La science des données dans les affaires

La science des données joue un rôle clé dans de nombreuses opérations commerciales (business). Une variété de données relatives aux clients, aux produits et aux ventes peut être collectée et générée au sein d'une entreprise. Celles-ci comprennent les noms des clients et les listes de produits qu'ils ont achetés, ainsi que les revenus quotidiens. L'analytique commerciale examine ces données pour lancer de nouveaux produits et pour maximiser les revenus et les profits de l'entreprise.

Le géant de la grande distribution Walmart est connu pour utiliser l'analytique commerciale afin d'améliorer la rentabilité de l'entreprise. Walmart collecte chaque heure plusieurs pétaoctets (1 pétaoctet = 1 024 téraoctets) de données non structurées auprès de millions de clients (communément appelées « mégadonnées ») ; en 2024, les données clients de Walmart comprenaient environ 255 millions de visites de clients par semaine (Statista, 2024). Walmart utilise ces mégadonnées pour étudier les motifs de consommation et ajuster ses stocks. Une telle analyse aide l'entreprise à éviter les ruptures ou les surplus de stock et a entraîné une augmentation estimée des ventes en ligne de 10 % à 15 %, ce qui se traduit par un milliard de dollars supplémentaires de chiffre d'affaires (ProjectPro, 2015). Un exemple souvent cité concerne la technologie prédictive utilisée par Walmart pour se préparer à l'ouragan Frances en 2004. Une semaine avant l'arrivée de l'ouragan, le personnel a été invité à examiner ses données de ventes pendant l'ouragan Charley, survenu plusieurs semaines auparavant, puis à établir des prévisions sur la demande de produits avant l'arrivée de Frances (Hays, 2004). Entre autres constats, les dirigeants ont découvert que les ventes de Pop-Tarts à la fraise avaient été multipliées par sept environ pendant cette période. Par conséquent, dans les jours précédant l'ouragan Frances, Walmart a expédié des stocks supplémentaires de Pop-Tarts à la fraise vers les magasins situés sur la trajectoire de la tempête (Hays, 2004). L'analyse a également fourni des informations sur le nombre d'employés de caisse à affecter aux différents moments de la journée, sur l'emplacement des produits populaires et sur de nombreux autres détails relatifs aux ventes et aux produits. De plus, l'entreprise a lancé des initiatives d'analytique des médias sociaux pour étudier les mots-clés populaires sur les réseaux sociaux et mettre rapidement à disposition les produits associés (ProjectPro, 2015).

Amazon en fournit un autre bon exemple. Depuis le lancement de son service d'adhésion Prime, Amazon s'est concentrée sur la manière de minimiser les délais et les coûts de livraison. Comme Walmart, elle a commencé par analyser les motifs de consommation et a pu rapprocher les produits des clients. Pour ce faire, Amazon a d'abord divisé les États-Unis en huit régions géographiques et s'est assurée que la plupart des articles étaient stockés et expédiés au sein de la même région ; cela a permis à l'entreprise de réduire le délai et le coût d'expédition. En 2023, plus de 76 % des commandes étaient expédiées depuis la région du client, et les articles situés dans des centres d'expédition le jour même pouvaient être prêts à être chargés dans un camion de livraison en seulement 11 minutes (Herrington, 2023). Amazon utilise également des algorithmes d'apprentissage automatique pour prédire la demande d'articles dans chaque région et prépositionner les articles les plus demandés dans le centre de distribution de la région correspondante. Cette stratégie prédictive a aidé Amazon à réduire le délai de livraison de chaque produit et à étendre la sélection d'articles éligibles à la livraison en deux jours (Herrington, 2023).

La science des données est également largement utilisée dans la finance. La détection et la gestion des transactions frauduleuses sont désormais effectuées par des algorithmes d'apprentissage automatique automatisés (IABAC, 2023). En se basant sur les données des clients et les motifs d'activités frauduleuses passées, un algorithme peut déterminer en temps réel si une transaction est frauduleuse. De nombreuses entreprises technologiques, telles qu'IBM et Amazon Web Services, proposent leurs propres solutions de détection des fraudes à leurs entreprises clientes. (Pour plus d'informations, consultez cette ressource en ligne sur la détection des fraudes grâce à l'analytique des données.)

La science des données en ingénierie et en sciences

Divers domaines de l'ingénierie (engineering) et de la science bénéficient également de la science des données. L'internet des objets (IoT) est un bon exemple d'un nouveau paradigme technologique qui a bénéficié de la science des données. L'internet des objets (IoT) (Internet of Things (IoT)) décrit le réseau de multiples objets interagissant les uns avec les autres via Internet. La science des données joue un rôle crucial dans ces interactions puisque les comportements des objets d'un réseau sont souvent déclenchés par des données collectées par un autre objet du réseau. Par exemple, une sonnette ou une caméra intelligente nous permet de visionner un flux en direct sur notre téléphone et nous alerte en cas d'activité inhabituelle.

