Etude sur le Big Data

Définition
2
Big Data, ce n’est pas un projet, c’est toute
une démarche…
Introduction
Depuis la révolution numérique, la masse de données produites chaque jour a pris de telles
proportions qu'il est difficile de continuer à utiliser les outils traditionnels pour les manipuler de façon
performante.
La plupart des entreprises se contentent d'exploiter une part réduite des informations générées et
récoltées dans leur SI pour produire toujours les mêmes rapports. Pourtant, les possibilités ouvertes
par le mouvement Big Data sont alléchantes.
La démarche Big Data est généralement initiée lorsque le management se rend compte que
l'entreprise est en train de perdre des opportunités en négligeant les données à sa disposition. Elle
semble primordiale si au moins une de ces affirmations est vraie :
• Son Système d'Information est complexe, étendu, composé de plusieurs briques logicielles.
• Son secteur d’activité est caractérisé par une production d’information en temps réel par une
multitude de capteurs, d’utilisateurs ou de clients.
• Ses bases de données ne suffisent plus pour obtenir des résultats dans des délais raisonnables
malgré les efforts d’optimisations menés à ce propos.
• Ses besoins de puissance de calcul peuvent varier de façon critique.
• Ses données ne sont pas forcément structurées et sont volumineuses.
• Ses données sont "qualifiées" ou méta-taguées de façon disparate.
Mais comme le Big Data, par définition, nous soumet sans cesse de nouvelles variétés de données,
toujours plus vite et avec des volumes croissants, les entreprises peuvent être confrontées en
permanence à des inconnues dans leur équation et avoir sans cesse à résoudre des problèmes
nouveaux.
Mots clés :
Big Data, Volume, Variété, Vélocité, Véracité, ETL, Hadoop, Olap, Data scientists.

Contenu
3
Contenu
Contenu...............................................................................................................................................................................................2
Définition...........................................................................................................................................................................................4
Big Data, des cas d’usages bien multiples.............................................................................................................................5
Cinq actions pour mettre en place une démarche Big Data..........................................................................................8
Faire l'inventaire de ses données.......................................................................................................................................8
Donner la priorité aux métiers............................................................................................................................................8
Réévaluer l'infrastructure .....................................................................................................................................................9
Etudier les technologies associées.....................................................................................................................................9
Préparer ses équipes ...............................................................................................................................................................9
Les compétences nécessaires pour une démarche Big Data .....................................................................................10
Data scientists..........................................................................................................................................................................10
Spécialistes des outils d'ETL..............................................................................................................................................10
Développeurs Hadoop..........................................................................................................................................................10
Spécialistes des outils de visualisation .........................................................................................................................10
Développeurs OLAP ..............................................................................................................................................................10
Pourquoi le big data ne tient pas encore ses promesses.............................................................................................11
Les compétences nécessaires sont encore rares.......................................................................................................11
Les responsables opérationnels restent difficiles à convaincre.........................................................................11
Toutes les données ne sont pas exploitables..............................................................................................................12
La rentabilité des projets n'est pas toujours au rendez-vous..............................................................................12
L'offre technique se révèle pléthorique et complexe..............................................................................................12
Focus, Big Data et le secteur banquier................................................................................................................................13
Introduction .............................................................................................................................................................................13
Big Data, une fonction Risques non isolée...................................................................................................................13
Big Data, une fonction Risques organisée et intelligente.......................................................................................15
Big Data, des process de production simples.............................................................................................................16
Anticipation sur l’évolution d’une fonction Risques (en environnement Big Data)...................................17
Focus, Big Data et le secteur assurantiel............................................................................................................................20
Principales opportunités pour l’assurance :...............................................................................................................20
Zoom, Big Data dans la tarification en assurance :...................................................................................................20
Big Data et cadre réglementaire...........................................................................................................................................22
Conclusion......................................................................................................................................................................................23

Définition
4
Définition
Le Big Data est dessiné pour offrir un accès et une exploitation en temps réel à des bases de données
(de différents types) géantes. Il vise à proposer une alternative aux solutions traditionnelles de bases
de données et d'analyse (serveur SQL, plate-forme de Business Intelligence...). Confronté très tôt à des
problématiques de très gros volumes, les géants du Web, au premier rang desquels Yahoo (mais aussi
Google et Facebook), ont été les tous premiers à déployer ce type de technologies. Selon le Gartner, le
Big Data (en français "Grandes données") regroupe une famille d'outils qui répondent à une triple
problématique (la règle dite des 3V):
 un Volume de données important à traiter; c'est la capacité technologique à effectivement
récupérer, centraliser, stocker et requêter ces données dans des environnements sécurisés et à
les mettre à disposition de façon utilisable
 une grande Variété d'informations (en provenance de plusieurs sources, non-structurées,
structurées, Open...) ; puisque les données sont différentes, plus nombreuses et d'origines plus
diverses, elles doivent permettre d'obtenir des informations inédites.
 un certain niveau de Vélocité à atteindre; c’est-à-dire l’exploitation de ces données requiert
une grande Vélocité, par un lien dynamique en temps réel entre l'information produite et
l'action opérationnelle qui en découle.
Bien que ces trois dimensions couvrent les attributs clés du Big Data, les organisations devraient
prendre en compte un quatrième élément : la Véracité. La prise en compte de la véracité comme
quatrième attribut des Big Data souligne l’importance de traiter et de gérer l’incertitude1 inhérente à
certains types de données (les sentiments et la sincérité pour les humains, les conditions
météorologiques, les facteurs économiques, ou encore l’avenir. comme exemple).
La véracité fait référence au niveau de fiabilité associé à certains types de données. Chercher un niveau
de qualité élevé est une exigence clé et un défi majeur des Big Data, mais même la meilleure méthode
de nettoyage des données ne peut pas supprimer le caractère aléatoire inhérent à certaines données
comme le temps, l’économie ou les décisions d’achat futures d’un client. Le besoin de reconnaître et de
planifier cette incertitude est une dimension des Big Data qui est apparue lorsque les dirigeants ont
cherché à mieux comprendre la nature incertaine de ces données.
1
Un exemple de cette incertitude concerne la production d’énergie : Le temps est incertain mais une compagnie d’électricité doit
être capable de prévoir la production. Dans de nombreux pays, les régulateurs exigent qu’un pourcentage de la production
provienne de sources renouvelables, mais ni le vent ni les nuages ne peuvent se prévoir avec précision. Alors comment pouvez-
vous planifier ?
Pour gérer cette incertitude, les analystes doivent créer un contexte autour des données. Une façon de créer ce contexte consiste à
fusionner les données afin que la combinaison de sources multiples peu fiables produise un point de données plus précis et plus
utile, comme les commentaires sociaux ajoutés aux informations de localisation géo spatiale. Une autre manière de gérer ce
caractère aléatoire peut être l’utilisation de mathématiques avancées pour couvrir cette incertitude, comme les techniques
d’optimisation.

