Le big data par la pratique

Le traitement massif de données se prête d'abord à la recommandation et à la segmentation client

D'énormes volumes de données, des informations peu structurées et des analyses réalisées en quasi temps réel. Voilà résumé le triptyque du big data, le dernier concept à la mode qui oscille entre réelles avancées et reconditionnement de concepts existants, notamment dans le décisionnel. Le big data est à la mode, car il promet d'effectuer de nouveaux types d'analyse. Premier débouché : la recommandation, un terrain quasi vierge. Ainsi eHarmony, site de rencontres américain client d'Amazon, compare et rapproche des profils de célibataires en s'appuyant sur 28 critères. Cela laisse entrevoir des combinaisons presque infinies. “ Avec les bases de données traditionnelles, eHarmony se limitait à l'analyse de quelques critères, explique Werner Vogels, directeur technique d'Amazon.com. Avec les seules bases relationnelles, on se coupait de nombreuses opportunités. Pour créer de nouvelles analyses, il fallait retoucher la structure de la base, ce qui en décourageait plus d'un. ”La solution passe par la plate-forme open source Hadoop. Comme la plupart des grands noms du web, Google ou Amazon justement, eHarmony s'est rallié à ce système distribué de calcul adapté aux très gros volumes de fichiers. Hadoop lui sert également à rapprocher sémantiquement les textes saisis librement par les célibataires.Autre vocation du big data, selon ses partisans : la segmentation client, surtout quand elle implique des données variées et volumineuses (logs, graphe social…). “ Un de nos clients spécialisé dans le jeu sur Facebook voulait déceler le profil type des joueurs prêts à basculer en mode payant, explique Romain Chaumais, PDG d'Ysance. Or, avec 140 amis en moyenne par joueur, un million et demi de joueurs et 50 millions d'interactions quotidiennes entre eux, les calculs nécessaires sont énormes. Seul Hadoop peut les réaliser. ”

Concurrent du datamining

En matière de connaissance client, le big data interfère avec des technologies déjà éprouvées : CRM analytique, datamining, décisionnel… “ Les deux familles sont en mesure de se compléter ”, note Romain Chaumais. Les traitements analytiques du big data liés, par exemple, aux interactions sociales, peuvent alors être reversés dans les entrepôts de données traditionnels, pour être, au final, analysés par les outils décisionnels.

L'avis de l'utilisateur : Pierre Matuchet, (Voyages-SNCF.com Technologies) : “ une architecture décisionnelle taillée pour les enjeux transactionnels ”

Nous faisons du big data avec des technologies traditionnelles. Notre enjeu était de proposer aux clients un calendrier des trains en fonction des tarifs. Or, il était impossible de solliciter directement, et en quasi temps réel, les 80 millions d'offres contenues dans notre système central. Il n'aurait pas tenu la charge. Nous nous appuyons donc sur des outils d'extraction, de transformation et d'enrichissement de données pour charger les offres dans un entrepôt structuré et répondre à cette logique de calendrier. Notre originalité a été de bâtir une architecture décisionnelle en l'adaptant aux enjeux transactionnels intensifs : 500 offres sont mises à jour à la seconde.