De plus, la prévision météorologique (weather forecasting) a toujours été une tâche guidée par les données. Les analystes météo collectent différentes mesures du temps qu'il fait, telles que la température et l'humidité, puis établissent leur meilleure estimation pour la météo à venir. La science des données a rendu la prévision météorologique plus fiable en adoptant des méthodes de prédiction plus sophistiquées telles que l'analyse des séries temporelles, l'intelligence artificielle (IA) et l'apprentissage automatique (abordés dans Séries temporelles et prévisions, Notions de base de la prise de décision à l'aide de l'apprentissage automatique et Notions de base de l'apprentissage profond et de l'IA). Une telle avancée dans les prévisions météorologiques a également permis aux ingénieurs et aux scientifiques de prédire certaines catastrophes naturelles telles que les inondations ou les incendies de forêt, et a rendu possible l'agriculture de précision, grâce à laquelle les ingénieurs agronomes peuvent identifier une fenêtre temporelle optimale pour planter, arroser et récolter les cultures. Par exemple, une société de conseil en agronomie, Ag Automation, s'est associée à Hitachi pour proposer une solution qui automatise la collecte de données tout en surveillant et contrôlant à distance l'irrigation pour une efficacité optimale (Hitachi, 2023).

La science des données dans les politiques publiques (Public Policy)

Les villes intelligentes figurent parmi les exemples les plus représentatifs de l'utilisation de la science des données dans les politiques publiques. De nombreuses villes à travers le monde, notamment Masdar City aux Émirats arabes unis et Songdo en Corée du Sud, ont installé des milliers de capteurs de collecte de données utilisés pour optimiser leur consommation d'énergie. La technologie n'est pas parfaite, et les villes intelligentes ne réalisent peut-être pas encore tout leur potentiel, mais de nombreuses entreprises poursuivent l'objectif de développer plus largement les villes intelligentes (Clewlow, 2024). La notion de ville intelligente (smart city) a également été appliquée à plus petite échelle, comme à un parking, un bâtiment ou une rue éclairée. Par exemple, la ville de San Diego a installé des milliers de capteurs dans les rues de la ville pour commander l'éclairage public à l'aide de données et de technologies intelligentes. Les capteurs mesurent la circulation, l'occupation du stationnement, l'humidité et la température, et sont capables d'allumer les lumières uniquement lorsque cela est nécessaire (Van Bocxlaer, 2020). La ville de New York a adopté des poubelles intelligentes qui surveillent la quantité d'ordures dans un bac, permettant aux entreprises de collecte des déchets d'acheminer leurs efforts de collecte plus efficacement (Van Bocxlaer, 2020).

La science des données dans l'éducation (Education)

La science des données influence également l'éducation. L'enseignement traditionnel, en particulier dans l'enseignement supérieur, est dispensé selon un modèle uniforme pour tous, comme de nombreux étudiants écoutant le cours d'un seul enseignant dans une salle de classe. Cela rend difficile pour un enseignant de suivre les progrès d'apprentissage de chaque étudiant individuellement. Cependant, de nombreuses plateformes éducatives sont aujourd'hui en ligne et peuvent produire une quantité énorme de données sur les étudiants, permettant aux enseignants d'examiner l'apprentissage de chacun à partir de ces données collectées. Par exemple, les systèmes de gestion de l'apprentissage (learning management systems) en ligne tels que Canvas regroupent un carnet de notes en un seul endroit, et les manuels en ligne tels que zyBooks recueillent le niveau de maîtrise de chaque sujet par les étudiants grâce à leurs performances lors des exercices. Toutes ces données peuvent être utilisées pour appréhender les progrès de chaque étudiant et offrir des expériences d'apprentissage personnalisées, telles que des systèmes de tutorat intelligents ou l'apprentissage adaptatif. ALEKS, une application en ligne d'apprentissage adaptatif (adaptive learning), propose des contenus personnalisés pour chaque apprenant en fonction de ses performances passées.

La science des données dans les soins de santé et la médecine

Les domaines des soins de santé et de la médecine utilisent également la science des données. Souvent, leur objectif est d'offrir des diagnostics et des traitements plus précis grâce à l'analyse prédictive (predictive analytics)—des techniques statistiques, des algorithmes et l'apprentissage automatique qui analysent les données historiques et font des prédictions sur les événements futurs. Les pratiques de diagnostic médical et de prescription ont traditionnellement reposé sur la description verbale des symptômes par le patient ainsi que sur l'expérience et l'intuition d'un médecin ou d'un groupe de médecins ; ce nouveau mouvement permet aux professionnels de santé de prendre des décisions davantage fondées sur les données. Les décisions fondées sur les données sont devenues plus réalisables grâce à toutes les données personnelles collectées via des appareils personnels—smartphones, montres connectées et bracelets connectés. Ces dispositifs recueillent des enregistrements quotidiens de santé/activité, ce qui aide à son tour les professionnels de santé à mieux cerner la situation de chaque patient. Tout ce travail permettra, à terme, aux patients de recevoir des diagnostics plus précis ainsi que des protocoles de traitement plus personnalisés.