Big Data, des cas d’usages bien multiples
5
Le Big Data est un phénomène émergent. Pourtant, des cas d’usage courants sont déjà connus et
apportent dès à présent une valeur significative.
En voici quelques exemples d’application :
Analyse de campagnes marketing
Un marketeur identifiera et touchera d’autant plus de cibles “granulaires” qu’il disposera
d’informations. Le Big Data peut être utilisé pour analyser d’énormes quantités de données qui
échappent aux solutions relationnelles classiques, de telle sorte que les spécialistes dans le domaine
du marketing peuvent maintenant mieux repérer un public cible et associer les produits et services
appropriés à un individu précis. Grâce au Big Data, il est possible d’étudier d’importants volumes
d’informations à partir de nouvelles sources, comme le parcours de navigation ou les enregistrements
des détails des appels, ce qui leur permet de mieux comprendre les tendances et les comportements
d’achat des consommateurs.
Analyse de la fidélisation et de la perte de clientèle
Une augmentation du nombre de produits par client équivaut souvent à une diminution de la perte de
clientèle, et de nombreuses sociétés entreprennent d’importants efforts pour améliorer les techniques
de vente croisée et de montée en gamme. Toutefois, l’étude de la clientèle et des produits à travers les
secteurs d’activité s’avère souvent difficile, puisque des formats hétérogènes de données et des
problématiques de gouvernance limitent ces efforts. Certaines entreprises ont la possibilité de charger
ces données dans un cluster Hadoop, afin d’effectuer des analyses à grande échelle pour identifier les
tendances. Le résultat montre les clients susceptibles de partir à la concurrence ou, encore mieux, ceux
qui vont probablement approfondir leur relation commerciale avec l’entreprise. Des mesures peuvent
alors être adoptées pour reconquérir ou encourager ces clients selon le cas.
Services Financiers (Banque, Assurance,
Gestion de l'investissement)
• Conformité réglementaire,
• Gestion des risques,
• Prévention et détection des fraudes,
• Gestion des réclamations
• Optimisation de portefeuilles produits et
clients
Industrie Pharmaceutique
• Informations patients, télésurveillance
• Modèles prédictifs de santé, données
embarquées
• Optimisation vente & distribution des
médicaments
• Suivi des problèmes
• Gestion règlementaire
Loisirs, Media & Communication - Retail
Technology - Energie & Utilities
• E-marketing pour la gestion de la relation
client
• Optimisation mix marketing produits,
• Optimisation de la Customer Experience
• Prévention des pannes, optimisation des
processus de livraison
Domaine Public
• Prévention criminalité
• Campagnes électorales
• Gestion des politiques publiques
territoriales
• Ou sectorielles (climat)
• Open Data
• Pilotage de la consommation

6
Analyse des graphes sociaux
Chaque réseau social ou communauté compte des utilisateurs ordinaires et des super utilisateurs, et
reconnaître ces derniers est une tâche difficile. Avec le Big Data, les données issues des activités des
réseaux sociaux sont explorées pour indiquer les membres exerçant une influence majeure sur le
groupe. Ceci permet aux entreprises d’identifier les clients « les
plus significatifs », qui ne sont pas forcément ceux utilisant l’offre de produits la plus vaste ou
bénéficiant du budget conséquent, contrairement à la définition classique répandue dans le cadre de
l’analyse décisionnelle.
Analyse des marchés des capitaux
Que nous recherchions de grands indicateurs économiques, ou des indicateurs de marché spécifiques
ou bien encore des avis sur une entreprise donnée et ses actions, la richesse des informations à
analyser est impressionnante tant en provenance des sources classiques que des nouveaux réseaux. Si
l’analyse par mots clé de base et l’extraction d’entités sont utilisées depuis plusieurs années,
l’association d’informations classiques et de sources inédites telles que Twitter et d’autres médias
sociaux permettent d’accéder à un aperçu détaillé de l’opinion publique, pratiquement en temps réel.
Aujourd’hui, la plupart des institutions financières se servent, à différents degrés, de l’analyse des
sentiments pour mesurer la perception du public sur leur entreprise, sur le marché, ou sur l’économie
en général.
Analyse prédictive
Afin de prévoir les changements économiques, les experts dans le domaine des marchés des capitaux
confrontent d’un côté les algorithmes de corrélation avancés et calculs des probabilités, et, de l’autre,
les données historiques et actuelles. Le volume important des archives d’informations sur les marchés
ainsi que la vitesse exigée pour l’évaluation des nouveaux enseignements (par exemple : valorisations
complexes d’instruments dérivés) font de l’analyse prédictive un problème majeur que le Big Data
contribue à résoudre. En effet, grâce à la capacité à effectuer ce type de calculs plus rapidement, et
avec du matériel informatique courant, le Big Data remplace de manière fiable l’approche relativement
lente et coûteuse fondée sur les systèmes traditionnels.
Gestion des risques
Les entreprises dont la technologie se veut être avancée et déterminée tentent de minimiser les
menaces au moyen d’une gestion continue des risques et d’une analyse à large spectre des facteurs de
risque, en croisant de vastes catégories de données. Par ailleurs, une demande de plus en plus
pressante oblige à accélérer l’analyse des informations, malgré leur volume toujours croissant. Les
technologies de Big Data s’imposent dans la résolution de ce problème : en effet, les calculs peuvent
être effectués tout en accédant aux données. Qu’il s’agisse d’analyse croisée ou d’intégration
d’informations sur les risques et les tendances financières, afin de rajuster les rendements et les
bilans, il est nécessaire de fusionner, de permettre l’accès et de traiter à tout moment une quantité
grandissante de données provenant des différents services autonomes de l’entreprise.
Trading
Une analyse approfondie reliant les données comptables aux systèmes de repérage et de gestion des
commandes peut fournir des informations stratégiques précieuses qui ne seraient pas disponibles
avec les outils classiques. Afin de les identifier, une masse importante de données doit être traitée
presque en temps réel à partir de sources multiples et hétérogènes. Cette fonction permettant de
puissants calculs peut maintenant être effectuée par le biais des technologies Big Data.

