Une défi­ni­tion répan­due du big data fait réfé­rence aux 3 « V » : Volume, Variété et Vélo­cité qui le carac­té­risent. En revanche, toutes les données perti­nentes et de taille impor­tante ne peuvent pas être quali­fiées de big data. Voici les 3 points diffé­ren­cia­teurs pour éviter l’amal­game.


1 – Rendre la donnée intel­li­gente

Le recours au big data est de plus en plus courant car il permet de croi­ser des données hété­ro­gènes et de les agré­ger en vue d’en tirer ensei­gne­ments et prédic­tions. Collec­ter des données sur des équi­pe­ments des bâti­ments est certes inté­res­sant, mais ce n’est que lorsque que ces infor­ma­tions sont agré­gées et analy­sées qu’elles livrent toute leur valeur, en prédi­sant, par exemple, les dysfonc­tion­ne­ments voire les pannes des équi­pe­ments.

2 – Analy­ser en temps réel

Le big data permet de collec­ter d’im­por­tantes masses de données en temps réel, de les analy­ser rapi­de­ment pour comprendre et trai­ter au plus vite les erreurs ou anoma­lies qui surviennent dans une orga­ni­sa­tion.
Par exemple, les systèmes d’energy mana­ge­ment alimen­tés par du big data permettent aux mana­gers d’être alerté très rapi­de­ment lorsqu’une dérive de consom­ma­tion se produit et réagir au plus vite pour éviter des surcoûts liés à un dysfonc­tion­ne­ment.

3 – Segmen­ter pour mieux comprendre

Le big data segmente les données en groupes homo­gènes pour mieux comprendre un patri­moine immo­bi­lier de grande taille par exemple. Il est alors possible de dépas­ser la simple analyse quan­ti­ta­tive pour tenter de comprendre la cause d’éven­tuelles anoma­lies voire même la façon d’y remé­dier.
Par exemple, la consom­ma­tion d’un bâti­ment peut sembler tout à fait normale mais ce n’est que si ce dernier est comparé à ses pairs, c’est-à-dire à des bâti­ments au compor­te­ment éner­gé­tique simi­laire, qu’il est possible de s’aper­ce­voir que sa consom­ma­tion est supé­rieure à la moyenne et que certaines actions d’op­ti­mi­sa­tion pour­raient être réali­sées.

Une grande quan­tité de données à dispo­si­tion ne se trans­forment pas auto­ma­tique­ment en big data. Faute d’ana­lyse, les données peuvent être sources de confu­sion plutôt qu’un moyen d’éclai­rer ses déci­sions. Comme le disait si bien Peter Sonder­gaard, Senior Vice President chez Gart­ner Research « Les données sont le pétrole du XXIème siècle et le data-analy­tics son moteur. »


Pour aller plus loin :






Emmanuel Blanchet

Publié par Emmanuel Blanchet

Directeur Général de Deepki