L’analytique, pour anticiper et mieux décider

La prolifération des capteurs et des fichiers va continuer à grossir le Big Data, mais les données n’acquièrent de la valeur que si l’on sait leur donner du sens. Selon Mouloud Dey, directeur des solutions et marchés émergents de SAS France, « beaucoup d’entreprises ne font encore que du reporting », n’exploitant les données accumulées que pour établir des bilans analytiques de leurs résultats. Interpréter les données pour éclairer l’avenir et aider la prise de bonnes décisions constitue une étape encore rarement atteinte.

Ce fut l’ambition de la recherche opérationnelle, limitée par le manque de puissance de calcul et des algorithmes. L’analytique, ou analytics [1], a pris le relais, s’appuyant à la fois sur la statistique, les mathématiques, la recherche opérationnelle et l’informatique. Cette discipline a réalisé des progrès sensibles depuis cinq ans. Prédire une catastrophe ne servait à rien, tant que l’avertissement n’arrivait qu’après l’événement. Ainsi, les tests de résistance, stress tests financiers, prenaient-ils souvent plus d’une semaine, ce qui les rendait inopérants dans des situations très volatiles. Il y a cinq ans, SAS Institute a réussi à fragmenter une partie des données à analyser pour les répartir entre un grand nombre de machines travaillant en parallèle. SAS a pu traiter, pour une banque asiatique, « une gamme de mesures de risque de liquidité pour un portefeuille de 30 millions d’instruments de cash-flow complexes, en fonction de 50 000 scénarios, en moins de huit heures [2] ».

Depuis 2011, ce système HPA (haute performance analytique) divise par 50 à 100 les temps d’exploitation des données disponibles. En 2013, selon SAS France, près de 700 millions de dollars US auraient été économisés au bout de deux ans et demi sur la plate-forme pétrolière Ekofisk grâce à l’analyse des probabilités de défaillances, pour une dépense de quelques dizaines de millions de dollars US. Le HPA est utilisé aussi dans des centrales nucléaires.

L’analytique n’est plus réservée aux secteurs de pointe. Mouloud Dey rapporte qu’un grand distributeur américain voulait répondre à la capacité d’Amazon de modifier ses prix au cours de la journée. Il aurait fallu 2 000 heures pour calculer en interne le « bon prix » de chaque article, taille par taille, couleur par couleur, pour 800 magasins. Le traitement distribué des données par l’analytique permet de prendre 100 millions de décisions en trois heures : on pourrait modifier tous les prix chaque matin. L’entreprise a décidé de ne le faire que chaque semaine pour ne pas dérouter la clientèle : l’analytique constitue une aide à la décision, elle ne remplace pas le décideur humain, contrairement à un fantasme qui retarde sa diffusion.

De nouveaux métiers

L’analytique commence à être exploitée pour la monétisation des données. Airbus expérimente l’introduction de milliers de capteurs dans ses avions afin de proposer des services aux compagnies aériennes. L’entreprise luxembourgeoise Zapfi analyse le comportement des utilisateurs d’un réseau wi-fi gratuit. Des commerçants peuvent ainsi envoyer des propositions à des prospects localisés à quelques mètres près. SAS travaille avec Weve, joint-venture de m-commerce (commerce en mobilité) entre trois opérateurs télécoms britanniques : EE, O2 Telefonica et Vodafone mutualisent les données de leurs 80 millions d’abonnés dans une base commune. Des banques, des commerçants, des restaurants comme Pizza Hut peuvent ainsi toucher des prospects localisés en situation de mobilité [3].

Dans ces nouveaux métiers, la construction de la confiance est plus stratégique que jamais. Confiance entre entreprises mutualisant des informations confidentielles, ce qui implique un tiers de confiance pour gérer dans l’intérêt commun ces données. Confiance aussi des citoyens soucieux de leurs intérêts légitimes.

Demain, l’analytique dans la vie courante

L’exploitation de l’analytique est freinée par les réticences de bien des dirigeants et par le manque de culture analytique des organisations [4]. Les décisions sont trop centrées sur le ROI, retour sur investissement, et non le ROD, retour sur les données, déplore Mouloud Dey : « quel est le coût d’une perte de données, de la sécurisation des données, combien leur exploitation peut ou aurait pu rapporter ? » Les données sont souvent de qualité médiocre, non cohérentes dans une même organisation en raison des cloisonnements. La technique commence à proposer des parades, réussissant par exemple à rapprocher des adresses différemment formulées, correspondant probablement à un même destinataire.

La réduction des coûts de calcul et des capteurs, les avancées de nouveaux algorithmes, dans un contexte d’objets du quotidien interconnectés, vont banaliser des applications prédictives, préventives, pour la vie courante. Cela aura un effet d’entraînement dans les secteurs professionnels. Les champs de l’analytique et de l’intelligence artificielle vont aussi se rapprocher en exploitant le deep learning ou apprentissage profond, basé sur des réseaux de neurones (Artificial Neural Network) et du calcul en parallèle [5].