7
Détection des fraudes
Mettre en rapport des données à partir de sources multiples et non reliées augmente la possibilité
d’identifier des activités frauduleuses. Si, dans le cadre du Big Data, l’on relie par exemple des
mouvements bancaires effectués en ligne, aux distributeurs automatiques, via smartphone, par carte
de paiement, à l’analyse du comportement web retracé sur le site de la banque où ailleurs, la détection
des fraudes en est améliorée.
Services bancaires de détail
Dans le domaine des services bancaires de détail, la capacité de déterminer avec précision le niveau de
risque sur le profil d’un individu ou sur un prêt joue un rôle primordial dans la décision d’attribuer (ou
de refuser) à un client certaines prestations. Comprendre correctement la situation protège non
seulement la banque, mais satisfait aussi le client. Un accès à des informations exhaustives sur la
clientèle permet aux banques de bénéficier de garanties et de visibilité afin de mieux cibler les offres
de services. Il est aussi possible de prévoir les événements significatifs dans la vie du client, tel un
mariage, la naissance d’un enfant, l’achat d’une maison, ce qui est un atout pour appuyer les activités
de vente croisée et de montée en gamme.
Surveillance du réseau
Tous les types de réseaux, qu’il s’agisse de transports, de communications ou de protection policière,
peuvent bénéficier d’une meilleure analyse, activité dans laquelle interviennent les technologies Big
Data. Considérons par exemple le réseau local d’un bureau : grâce au Big Data, des volumes
considérables d’informations sont acheminés depuis des serveurs, des périphériques et du matériel
informatique divers. Les administrateurs peuvent ainsi surveiller l’activité du réseau et détecter des
congestions et bien d’autres problèmes avant qu’ils n’aient un impact négatif sur la productivité.
Recherche et développement
Les entreprises qui disposent de services de recherche et développement importants, comme les
établissements pharmaceutiques, se servent des technologies Big Data pour examiner minutieusement
d’énormes quantités d’informations texte et de données historiques afin d’accompagner la conception
de nouveaux produits.
Industrie pharmaceutique
Réduction et maîtrise des dépenses de santé, pertinence des prescriptions médicales, sécurité des
patients… Le secteur de la pharmacie est au cœur de tous ces enjeux contemporains.
Les gigantesques flux de données liés aux prescriptions et aux diagnostics, et les multiples
combinaisons sur les pathologies pourraient produire des informations capitales. Non seulement ces
données permettraient de mieux connaître les effets des médicaments et d’obtenir une photo des
populations, mais elles montreraient aussi les voies les plus intéressantes à explorer pour la
recherche.

Cinq actions pour mettre en place une démarche Big Data
8
Faire l'inventaire de ses données
Toutes les entreprises, ou à peu près, ont accès à un flux régulier de données non structurées, que
celles-ci proviennent des médias sociaux, ou de capteurs surveillant une usine, par exemple. Cela ne
signifie pas qu'elles doivent toutes les sauvegarder et les exploiter. Cet afflux soudain a suscité un
besoin artificiel d'essayer de comprendre toutes ces données, remarque Neil Raden, un analyste de
Constellation Research. Ce souci a pu être provoqué par des consultants ou fournisseurs soucieux de
promouvoir leurs solutions. « Il y a une certaine pression de la part de ceux qui commercialisent la
technologie », observe Neil Raden. Une première étape pourrait donc consister à inventorier quelles
données sont créées en interne et déterminer quelles sont les sources externes, s'il y en a, qui pourraient
apporter des informations complémentaires sur l'activité de l'entreprise.
Une fois cet état des lieux engagé, les équipes informatiques devraient entreprendre des projets très
ciblés qui pourraient être utilisés pour montrer quels résultats on peut obtenir, plutôt que d'opter
pour des projets en mode big-bang.
Donner la priorité aux métiers
Aligner l'IT avec les métiers est indispensable dans le cas d'un chantier aussi important que peut l'être
le traitement des Big Data. Les premières occasions de traiter ces volumes se sont trouvées hors du
périmètre de la IT. Par exemple dans des départements marketing qui ont décidé de récolter les flux
des médias sociaux pour gagner en visibilité sur les besoins des clients et les tendances en matière
d'achats. Si c'est effectivement du côté business que l'on devrait identifier l'intérêt de ces analyses,
c'est à la IT que revient de prendre en charge la fédération et le partage des données et de mettre en
œuvre la stratégie Big Data. En même temps, ce n'est pas une démarche que la IT peut faire seule de son
côté. « Il sera difficile d'en faire une success story si le projet n'est pas aligné sur les objectifs business ».
1) Faire
l’inventaire de
ses données
2) Donner la
propriété aux
métiers
3) Réévaluer
l'infrastructure
4) Etudier les
technologies
associées
5) Préparer ses
équipes