La Initiative de médecine de précision (Precision Medicine Initiative) est un projet de recherche à long terme mené par les National Institutes of Health (NIH) et d'autres centres de recherche, dans le but de mieux comprendre comment la génétique, l'environnement et le mode de vie d'une personne peuvent aider à déterminer la meilleure approche pour prévenir ou traiter une maladie. L'initiative vise à examiner autant de données que possible pour prendre soin de la santé d'un patient de manière plus proactive. Par exemple, l'initiative comprend le séquençage du génome pour rechercher certaines mutations qui indiquent un risque plus élevé de cancer ou d'autres maladies.

Une autre application de la science des données dans la santé vise à réduire le coût des services de soins de santé. En utilisant les historiques des symptômes et des prescriptions des patients, un agent conversationnel propulsé par l'intelligence artificielle peut fournir des conseils de santé automatisés. Cela réduira la nécessité pour les patients de consulter un pharmacien ou un médecin, ce qui améliore en retour l'accessibilité aux soins de santé pour ceux qui en ont le plus besoin.

La science des données dans le sport et le divertissement

La science des données est également très présente dans le sport et l'industrie du divertissement. Le sport produit naturellement beaucoup de données—sur les joueurs, les postes, les équipes, les saisons, etc. Par conséquent, tout comme il existe le concept d'analytique commerciale, l'analyse de ces données dans le sport est appelée analyse des données sportives (sports analytics). Par exemple, l'équipe de baseball des Athletics d'Oakland est célèbre pour avoir analysé le recrutement des joueurs pour la saison 2002. La direction de l'équipe a adopté une approche statistique appelée sabermétrie (sabermetrics) pour recruter et positionner les joueurs. Grâce à la sabermétrie, l'équipe a pu identifier des métriques essentielles mais traditionnellement négligées, telles que le pourcentage de présence sur les bases et la moyenne de puissance. L'équipe, avec son faible budget par rapport à d'autres équipes, a recruté plusieurs joueurs sous-évalués qui affichaient de très bons résultats sur ces métriques et, ce faisant, elle est devenue l'une des équipes les plus passionnantes du baseball cette année-là, battant le record de la Ligue américaine avec 20 victoires consécutives. Cette histoire vous semble-t-elle familière ? Cette histoire était si captivante que Michael Lewis en a fait un livre, qui a également été adapté en film : Moneyball.

Dans l'industrie du divertissement, la science des données est couramment utilisée pour formuler des suggestions personnalisées et fondées sur les données qui satisfont les consommateurs, sous la forme de ce que l'on appelle des systèmes de recommandation (recommendation systems). Les services de diffusion vidéo en continu tels que Netflix constituent un exemple de système de recommandation. Netflix Research prend en compte l'historique de visionnage des abonnés, leur satisfaction à l'égard des contenus et l'historique de leurs interactions (par ex., l'historique de recherche). Leur objectif est de formuler des recommandations personnalisées parfaites malgré certains défis, notamment le fait que les abonnés eux-mêmes ne savent souvent pas ce qu'ils veulent regarder.

Tendances et enjeux de la science des données

La technologie a permis de collecter d'abondantes quantités de données, ce qui a entraîné des défis dans le traitement et l'analyse de ces données. Mais la technologie vient à nouveau à la rescousse ! Les scientifiques des données utilisent désormais l'apprentissage automatique pour mieux comprendre les données, et l'intelligence artificielle peut prendre une décision automatisée et guidée par les données pour accomplir une tâche. Notions de base de la prise de décision à l'aide de l'apprentissage automatique et Notions de base de l'apprentissage profond et de l'IA aborderont en détail l'apprentissage automatique et l'intelligence artificielle.

Face à ces avancées, de nombreuses personnes ont soulevé des inquiétudes quant à l'éthique et à la confidentialité. Qui est autorisé à collecter ces données, et qui y a accès ? Aucun d'entre nous ne souhaite que quelqu'un d'autre utilise nos données personnelles (par ex., coordonnées, dossiers médicaux, localisation, photos, historique de recherche web) sans notre consentement ou sans connaître le risque lié au partage de nos données. Les algorithmes d'apprentissage automatique et l'intelligence artificielle sont entraînés pour prendre une décision sur la base de données passées, et lorsque les données passées comportent elles-mêmes des biais, les algorithmes d'apprentissage automatique et l'intelligence artificielle ainsi entraînés prendront également des décisions biaisées. Par conséquent, il est essentiel de prêter une attention rigoureuse au processus de collecte des données et d'évaluer le biais des résultats obtenus. L'éthique tout au long du cycle de la science des données examinera plus en détail ces préoccupations éthiques ainsi que d'autres questions relatives à la confidentialité.