Citer
Imprimer
Partager

Les données massives : nouvel enjeu stratégique

  • Résumé
    Management & Data Science est une nouvelle revue académique. Elle s’adresse aux praticiens et aux chercheurs désireux de comprendre l’impact du big data et de la transformation digitale sur l'entreprise et son management. À travers la diversité des sujets traités, des acteurs, des secteurs, des méthodologies et des disciplines, ce premier numéro rend compte du nouvel enjeu stratégique qu’apportent les données massives dans le management.
    Citation : Riché, C. (Sep 2017). Les données massives : nouvel enjeu stratégique. Management et Datascience, 1(1). https://doi.org/10.36863/mds.a.10480.
    L'auteur : 
    • Caroline Riché
       (caroline_riche@yahoo.fr) - Université Paris Saclay
    Copyright : © 2017 l'auteur. Publication sous licence Creative Commons CC BY-ND.
    Liens d'intérêts : 
    Financement : 
    Texte complet

    Pour ce premier article, intitulé « Management & data science : contours d’une discipline émergente en sciences de gestion », le comité de rédaction suggère des contours de la data science et précise les enjeux de cette nouvelle discipline pour les sciences de gestion. Sur la base de recherches récentes, notamment les articles de Wedel et Kannan, 2016 ou George et al., 2016, une définition des data science est énoncée et ses fondements présentés. De nombreux défis sont à relever, avec en premier lieu la formation à l’analytics et des recherches dédiées à la data driven decision.

    Le second article est un avis d’expert réalisé par Christophe Benavent, Professeur en Sciences de Gestion, Université Paris Nanterre – Université Paris Lumières et s’intitule « Gouvernance d’entreprise : de l’économie collaborative au gouvernement algorithmique des plateformes ». Dans un contexte où l’économie collaborative est en plein essor, l’auteur montre la diversité des modèles de plateformes, en explique la genèse et questionne leur développement. Un nouveau modèle d’organisation est soulevé. Il est fondé sur une généralisation du crowdsourcing combinée à la mise en œuvre d’algorithmes, dont la maîtrise est incertaine. La gouvernementalité par l’algorithme interroge tant en termes d’efficacité que de régulation.

    Le troisième article explore un secteur particulièrement impacté par les données massives, celui de la santé. Cet article, intitulé « Approche de la communication sur Twitter par l’analytique : le cas de quatre hôpitaux européens », est proposé par Jean-François De Moya, Jessie Pallud, Caroline Merdinger-Rumpler, Ecole de Management Strasbourg et Franck Schneider, Hôpitaux Universitaires de Genève. Les auteurs s’intéressent à la structure communicationnelle qui sous-tend les stratégies de communication d’établissements de santé sur les réseaux sociaux. Leur approche méthodologique est basée sur l’analytique et l’analyse des réseaux sociaux. Les données sont issues de quatre comptes Twitter d’hôpitaux sur une période d’un an. Les résultats, présentés sous forme de graphes de réseaux et restituant les principales communautés, évoquent deux types de stratégies : celle de créer ou non des liens d’abonnement. Cet élément peut expliquer la proximité avec les publieurs, l’intermédiarité dans le réseau et la diffusion de l’information. L’analyse des graphes de réseaux apparaît ici complémentaire aux indicateurs de performances produits par les outils de monitoring.

    Si le quatrième article mobilise également la méthode des graphes sociaux, son objectif est de proposer une méthode de réduction de la complexité, applicable à la décision en management. L’article, intitulé « Prise de décision dans des environnements complexes » est rédigé par Henri Laude, laboratoire BlueDsX (groupe BlueSoft) & Advanced Research Partners. Cet article expose la notion de complexité et sa mesure, en particulier dans le contexte du machine learning. L’auteur propose une méthode de réduction de la complexité permettant in fine d’identifier un événement ou un signal faible. Plusieurs traitements et techniques successifs de l’information du graphe social sont réalisés (réduction du nombre de mesures, utilisation d’heuristiques et machine learning, clusterisation du graphe, séries temporelles multivariées, algorithme Minimum Redundancy – Maximum Relevance). Une matrice d’information mutuelle qualitative est obtenue et permet d’identifier 3 features représentatives. Ainsi la décision est simplifiée par la détermination d’un petit nombre de signaux faibles.

    Dans ce premier numéro, deux cas d’application illustrent les enjeux de la data Science sur le management. Ils s’inscrivent dans un contexte d’infobésité, juridique dans le premier cas et de données liées à l’entreprise dans le second cas. Le premier cas d’application repose sur une interview de Mathieu Balzarini et Sébastien Bardou, LexisNexis, et s’intitule « L’analyse prédictive au service des professionnels du Droit ». Sur la base de propos recueillis par Olivier Mamavi, les deux responsables de l’entreprise nous expliquent en quoi Données Quantifiées JurisData, une fonctionnalité du portail d’informations juridiques Lexis 360® lancée fin 2016, est innovante.  Il s’agit du premier service d’analyse quantitative et prédictive de la jurisprudence française. En contexte d’infobésité juridique, la solution JurisData un outil d’aide aux diagnostics et à la stratégie, destiné aux avocats, notaires, magistrats, experts-comptables et juristes d’entreprises. La recherche juridique est transformée car l’approche textuelle classique est complétée par la data-visualisation interactive. La solution propose aussi de « prédire » les suites d’une affaire.

    Le second cas d’application intitulé « Le Big Data pour valoriser les compétences » est un article proposé par Jean-Baptiste Igonetti, Université Paul-Valéry Montpellier 3 et Stéphane Chauvin, MyDataBall. L’infobésité managériale se traduit par un nombre d’indicateurs croissant et dont la restitution est complexe. Les auteurs mettent en avant un nombre élevé et croissant de tableaux de bord nécessaires afin de traduire les différentes facettes d’un événement. De plus, pour eux, les outils de gestion actuels sont peu efficients et leur traitement repose sur la subjectivité. Les outils de traitement de masses de données permettraient de mieux appréhender la composante humaine de la performance et de la compétence des collaborateurs.

    En attendant le prochain numéro consacré aux enjeux de la data science en marketing, nous vous souhaitons une bonne lecture.

  • Évaluation globale
    (Pas d'évaluation)

    (Il n'y a pas encore d'évaluation.)

    (Il n'y a pas encore de commentaire.)

    • Aucune ressource disponible.
    © 2024 - Management & Data Science. All rights reserved.