9
Réévaluer l'infrastructure
Dans la plupart des entreprises, les projets Big Data vont demander des changements importants.
D'une part sur les infrastructures serveurs et de stockage, d'autre part sur la gestion des données, si
l'on en croit Mark Beyer, du cabinet Gartner, ainsi que d'autres experts. Les responsables
informatiques doivent se préparer à étendre leurs systèmes pour qu'ils supportent des bases en
perpétuelle expansion, recevant données structurées et non structurées. Cela signifie qu'il faut trouver
la meilleure approche pour rendre les systèmes à la fois extensibles et évolutifs et qu'il faut élaborer
une feuille de route pour intégrer tous les systèmes disparates qui vont alimenter l'effort d'analyse des
Big Data.
« Actuellement, les entreprises ont souvent des systèmes disparates et séparés pour gérer la paie, les
relations clients, le marketing », indique Anjul Bhambhri, vice-président, responsable des produits Big
Data chez IBM. Les CIO ont besoin de mettre en place une stratégie pour les faire converger. « Il faut
pouvoir poser des questions qui traversent tous ces systèmes pour obtenir des réponses », précise le
VP d'IBM.
Etudier les technologies associées
Evidemment, le monde des Big Data apporte sa liste d'acronymes et de technologies. Les outils en
Open Source sont ceux qui retiennent le plus l'attention. On met au crédit des Hadoop, MapReduce et
NoSQL d'avoir aidé les géants du web que sont Google et Facebook à naviguer à travers leurs
réservoirs de Big Data. La plupart de ces technologies, même si elles sont désormais disponibles sous
une forme commerciale, sont encore assez immatures et requièrent pour s'en servir des compétences
très spécifiques. Parmi les autres technologies importantes dans le monde des Big Data figurent
l'analytique in-database pour être au plus près des données, les bases exploitant le stockage en
colonnes et les appliances de datawarehouse. Les équipes IT vont devoir comprendre ces nouveaux
outils pour pouvoir faire des choix avertis en matière de Big Data.
Préparer ses équipes
Qu'elles aient besoin d'experts Hadoop ou de spécialistes des données (data scientists), les
départements IT manquent sévèrement des talents nécessaires pour aller plus loin avec les Big Data.
Les compétences en matière d'analytique sont peut-être les plus cruciales et c'est là que se trouvent
les manques les plus importants.
McKinsey prévoit que, pour les seuls Etats-Unis, on aura besoin d'ici 2018 de 140 000 à 190 000 experts
supplémentaires spécialisés dans les méthodes statistiques et l'analyse de données. Parmi les postes les
plus demandés se trouvera la fonction de plus en plus médiatisée de « data scientist ». En outre,
McKinsey s'attend à des demandes à la fois du côté métier et technique pour quelque 1,5 million de
managers à l'aise avec les données, disposant d'une formation reconnue dans l'analyse prédictive et
les statistiques.
Les directions des départements IT vont devoir elles-mêmes se transformer pour exceller dans ce
nouveau monde. Les managers IT du futur combineront des compétences sur l'analyse de données et
les processus métiers, estime Mark Beyer, de Gartner. « Les CIO ont eu l'habitude de gérer des
infrastructures à partir des prescriptions des métiers, par opposition à un CIO qui serait capable
d'identifier une opportunité et par conséquent de pousser vers une utilisation innovante de
l'information », explique-t-il. C'est la transformation qui devra très probablement se produire.

Les compétences nécessaires pour une démarche Big Data
10
Les compétences nécessaires pour une démarche Big Data2
Data scientists
Les data scientists constituent une catégorie de professionnels capables de mettre en oeuvre leurs
techniques d'organisation de données dans des applications métiers. Ils doivent aussi savoir
communiquer pour expliquer les résultats trouvés dans les données à la fois à la DSI et aux directions
métiers. Typiquement, ces data scientists ont leur propre sandbox dans laquelle ils explorent et
examinent les données de l'entreprise en accompagnant la démarche d'innovation. Anjul Bhambhri,
vice-président responsable des produits Big Data chez IBM, les décrit de façon imagée : « en partie
analyste et en partie artiste, un data scientist a de la curiosité, il observe les données et repère des
tendances». C'est, selon lui, un profil qui veut vraiment apprendre et transformer une entreprise.
Spécialistes des outils d'ETL
Avec l'explosion de données de toutes sortes dont les entreprises cherchent à tirer parti, le besoin en
professionnels capables de récupérer et d'intégrer ces Big Data a augmenté de façon significative.
Parmi eux figurent notamment les familiers des solutions d'ETL, ces outils permettant d'extraire les
données de leur source initiale, de les mettre au bon format et de les charger dans la base cible
(extraction, transformation, loading). Des logiciels tels qu'en proposent le Français Talend, ou encore
Informatica et Pentaho pour ne citer qu'eux. Comme les logiciels d'ETL ont acquis de la maturité, les
profils spécialisés sur ces outils sont des compétences dont on aura besoin dans la durée.
Développeurs Hadoop
Le mouvement Big Data a enregistré une hausse de la demande autour du framework Open
Source Hadoop, adapté au traitement des jeux de données très volumineux, et de toutes les
technologies associées comme Hive, HBase, MapReduce, Pig, etc. Le traitement de ces teraoctets ou
petaoctets serait trop coûteux avec des outils de BI classiques et prendrait beaucoup trop de temps si
on ne recourait pas aux capacités massivement distribuées d'Hadoop. Dans l'actuel paysage Big Data,
les personnes possédant une expérience sur ce framework disponible dans de nombreuses
distributions (dont Hortonworks et Cloudera) sont les plus recherchées, selon Greg Jones.
Spécialistes des outils de visualisation
Analyser d'énormes quantités de données s'avère souvent difficile. Les nouveaux outils de
visualisation tels qu'en proposent Tibco Spotfire, Qlickview ou Tableau Software permettent une
exploration rapide et intuitive de ces données. On peut penser que les compétences requises pour les
utiliser se rapprochent de celles d'un profil spécialisé en BI. Mais, précise KForce, avec la montée en
force d'Hadoop, cela représente une nouvelle catégorie de profils spécialisés. Pour l'instant, ces
ressources sont recherchées à court terme, en externe. Avec le temps et la maturité des outils, la
demande pour ces profils se modérera et ces ressources seront plutôt utilisées en interne, estime Greg
Jones.
Développeurs OLAP
L'expertise des développeurs OLAP consiste à optimiser l'organisation des données. Ce sont eux qui
récupèrent les données de sources relationnelles ou non structurées pour créer des modèles
multidimensionnels -souvent désignés sous le nom de schémas en étoile ou en flocon de neige- et qui
construisent ensuite l'interface utilisateur pour accéder aux données à partir de requêtes prédéfinies.
2
La valorisation des données de l’entreprise ne saurait se réduire au simple enjeu technologique du Big
Data. Pour l’éviter, elle doit être confiée à des Data Scientists capables d’appréhender la problématique
dans toutes ses dimensions : métier, informatique, statistique et mathématique.

