Ne confondez pas Data & Big-data

Emmanuel Blanchet
Date01 novembre 2016

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.

À lire également : Big Data : Chronique d’une mort annoncée

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.

À lire également : Comment le data-analytics vous aide dans la maîtrise et l’optimisation de vos contrats d’électricité ?

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.

À lire également : 4 raisons d’abandonner Excel au profit du data-analytics pour suivre la performance de votre parc

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 :

New call-to-action