Big data : un intérêt qui ne faiblit pas

Depuis 2012, l’intérêt pour le Big data ne cesse de croître (cf. courbe google trends). Pourtant, faute de disposer d’une définition tangible, la pertinence des usages de cette expression reste, aujourd’hui encore, sujette à interprétation.

Prenons un échantillon de définitions produites par les voix les plus influentes du domaine IT (Gartner, Forrester, IBM etc.). Derrière le Big data, une multitude de sujets : il peut s’agir, selon les analystes,  1) des données  (d’un genre caractéristique), 2) d’un phénomène ou encore 3) d’un ensemble de techniques ou technologies. Il en ressort cependant un champ lexical qui fait assez largement consensus et s’est imposé sur la plupart des slidewares (avec aussi des contradicteurs).

« Petite » analyse lexicale du « Big » data

3 V. Volume, Variété, Vélocité. Vision du Gartner de 2001 : chacune de ces caractéristiques constituent un défi pour les entreprises qui souhaitent les exploiter ; leur combinaison accentue d’autant la difficulté que représente le traitement des données. Le Big data n’est pas que l’explosion des volumes. C’est aussi la richesse des formats et le temps réel. Ce qui pose question et qui est rarement explicité, c’est la mesure de chacune de ces trois dimensions. Le volume se mesure-t-il en téra- ou en pétabytes ? Où se situent les niveaux d’acceptabilité qui permettent de déterminer qu’une situation ou un cas d’usage relève du Big data ? Le Big data d’aujourd’hui sera-t-il celui de demain ? Car avec la croissance des données et les avancées technologiques, le curseur ne cessera sans doute pas de se déplacer…

4V = 3V+Valeur. Certains ont noté un glissement de l’acception Big data de 3 à 4 V : des caractéristiques de nature technique à celle de « valeur ». Que peut-on tirer des données ? C’est en fait la question essentielle : celle de « l’opportunité à saisir » ou du « besoin à combler ». Une autre question apparaît avec les fournisseurs de données : quel est le prix des données ?

Technologie accessible. Il n’y a pas de définition technologique du Big data au sens où aucune technologie n’est liée de manière exclusive et catégorique au concept. Tout comme les web services n’étaient pas la SOA, le Big data n’est pas Hadoop*, même si Hadoop est la valeur sure d’un marché en plein essor et encore peu lisible. Certes, l’envolée du Big data doit beaucoup à l’« accessibilité »  d’Hadoop et du noSQL. Mais le coût et le ROI de ces solutions sont-ils à la hauteur des promesses ?

Acquisition, visualisation etc. Le Big data n’est pas que stockage et analyse de données. Il faut  développer son gisement pour trouver la bonne information. L’information produite doit être comprise, retenue, travaillée et des techniques d’analyse visuelle sont aujourd’hui mises en avant.  Enfin, pour les questions de fiabilité et de sécurité, des évidences en gestion des données, des solutions se positionnent.

Décision. Le Big data bouscule le décisionnel. Les cas d’usage Big data sont quasiment exclusivement analytiques. Les technologies dont nous parlions ne sont d’ailleurs pas construites pour supporter des processus transactionnels qui restent en périphérie de la « révolution » à la source des données.

Un Big data à ma sauce

Le Big data est une véritable problématique, soit littéralement un faisceau de questions. Si l’exercice de définition va se poursuivre, il serait salvateur de l’évacuer rapidement. Mieux vaut se concentrer sur les défis techniques et organisationnels du traitement des données et la recherche de nouveaux leviers de performance.

Forrester propose pour ce faire une approche pragmatique « Calculer son « Big Data score », qui vise à s’auto-évaluer sur sa capacité à stocker, traiter, requêter ses données selon chacune des 3 dimensions. Big data ne veut pas dire la même chose pour Google et pour moi. Il faut revenir à des enjeux réalistes : ai-je exploré les opportunités d’utilisation des données « à ma disposition » ? Suis-je capable de « passer à l’échelle » efficacement (délai, coût) si une opportunité se présente ?
Et, à quelle échelle : *10, *100, *1000 ? Que font mes concurrents ?

Alors : in or out ?

*Hadoop comme nombre de bases de données noSQL est distribué en open source. Le déploiement d’Hadoop n’exige pas d’infrastructure réseau et/ou serveurs haut de gamme.

Cet article Big data : tour d’horizon 2013 ! est apparu en premier sur RiskInsight.

Impossible d’aborder le thème des « démonstrateurs » sans aborder le sujet de la trajectoire de connaissance. En effet, le concept de trajectoire de connaissance illustre à merveille la boucle d’apprentissage nécessaire entre les aspects pratiques (i.e. le terrain) et stratégiques (i.e. la théorie) autour de l’innovation.

Ainsi, plus concrètement, un démonstrateur, qu’il ait pour objet le smart grid ou la nouvelle technologie lambda, vise à affiner la trajectoire de connaissance en adressant un ou plusieurs sujets de fonds. Cet affinage s’effectue en la pilotant autour des usages, des modèles économiques / écosystèmes, des réglementations et des technologies, de manière à :

• Formuler les hypothèses
• Expérimenter, analyser et capitaliser
• Tirer des conclusions et les utiliser

En conséquence, seule la réalisation d’un démonstrateur industriel peut permettre de tester à la fois les enjeux et les risques associés à la mise en place de Smart Grids dans le but avoué d’en alimenter la trajectoire de connaissance et d’y créer une dynamique de développement.

C’est pourquoi, depuis quelques années, de l’Amérique du Nord à l’Asie en passant par l’Europe, se développent des projets de démonstrateurs se focalisant sur un ou plusieurs des aspects des nombreuses questions posées par les Smart Grids, par exemple sur :

• Les compteurs communicants et les services associés,
• La gestion active de la demande,
• Les offres d’effacement,
• L’intégration des énergies renouvelables intermittentes,
• L’intégration du véhicule électrique dans les systèmes électriques,
•  etc.

Appliquée aux Smart Grids, la logique de démonstration doit donc permettre de lever les barrières au développement des réseaux électriques intelligents sur les plans :

• Technique, en adressant simultanément les principales questions (notamment dans le champ de la normalisation),
• Institutionnel et sociétal, en créant la dynamique de réponse aux questions régulatoires ou sociétales (comme le traitement des données),
• Industriel, en créant « l’effet levier » permettant aux nombreux acteurs industriels de toute taille (grands groupes, comme PME) de s’impliquer et de s’engager dans une dynamique crédible,
• Économique et financier, en précisant les chaines de valeurs et les business modèles de demain.

Pour lire plus d’articles sur le secteur de l’énergie, cliquez ici.

Cet article Pas de Smart Grids sans démonstrateur ! est apparu en premier sur RiskInsight.