Pourquoi le Big Data ne tient pas encore ses promesses
11
Pourquoi le big data ne tient pas encore ses promesses
Aujourd’hui une dizaine d’entreprises ont déjà lancé une démarche Big Data, cependant, elles sont
encore loin de profiter d’un tel phénomène aussi prometteur.
En effet, les technologies sont là, pas les hommes. Matteo Pacca, du cabinet McKinsey, est l'un des plus
fervents partisans du Big Data. Depuis deux ans, il sillonne les conférences internationales pour vanter
les bénéfices que tireront les entreprises du traitement massif de données informatiques et
démontrer, prévisions à l'appui, qu'il deviendra pour elles le moyen ultime de se différencier.
Pourtant, pour la première fois, en ouverture du dernier salon parisien consacré au Big Data, son
discours si volontaire laissait planer comme un léger doute. Du bout des lèvres, il s'est rendu à
l'évidence : les acteurs ne savent pas encore tirer parti du concept. Ils ont même du mal à dire en quoi
celui-ci pourrait les aider. “Un cabinet de recrutement m'a contacté car il recherchait des profils de
responsables de données (Chief Data Officer – NDLR) pour l'un de ses clients désireux de se lancer,
expliquait-il en ouverture du salon. Mais ni le cabinet ni la société concernée n'étaient en mesure de
définir précisément le contour de ce poste. ”
Une anecdote qui résume l'énorme décalage entre l'incompréhension des entreprises envers ce qu'est
le Big Data et l'ultramédiatisation d'un phénomène qui fait la une des plus grands magazines
américains (dont la prestigieuse Harvard Business Review).
Le Big Data affiche des prévisions de croissance de 15 à 20 % par an, à faire pâlir les autres segments
du secteur numérique. Ne pas y aller, c'est se priver d'un fantastique outil. Mais comment faire ? Il
existe au moins cinq raisons pour lesquelles les organisations rechignent à se lancer dans l'aventure.
Les compétences nécessaires sont encore rares
Savoir tirer parti d'un nombre considérable d'informations disparates exige une triple sensibilité : il
est indispensable d'aimer la statistique et l'informatique, et de connaître les besoins de la personne à
laquelle on s'adresse (responsable marketing, commercial…). Autant le dire, ces profils polyvalents
(baptisés Data Scientists) sont très recherchés. Leur rôle : déterminer les variables qui comptent, se
poser les bonnes questions et repérer les tendances anormales (fraudes, dysfonctionnement de site
Web, etc.).
Le tout en maîtrisant les nouvelles techniques de programmation indispensables pour extraire les
informations pertinentes… “ Les quelques profils couvrant l'étendue du spectre émargent entre 1 500 et
1 800 euros par jour, contre 1 200 pour un prestataire classique. Rares sont les entreprises prêtes à payer
ce prix. Et lorsqu'elles les font intervenir, c'est seulement pour une opération commando ”, explique
Jeremy Harroch, fondateur de Quantmetry, spécialisé dans l'analyse de données.
Les responsables opérationnels restent difficiles à convaincre
Les rares projets français de Big Data émanent soit d'une direction informatique, soit d'une cellule
innovation. Dans tous les cas, il s'agit de techniciens qui ont d'abord lancé une initiative avant de
tenter de convertir leurs directions métier. Quitte à s'arracher parfois les cheveux.“ Pour les
responsables opérationnels auxquels nous avons proposé de nouveaux services liés à la géolocalisation,
nous faisions figure de poil à gratter, sourit Mathieu Gras, en charge du Big Data chez SFR. Nous avions
du mal à expliquer notre démarche, car c'était à eux d'imaginer les applications concrètes… ”
De la même façon, chez Bouygues Telecom, c'est d'abord la DSI qui a déployé la technologie de
traitement de données, Hadoop. Elle souhaitait mesurer la qualité de services de ses sites Web et
comprendre comment améliorer les temps de réponse des pages. Son expérimentation a rapidement
séduit d'autres branches de l'organisation, qui ont profité de l'aubaine. Le service client s'appuie

Pourquoi le Big Data ne tient pas encore ses promesses
12
aujourd'hui sur la même plate-forme et les mêmes données pour optimiser le parcours des internautes
sur les différents sites du groupe.
Toutes les données ne sont pas exploitables
Si les données existent en masse, rares sont celles directement exploitables en l'état. Et c'est un vrai
problème, car il est alors nécessaire de les retraiter, ce qui engendre des surcoûts souvent négligés lors
de la définition du projet. “ Les données tirées des réseaux sociaux ou celles reflétant l'activité des
internautes sur les pages Web (on parle alors de logs) demandent à être un minimum nettoyées ”, précise
Florian Douetteau. Certes, ce sujet de la qualité de la donnée n'est pas nouveau. “ Ce qui l'est, c'est le
volume à traiter dans des temps toujours plus courts ”, poursuit le créateur de Dataiku.
Autre chantier souvent sous-estimé : parvenir à mettre en relation des informations piochées à
différents endroits. “ C'est très bien de les stocker en masse, lance Serge Boulet, responsable marketing
chez l'éditeur SAS. Mais comment, par exemple, rapprocher autour d'un même client des données
résultant d'une navigation Web, d'une géolocalisation ou d'un ticket d'appel ? L'opération n'a rien
d'évident. ”
La rentabilité des projets n'est pas toujours au rendez-vous
La question du retour sur investissement semble presque incongrue pour les partisans du Big Data, dont
la devise pourrait être : “ Investissez d'abord, vous trouverez bien à l'utiliser ensuite. ” En effet, seule
l'exploration des données disponibles permet de déduire a posteriori les questions intéressantes et les
futures applications. En temps de crise, un tel message a de quoi rebuter les directions
générales. “ Aucune solution miracle ne garantit la rentabilité d'un projet de Big Data, concède Frédéric
Brajon, associé chez CGI Business Consulting (ex-Logica). Il faut tester les idées dès qu'elles
apparaissent pour identifier très vite celles qui méritent d'être creusées. C'est un changement de
méthodologie ”.
L'offre technique se révèle pléthorique et complexe
L'expression Big Data est à la mode. Tous les acteurs du secteur technologique veulent avoir leur offre.
Résultat : le paysage est très confus. Et cette profusion effraie les sociétés. “ Il existe six à sept types de
plates-formes d'exploitation des données. Et pour chacune de ces familles, comptez autant de
fournisseurs ”, résume Florian Douetteau. Pire, chacun de ces outils correspond à des besoins
spécifiques. “ Les uns permettent d'aller vite, les autres de traiter de gros volumes, les troisièmes des
données très disparates… Aucune solution du marché ne sait tout faire correctement ”, reconnaît Michel
Bruley, directeur marketing Europe chez Teradata.
Pour ajouter à la confusion, tous les fournisseurs, même ceux qui ne proposent pas de nouvelles
technologies, ont inondé le marché avec des messages marketing ciblés sur le Big Data. Jusqu'à
l'écœurement… “ Bien des acteurs ont profité de cette vague pour repackager des solutions des années
70 ! Ce qui a, évidemment, créé une désillusion proportionnelle à l'engouement suscité ”, déplore Jean-
Baptiste Dezard, responsable marketing logiciel d'IBM.

