinq prochaines années par rapport aux cinq précédentes. Avec une telle augmentation des données traditionnelles et une augmentation des appareils connectés et portables, nous verrons sans aucun doute une augmentation des Dark Data.

Comme dans n’importe quel domaine d’activité, certaines entreprises exploiteront mieux les Dark Data. Ce seront aussi sans doute celles qui auront déjà maîtrisé leurs défis actuels en matière de données. De façon générale, il est certain qu’à l’avenir, les entreprises apprendront à mieux exploiter leurs Dark Data.

L’un des piliers essentiels d’une analyse réussie des Dark Data est l’optimisation des processus à travers l’automatisation de bout en bout des processus fastidieux et parfois complexes de préparation et de mélange des données associés à l’exploitation des informations issues des Dark Data.

Quels sont les problèmes et les conséquences (y compris en termes de conformité) liés aux Dark Data ?

Avec l’explosion des volumes de données collectées, la quantité de données dépasse aujourd’hui la capacité des systèmes existants à les traiter et à en tirer des résultats utiles. Par conséquent, de nombreuses organisations n’ont d’autre choix que de se concentrer sur des portions étroites des données - une fraction incomplète alors que les solutions exigent un plus grand pourcentage de l’ensemble. Selon McKinsey, les entreprises qui développent le mieux l’analyse se concentrent sur neuf domaines essentiels, dont la collaboration entre les équipes et les services, l’augmentation des investissements dans l’analyse, l’élaboration de stratégies claires, l’utilisation de méthodes sophistiquées (telles que l’analyse avancée), la mise en œuvre d’une solide gouvernance des données ou encore l’habilitation des dirigeants à prendre des décisions fondées sur l’analyse.

Si certaines données doivent être étroitement réglementées pour réduire les risques et garantir la qualité, d’autres sont plus adaptées à une approche collaborative de la qualité et de la gouvernance. En général, plus les données sont partagées (que ce soit en interne et en externe), plus la gouvernance formelle est nécessaire.

Le choix du bon niveau de gouvernance pour chaque type de données et groupe d’utilisateurs est aussi important que le choix de la bonne technologie. Une plateforme d’analyse peut gérer l’accès aux données et les processus d’analyse tout en maintenant la gouvernance des données.

Quelles sont les solutions d’aujourd’hui et de demain ?

Sans doute, les données sont devenues un élément vital pour l’entreprise moderne. Les entreprises de toutes tailles doivent désormais en savoir plus et être en mesure de faire des meilleures prédictions, d’un point de vue stratégique et d’exécution.

Collecter des données est une chose, les assimiler, les comprendre et les transformer en une avancée majeure en est une autre. Pour ceux qui ne disposent que de feuilles de calcul traditionnelles pour les aider, c’est un très gros travail. Si les entreprises reconnaissent la valeur des données, elles doivent savoir que la clé du succès réside dans les collaborateurs et les processus.

L’extraction rapide de données à partir du big data nécessite un nettoyage pour en assurer la qualité et la pertinence, un processus qui prend du temps et réalisé principalement par les travailleurs de la donnée. Ces processus peuvent tous être automatisés grâce à l’utilisation de l’IA et du Machine Learning pour permettre à chaque employé de se concentrer sur l’obtention plus rapidement d’informations beaucoup plus approfondies à partir de leurs données existantes – ce qui révolutionne la vitesse à laquelle ils peuvent prendre des décisions critiques pour l’entreprise. Mais pour que ce niveau d’automatisation soit efficace, il faut une Data science en libre-service dirigée par l’humain.

Il est également nécessaire de libérer le potentiel de chaque employé pour créer et permettre une culture axée sur les données - une culture dans laquelle n’importe quelle question peut être posée sur n’importe quel ensemble de données, par n’importe quel travailleur des données, afin de soutenir la plupart des cas d’utilisation. Pour y parvenir, chaque employé doit être incité à valoriser toutes les données comme un actif pouvant soutenir l’entreprise.

L’utilisation d’une plateforme dotée d’outils en libre-service permettant aux employés d’automatiser les processus analytiques permet à chacun de se lancer dans l’analyse des données, quel que soit son niveau d’expertise. Les collaborateurs, quelle que soit leur discipline, peuvent se perfectionner et apprendre facilement de nouvelles techniques pour utiliser l’analyse prédictive et exploiter rapidement la puissance cachée de milliers de sources de données disparates, automatiser les processus afin de découvrir des informations révolutionnaires exploitables.




Voir les articles précédents

    

Voir les articles suivants