Intelligence = renseignement

La data Intelligence se définie comme l’intelligence des données, le terme intelligence étant à interpréter selon son acception anglo-saxonne, c’est-à-dire le renseignement, laquelle provient du latin, à savoir : établir des liens. La data intelligence est donc l’activité de transformation de la donnée, d’investigation dans la donnée, d’extraction de données portées par les données, de connexité dans les données.

La Data Science est la science des données et à ce titre contient la Data Intelligence. Le datascientist qui traite de ces données est donc un acteur principal de la Data Intelligence. Le datascientist est de profil plutôt ingénieur, il connait bien les métiers et leurs données, elles se veulent porteuses de sens pour lui. Il utilise des moyens non conventionnels tels que l’induction pour l’investiguer ce qui fait de la Data Intelligence un terrain d’expérimentation nouveau.

Le Big Data, le Smart Data, le Small Data sont des postures de prise en charge des données selon un nouveau paradigme. Dans ce paradigme, nous avons compris qu’il était illusoire de chercher la complétude, l’intégrité, la conformité, la qualité des données. En effet l’hyper volumétrie et la vélocité des données rendent inepte l’idée de disposer en un même moment et en un même lieu de toute l’information liée à une problématique. Il nous faut donc faire avec la parcellarité, l’ambiguïté, la contradiction, l’asynchronisme des données. Que ce soit sur un système ouvert Big Data, sur un périmètre essentiel Smart Data ou sur un périmètre maitrisé Small Data, la donnée doit être interprétée, comprise, source d’actions et de réactions. Ici est le domaine de la Data Intelligence.

La Business Intelligence s’appuie sur les données pour renseigner les décideurs sur l’activité des clients et des cibles de clientèle des entreprises. Elle fait appel massivement à des techniques statistiques et décisionnelles. Ce qui change avec la Data Intelligence réside d’une part dans le périmètre beaucoup plus large de son assiette et la complexité plus grande des problèmes à résoudre ; et d’autre part dans la nouvelle posture de l’utilisateur qui préfère disposer immédiatement d’un modèle qui fonctionne plutôt que plus tard d’un modèle qui s’explique.

L’Intelligence Artificielle a été le creuset du développement de nombre de produits tentant de reproduire les raisonnements humains à grande échelle. Mais ce n’est que récemment que des études ont pu être menées et des solutions puissantes ont pu être développées à l’aune des progrès technologiques. L’émergence de la Data Intelligence est en partie possible par la disponibilité de ces nouveaux outils.

La Data Intelligence c’est savoir

Selon l’approche traditionnelle déductive, savoir est un état, savoir implique de mémoriser. Savoir se traduit alors par « stocker et retrouver l’information » dans l’esprit de certains, et une image du Big Data sous forme de vastes étendues de serveurs se profile, de data lake.

Mais selon l’approche Data Intelligence, plus inductive, savoir est aussi une action, savoir signifie se renseigner. Ici pour savoir il faut investiguer, recevoir et repérer mais surement pas emmagasiner.

  • Investiguer pour capter les signaux faibles et détecter les éléments différentiant permettant d’éclairer et comprendre les situations, d’apprendre davantage qu’en ressassant toujours des cas similaires, de rationaliser l’effort d’investigation.
  • Préparer, poser des surveillances pour recevoir des alarmes sur les évolutions des situations
  • Repérer le sens au sein de nombreuses données non structurées.

La Data Intelligence c’est comprendre

Selon l’approche traditionnelle déductive, comprendre est une action qui signifie intellectualiser. Comprendre se traduit alors par une analyse du passé, une modélisation qui dégage une explication logique.

Mais selon l’approche inductive de la Data Intelligence, comprendre est aussi une action qui signifie prendre avec soi. Ici pour comprendre il faut faire sienne une information, ou faire sien un raisonnement, sans forcément être en mesure de les intellectualiser. Comprendre devient alors relativiser, interpréter, transformer, catégoriser, enrichir mais surement pas expliquer.

  • Relativiser pour effacer le terme « données » au profit du terme « indice » faisant apparaitre l’incertitude nécessaire à la conduite d’une bonne investigation.
  • Accepter que chacun dispose d’une interprétation différente, d’une herméneutique propre comme le préconise le courant constructiviste.
  • Transformer, conduire des abstractions en respectant le niveau de complexité du problème et faire émerger des solutions
  • Catégoriser pour être en mesure de réaliser rapidement des analogies
  • Enrichir en permanence sa compréhension et passer de données en extension vers des données en compréhension plus compactes et plus efficaces

La Data Intelligence c’est informer

Selon l’approche traditionnelle déductive, informer est une action qui signifie fournir de la donnée.  Informer se traduit alors par l’émission de rapports et par la mise à disposition de données explorables via un navigateur.

Mais selon l’approche inductive de la Data Intelligence, informer est une aussi action qui consiste à faire prendre conscience. Il est alors nécessaire d’alerter, de personnaliser l’information, d’influencer mais surement pas de farfouiller.

  • Alerter c’est d’abord mesurer les enjeux afin de décider de l’opportunité et du niveau de l’alerte. Pour ce faire une compréhension de la situation et de son impact est nécessaire.
  • Personnaliser c’est adapter la forme de présentation de l’information pour qu’elle soit intelligible à chaque lecteur individuellement. Il est alors indispensable de connaitre le lecteur, on parle de sa gestalt.

Influencer c’est vérifier l’interaction de l’information avec le champ de conscience des lecteurs, il s’agit d’une dimension systémique devant être contrôlée.

Jean Pierre MALLE