Focus, Big Data et le secteur banquier
13
Bien que le métier du banquier reste par nature inchangé (assurer l’intermédiation entre ressources et
besoins de financement), les solutions Big Data ouvrent de nouvelles perspectives. Nous décrivons
dans ce qui suit les opportunités permises par le Big Data.
Introduction
L’évolution des Directions des Risques des grandes industries (banques et assurances notamment)
doit être mise en parallèle avec celles des données et des IT, et sera conditionnée par la capacité
d’autres fonctions à intégrer ces changements (directions commerciales et marketing notamment).
Evolution des Directions des Risques
Meilleure intégration dans l’organisation globale de la Banque
Meilleure structuration de « l’offre de la filière Risque » auprès des Métiers (comment et
sur quoi cette dernière se propose d’intervenir auprès des métiers, à leur demande)
Plus de valorisation des résultats obtenus grâce à des indicateurs ajustés et dynamiques
Evolution des capacités IT des Institutions
Mutualisation de l’architecture SI dans la plupart des banques (plus homogène)
Marché de solutions clés en main avec simplification de la mise en œuvre, notamment pour la
mise en conformité aux attentes réglementaires
Puissance de calculs et préservation des données exponentielles
Evolution de l’approche aux données
Amélioration constante de la qualité des données
Stockage transversal des données
Vers une exploitation des données comportementales (réseaux sociaux, etc.)

14
Big Data, une fonction Risques non isolée
Le Big Data prévoit de mettre un lien fort entre la direction des Risques et les autres directions de
l’établissement financier.
De là, on tire les points suivants :
 Lien marketing – risques plus fort grâce aux grands projets informatique CRM
 Un marketing plus ciblé grâce à une meilleure segmentation des clients
 Data Warehouse unique pour toutes les fonctions de la banque
 Après la crise durable, nécessité de sensibiliser largement aux enjeux de liquidité
 Compréhension fine des risques ALM, de marché, de crédit par la fonction Finance
 Multiplication des projets communs (ex : gestion du LCR)
 Mesure de la rentabilité du réseau d’agences grâce à la collecte de data clients
 Meilleure gestion du risque opérationnel réseau
 …
Risques
Finance
Marketing
Direction
commerciale
Réseaux
IT
…

15
Big Data, une fonction Risques organisée et intelligente
Les risques sont dorénavant placés au service de la stratégie de la banque en lien direct avec les
organes décisionnels et les autres directions (via des Comités partagés), ce qui crée une nouvelle
intelligence du risque.
Des fonctions régaliennes qui vont rester
essentielles…
… mais dont les modalités vont radicalement
changer
Il s’en sort :
 Naissance / développement de départements d’études => analyse du risque, traitement et
analyse de la donnée
 Une réduction des process => Réduction des temps de production versus un allongement de la
durée d’exploitation et d’analyse des données
 Importance de la modélisation (data mining, profiliing, simulation …)
 Mise en place de relais beaucoup plus forts avec les autres directions de la banque (Comités
partagés et/ou multilatéraux, études conjointes et reportings partagés …)
 Diminution des échelles hiérarchiques
1
Vers une intelligence du
risque
2
3
Vers une gouvernance
partagée
Vers une nouvelle
organisation du travail

16
Big Data, des process de production simples
Cette simplification attendue des process se fera en contrepartie d’un allongement des étapes à valeur
ajoutée de ces mêmes process.
Réduction des
temps de
production

 Process optimisés pour répondre plus rapidement aux
attentes des régulateurs
 Plateformes de nouvelle génération (hardware)
 Outils de restitution performants
 Du temps libéré pour les analystes risque
 Mis à disposition pour l’analyse des données
 L’intelligence du risque remise au cœur de la
 Data mining
 Text mining
 Data profiling / date visualizing
 Outils de simulations
Allongement de la
durée
d’exploitation des
données
Recours massifs à
la modélisation et
aux outils IT
associés

