Comment utiliser le Big Data

(in English : How to use Big Data)

Stéphane Grumbach et Stéphane Frénot ou publié dans dans Le Monde du 7 janvier 2013 un article qui développe ce qui se dit souvent sur le Big Data : « Les données, puissance du futur ».

Il est vrai que l'Internet apporte des moyens éditoriaux puissants aux institutions qui produisent des statistiques, il est vrai aussi que les observations collectées par les processus informatiques permettent des traitements inédits. Il faut bien sûr être conscient des possibilités et des dangers nouveaux que cela comporte.

Les auteurs de cet article manient cependant avec trop peu de précautions les bombes sémantiques que sont les mots « donnée » et « information ». Des expressions comme « numérisation de tout », « société de l'information », « masse de données », « une ressource peu différente des matières premières comme le charbon ou le minerai de fer » sont en effet trompeuses : incitant à considérer les données selon leur volumétrie, elles font glisser sur la pente de la « théorie de l'information ».

Shannon, qui assimilait l'information qu'apporte un message au logarithme de sa longueur après compression, disait « meaning doesn't matter », « la signification n'a pas d'importance ». L'énergie impressionnante de cette affirmation masque mal son absurdité.

Voici ce que m'a enseigné la pratique du métier de statisticien :

1. Les « données » sont en fait des observations sélectives : elles ne sont pas « données » par la nature mais définies a priori par un observateur afin que leur mesure puisse être ensuite « donnée » à l'ordinateur.
2. L'« information » donne au cerveau de celui qui la reçoit une « forme intérieure » qui lui confère une capacité d'action. Cette capacité ne peut cependant se dégager que si les données sont interprétées, ce qui suppose de postuler un lien de causalité entre les concepts dont la mesure a été observée.
3. L'analyse des données la plus pointue ne faisant qu'explorer des corrélations, il faut posséder une bonne maîtrise de la théorie du domaine observé pour pouvoir passer de la corrélation à la causalité.

Quelques mots sur le dernier point : une théorie, c'est le trésor des interprétations antérieures condensé sous la forme de liens de causalité entre les concepts – trésor qu'il faut souhaiter exempt du dogmatisme, du pédantisme et de l'étroitesse qui sont autant de maladies pour la théorie.

Celui qui ignore la théorie tombera fatalement, comme cela m'est arrivé, dans quelqu'une des naïvetés que l'expérience des théoriciens avait depuis longtemps repérées. L'observation dont les données résultent s'appuyait d'ailleurs elle-même sur une théorie (parfois implicite) qui lui a fourni ses concepts et dont il convient d'avoir au moins une intuition.

Le fonctionnement des services de renseignement montre que l'interprétation (qu'ils appellent « synthèse ») importe beaucoup plus que la collecte : mieux vaut collecter peu de données bien choisies, et que l'on sache interpréter, plutôt que de se laisser écraser par une collecte massive.

Il est donc périlleux de situer la valeur ajoutée dans les seuls stockage et traitement informatiques des données. Si l'on néglige cela le Big Data n'apportera que de la confusion. Par contre si l'on sait s'y prendre il constitue en effet une ressource - et donc, comme le disent Grumbach et Frénot, un enjeu.