17
Anticipation sur l’évolution d’une fonction Risques (en environnement Big Data)
 D’une analyse compartimentée vers une analyse transversale des risques
D’une analyse compartimentée où chaque famille de risques
est analysée séparément et indépendamment …
… vers une analyse transversale où l’on est
capable d’identifier et d’appréhender de façon globale
tous les risques à la fois
Risque opérationnel
Risque de Marché Risque de Crédit
Risque de Liquidé
 Un nouveau format de suivi et de pilotage du risque
Grâce aux nouvelles expertises et compétences de la Direction des Risques
Des reporting moins segmentés mais aussi plus précis et concis
capables de mettre en exergue les risques à un moment donné
Sur des horizons aussi bien court terme que stratégiques
Mise en perspective des risques avec d’autres dimensions
Rentabilité, Marge opérationnelle, capacité commerciale, etc.
Moins axés sur les aspects réglementaires, plus flexibles
Evolutifs (non figés) et donc adaptés au niveau général de risque de la banque à
un moment donné (ex : liquidité)
Liés à l’activité réelle de la banque et sa prise de risque (ex : transformation)
Une plus forte capacité de synthèse grâce au tri de l’information
Un reporting dynamique et interactif
Importance du détail et de la profondeur de la donnée
Exemple : zoom sur une donnée particulière pour comprendre l’augmentation des
RWA sur une activité de marché donnée
Risque de Crédit
Risque de Marché
Risque Opérationnel
Risque de Liquidité
Analyse
Analyse
Formats de suivi
intelligents intégrant
une vision plus
consolidée
Demande pour des
analyses
d’anticipation et de
prédiction
(expected Risk)
Nouvelles limites,
nouveaux indicateurs
et ratios de
surveillance
Nouveau format de
reporting

18
 Vers des analyses plus avancées
FORMAT DE
RESTITUTION
« INTELLIGENT »
 Embrasser tous les risques de l’établissement en « ½
graphs »
 Représentation visuelle intelligente
 Format 3D et 4D (intégration du mouvement =>
projections)
 Formules intégrés dans un graph (simulation des effets)
 Interactions entre les différents indicateurs et mise à jour
instantanée (changement d’un scénario=> recalcul immédiat
des niveaux de RWA, liquidité sur tous les tableaux)
 Caractère auto correctif : Détection automatique des
incohérences, écarts entre indicateurs, … (caractère auto
correctif)
 Indicateurs automatiquement choisis en fonction de
l’évolution des risques
 Tableaux de bord interactifs (changements d’axes en
temps réel)
 Détection des zones de risques et fixation automatique
des limites adéquates (auto détection du risque…)
 Construction de reporting par objectif pré-fixés
(reporting stratégique, reporting détection du risque,
reporting mesure du risque)
REPORTING A
POSSIBILITES
CALCULATOIRES
FORMAT DE
REPORTING
« FLOTTANT »
(non figés)

19
 Vers l’utilisation des techniques statistiques avancées
 Adaptation dynamique des outils de détection de la fraude
 Capacité d’adaptation des process de recouvrement beaucoup plus
souples et rapides (sélection des garanties, etc.)
 Récupération automatique des données exogènes à l’établissement et
utiles pour son activité
 Réseaux neuronaux (auto apprentissage => exemple de la fraude) +
recherches des causalités dans les données accessibles
 Data mining à grande échelle
 Simulation (Monte Carlo ou équivalents) sur toutes les données du
Datewerhouse
 Développement de nouvelles approches de modélisation
comportementale (text mining)
 Couverture du risque (provisions, …)
 Réduction du risque : sélection à l’entrée
 Maîtrise de la rentabilité / risque : montant, totaux ou volume d’un prêt
pour un client donné
 Simulation du risque : incidence en risque d’une campagne marketing
 ….
Scoring intégrant les
comportements
sociaux
Développement de
modèles complexes et
plus prédictifs
Utilisation des outils
de risque dans la
gestion quotidienne

Big Data et le secteur assurantiel
20
Focus, Big Data et le secteur assurantiel
Principales opportunités pour l’assurance :
Zoom, Big Data dans la tarification en assurance :
Tarification prime pure et données
Etablissement prime pure : recherche de données permettant d’expliquer la sinistralité grâce au :
 GLM
 Classification pour zonier et véhiculier
Données traditionnellement utilisées pour l’établissement de la prime pure limitées :
 Données essentiellement internes
 Faible recours à des données externes
Mouvement vers l’utilisation de plus données :
 Variables croisées : âge x sexe
 Interne : croisement de données entre produits :
 Auto / MRH : âge x propriétaire/location résidence principale : variable tarifaire en
auto
 Données bancaires / prêt et données assurances
 Externe :
 INSEE : densité, éloignement des services essentiels…
  Données véhicules : SIV
Existe-t-il des données BIG DATA permettant de mieux expliquer la sinistralité que les données
existantes ?
Remise en cause du modèle utilisé aujourd’hui (GLM)…
Les produits Marketing et
vente
Gestion des
contrats
Gestion
sinistre
Gestion des actifs
Nouveaux
marchés
Nouveaux
produits
Connaissance
des risques et
meilleure
tarification
Segmentation
plus fine
Optimisation
des produits
Nouveaux
clients
Vente
multicanal
Détection
résiliation
Optimisation
et ciblage des
compagnes
commerciale
« just in time »
Gestion des
paiements
Tarification en
temps réel
Détection des
fraudes
Prévention des
risques
Stratégies des
placements
Gestion de
portefeuille
Gestion
d’actif/passif
Modélisation
des risques

Big Data et le secteur assurantiel
21
Positionnement tarifaire et données
Positionnement tarifaire : recherche de données permettant d’expliquer le choix de l’assuré :
 Modèle d’élasticité au prix de la demande
 Positionnement concurrentiel
 Optimisation tarifaire
Ces modèles très utilisés au Royaume-Uni, sont encore très peu utilisés en France, néanmoins cela
devrait évoluer :
 Loi Hamon -> potentiel effet ciseau (Comment fidéliser le portefeuille ?)
 Comparateurs -> potentiel anti-sélection (Comment acquérir les profils à valeur ajoutée ?)
Ces modèles sont très gourmands en données :
 Données connaissance du risque
 Données relation client
 Données flux primes / sinistres avec effet retard
Existe-t-il des données BIG DATA permettant de mieux expliquer la propension des assurés à souscrire
/ renouveler?
Quel apport de données externes ?
L’utilisation de données externes (sans parler de BIG DATA) est actuellement faible et limité :
 Données INSEE, données délinquance (CartoCrime) …
 Données Véhicules : constructeurs, …
Ces données permettent d’acquérir des variables complémentaires qui permettent de qualifier plus
finement le risque qu’à partir des données transmises par le réseau et/ou l’assuré :
 La ville de résidence est-elle en zone rurale peu peuplée ou en zone urbaine ? Est-ce un lieu où
la criminalité est faible ou élevée ?
 Le véhicule est-il une :
 citadine : pour aller faire les course le week-end ?
 sportive : pour épater les copains et sortir en boîte ?
 familiale : pour partir en vacances avec la famille ?
 commerciale : pour faire des tournées en province ?
Tout apport d’information permettant de renforcer la caractérisation d’un profil de risque est utile
pour éviter l’anti-sélection
Parmi aussi les données BIG DATA, il existe une catégorie qui regroupe les qualités recherchées
permettant de mieux caractériser le risque. Plutôt que de se baser sur la recherche de variable
permettant de traduire un comportement à risque, cette catégorie cherche à capturer le
comportement à risque directement à la source Les capteurs :
 Auto : OBD-II (comportement de conduite : freinage brusque, coups de volant intempestifs)
 MRH (dommage électrique d’euro-assurance): Domotique (comportement des occupants)
 Santé : capteur de données physiologiques (activité physique, intellectuelle…)
Les réseaux sociaux peuvent apporter beaucoup également concernant le positionnement tarifaire :
 Sensibilité, attentes (écoresponsable, développement durable…)
 Réceptivité aux messages marketing
 Réactivité face aux changements
 Fidélité
 Elasticité au prix…

Big Data et le cadre réglementaire
22
Big Data et le cadre réglementaire
 Obligation déclarative auprès de la CNIL (données et usage),
 Obligation d'information aux personnes (accès / suppression /
rectification),
 Obligation de sécurité (inventaire et information sur les violations de
sécurité de données à caractère personnel).
Attention : interdiction de principe sauf exceptions de transférer des
données personnelles hors de l'UE => préciser localisation des serveurs
dans les contrats
 Absence de propriété d'une donnée isolée (sauf protection contractuelle
spécifique),
 Le producteur de la base dispose d'un droit de propriété qui résulte des
investissements réalisés pour la constituer et qui lui permet d'interdire
l'extraction ou la réutilisation,
 La structure de la base peut être protégée par le droit d'auteur si les
conditions du droit d'auteur s'appliquent.
 Attention : la valorisation des données suppose une collecte et un
traitement licite de ces données,
 L'exploitant propriétaire de ses données peut librement les utiliser dans
la limite de la protection des données personnelles,
 Dans le cas contraire, l'exploitation des données est limitée par les droits
 contractuellement conférés,
 Certaines exploitations des données sont elles-mêmes contraintes par la
législation, en particulier le droit à la consommation et le droit à la
concurrence s'appliquent en matière de personnalisation des offres
commerciales.
Quelle protection des
données à caractère
personnel (permettant
d'identifier une
personne) ?
Quelle propriété ?
Quelle exploitation ?

Conclusion
23
Conclusion
Le Big Data est une vraie promesse de valeur tractée par l’exploration et l’exploitation des cas d’usage
métier au carrefour des données internes à l’entreprise et des données externes (Open data, Web
Analytics…). Il englobe de nouvelles méthodes de travail, de nouvelles compétences, un effet
décloisonnant dans les organisations qui vont devoir s’appuyer sur de nouvelles architectures
informatiques. Sa puissance se résume dans :
 Analyser des données issues de différentes sources depuis une seule et même application;
 Explorer naturellement les associations entre les données;
 Visualiser les données à l’aide de graphiques soignés et performants;
 Accéder à vos données à partir de périphériques mobiles pour les analyser;
 Développer la prise de décisions collaboratives en temps réel et de façon sécurisée
Pour plus d’information sur le sujet,
http://files.meetup.com/2243521/A%20Guide%20to%20Big%20Data%20in%20Finance%20-%20Entrepreneurs%20Edition%20v1.0.pdf
http://www.data-business.fr/big-data-definition-enjeux-etudes-cas/
http://www.data-business.fr/exemples-applications-impact-big-data-entreprise/
http://www.lesechos.fr/opinions/points_vue/0203380497218-le-big-data-et-les-atouts-francais-658423.php
http://tempsreel.nouvelobs.com/economie/20140417.OBS4360/pourquoi-la-big-data-devient-un-tres-gros-business.html
http://visionarymarketing.fr/blog/2014/04/big-data-marketing/
http://www.soft-concept.com/surveymag/big-data-fin-des-etudes-marketing-4.htm
http://www.altic.org/decouvrir-notre-offre/business-intelligence/big-analytics/425-big-data-pour-qui-pourquoi
http://www.data-business.fr/big-data-analytics-les-facteurs-derriere-revolution-data/
http://www.strategie.gouv.fr/blog/2013/11/note-analyse-des-big-data/
http://info.talend.com/rs/talend/images/WP_FR_BD_Talend_4Pillars_BigDataManagement.pdf
http://public.dhe.ibm.com/common/ssi/ecm/fr/gbe03519frfr/GBE03519FRFR.PDF
http://www.data-business.fr/wp-content/Downloads/LivresBlancs/Guide_du_Big_Data_2013_2014.pdf
http://www.optimindwinter.com/wpcontent/themes/optimind/upload_dbem/2013/10/201310_Dossier_technique_Optimind_Winter_Big_
Data.pdf
http://www.revue-banque.fr/banque-detail-assurance/article/big-data-defis-opportunites-pour-les-assureurs
Big Data & Risques, Mise en perspective du Big Data dans la gestion des risques bancaires, Chappuishalder & Cie.
http://fr.slideshare.net/StphaneChappellier/2014173127-big-dataetdonne769esexternesdanslesmode768lesdetarificationvf
http://www.altic.org/decouvrir-notre-offre/business-intelligence/big-analytics/118-hadoop/350-big-data-pour-vos-projets-decisionnels
http://pro.01net.com/editorial/595059/pourquoi-le-big-data-ne-tient-pas-encore-ses-promesses/
Nexialog Consulting

Etude sur le Big Data

Contenu connexe

Tendances (20)

Similaire à Etude sur le Big Data (20)

Etude sur le Big Data