Qu’est-ce que le Small Data ?
En résumé, Small Data désigne des ensembles de données dont le volume est suffisamment petit et le format assez simple pour pouvoir être traités par une seule machine ou compris par une personne. Considéré comme un dérivé du Big Data, le Small Data peut fournir des informations pertinentes et opportunes, organisées et présentées de manière à les rendre accessibles, compréhensibles et exploitables pour prendre de décision au quotidien.
Le Small Data permet aux entreprises d’obtenir des informations stratégiques sans avoir à mettre en œuvre les types de systèmes nécessaires à l’analyse du Big Data. Puisque le Small Data provient principalement des systèmes de transaction, la plupart des entreprises qui adoptent une stratégie d’analyse y ont déjà accès et peuvent l’utiliser pour prendre des décisions éclairées avant de passer à des analyses plus avancées basées sur le Big Data.
Voici quelques exemples courants de Small Data :
- Données issues des systèmes de gestion de la relation client (CRM)
- Informations relatives aux achats de supports marketing, de matières premières et d’équipement
- Informations sur les clients et les ventes de produits
- Données sur les comportements des clients
- Données relatives aux paniers d’achats en ligne
- Enquêtes de satisfaction clients
- Entretiens individuels
Caractéristiques du Small Data
On lui attribue généralement trois caractéristiques. Le Small Data est :
- Accessible : le Big Data comprend de grands volumes de données complexes et difficiles à gérer. Le Small Data, en revanche, se présente sous la forme de volumes plus petits et faciles à utiliser.
- Compréhensible :le Small Data synthétise le Big Data en ensembles de données plus petits, plus faciles à comprendre, sans recourir à de puissants algorithmes et programmes d’analyse.
- Exploitable : le Small Data fournit des informations stratégiques sur les utilisateurs, les clients et leur comportement, qui peuvent être utilisées pour prendre des décisions à court terme.
Big Data et Small Data
Le Big Data fait référence aux grands volumes de données structurées et non structurées générés par les processus métiers actuels. Ces ensembles sont généralement difficiles à consulter, à comprendre, à organiser et à analyser. Les données étant trop volumineuses pour être représentées sur une seule machine, elles nécessitent généralement un matériel informatique, des logiciels et des algorithmes puissants pour révéler des modèles, des tendances et des informations qui pourraient être utiles aux activités commerciales.
Contrairement au Big Data, le Small Data comprend des ensembles de données plus petits et accessibles, pouvant être facilement compris, consultés et analysés par les êtres humains. Les données s’accumulent beaucoup plus lentement qu’avec le Big Data et sont souvent utilisées pour répondre à des questions spécifiques ou résoudre un problème précis. Le Small Data est généralement stocké sur une seule machine, comme un serveur local ou un ordinateur portable. Par conséquent, les entreprises peuvent facilement en tirer des insights précieux sans devoir investir dans une technologie de haute performance ni utiliser des algorithmes complexes.
Cela dit, le Small Data et le Big Data ont tous les deux un impact sur les entreprises et peuvent être utilisés de manière complémentaire pour cibler différents publics et niveaux organisationnels.
Pourquoi le Small Data est-il important ?
Pour les entreprises disposant de ressources limitées, il est logique de travailler avec des données à une échelle pouvant avoir un effet immédiat. Comme expliqué ci-dessus, il est plus facile de traiter et d’interpréter des ensembles de données plus petits que les quantités massives d’informations du Big Data.
De plus, comme les données du Small Data peuvent être présentées de manière plus pertinente et compacte, elles sont souvent plus faciles à analyser et à exploiter pour les professionnels, les spécialistes du marketing numérique et les gestionnaires.
Dans de nombreux cas, le Small Data permet d’obtenir de meilleurs résultats en temps réel, ce qui aide les entreprises à améliorer leurs pratiques habituelles, à résoudre les problèmes courants et à trouver des idées novatrices pour adopter de nouvelles habitudes commerciales. Comme le Big Data, le Small Data peut également alimenter les modèles d’apprentissage machine et d’intelligence artificielle qui sont essentiels pour automatiser les processus internes clés.
Avantages du Small Data
Disponibilité accrue
La plupart des données utilisées relèvent du Small Data. Toute personne disposant d’un ordinateur ou d’un smartphone crée des microdonnées, ce qui les rend plus facilement accessibles que les mégadonnées. Les données provenant des réseaux sociaux ou des publicités à la performance, par exemple, sont des ressources précieuses pour obtenir des informations sur les décisions des acheteurs et la valeur vie client (CLV).
Simplicité
Le Small Data peut être facilement compris et interprété par des humains, et donc par les parties prenantes et les décideurs. Le Big Data nécessite souvent l’interprétation de professionnels, tandis que tout le monde peut utiliser le Small Data pour créer de la valeur.
Business Intelligence immédiate
Dans de nombreux cas, le Small Data est idéal pour résoudre un problème ponctuel. Puisque les microdonnées sont faciles à comprendre, le délai entre leur génération et leur utilisation dans le but d’influencer les décisions commerciales ou d’atteindre les clients peut être relativement court.
Une approche orientée client
Le Small Data vous permet de mieux comprendre ce que les utilisateurs finaux attendent de votre entreprise. En étudiant de petits échantillons de données, vous pouvez obtenir des renseignements détaillés expliquant le comportement des clients et en déduire d’importantes informations stratégiques.
Avantages économiques
Le Small Data est accessible depuis les applications et services, quel que soit l’emplacement de stockage, vous n’avez donc pas besoin de créer de datastores et de data warehouses coûteux à mesure que le volume de données augmente.
Cas d’utilisation du Small Data
Voici quelques exemples de cas d’utilisation du Small Data :
Service client : les informations détaillées sur les clients peuvent aider les entreprises à résoudre plus rapidement les problèmes. La reconnaissance du numéro de téléphone ou l’anticipation d’un incident (un vol retardé, par exemple) peut permettre au service client de mieux gérer un problème ou de renvoyer vers un service de réponse automatique.
Gestion des dépenses et des actifs : les entreprises ont souvent du mal à suivre précisément les dépenses et à déclarer les actifs immobilisés. Le Small Data vous donne une image plus claire de votre efficacité organisationnelle générale, ce qui peut vous aider à aligner vos activités commerciales sur vos priorités.
Maintien du personnel : le fait de pouvoir constater des changements mineurs dans l’activité des employés, comme le cumul de jours de congés non soldés et d’arrêts maladie, peut donner un aperçu de la motivation des employés. Ces informations peuvent contribuer à l’élaboration de méthodes de maintien en poste ainsi qu’à l’amélioration de la culture d’entreprise et de l’environnement de travail.
Achats personnalisés : Les petits ensembles de données créés à partir d’appareils portatifs, de capteurs, de caméras de surveillance et d’appareils IoT grand public peuvent être utilisés pour améliorer l’expérience client en magasin.
Tendances
Le rapport Gartner sur le Top 10 des tendances technologiques en matière de données et d’analyse pour 2021 révèle que les organisations préfèrent utiliser le Small and Wide Data plutôt que le Big Data pour résoudre les problèmes liés à des questions complexes d’IA et à un manque de données dans certains cas d’utilisation spécifiques.
Le Wide Data permet d’analyser plusieurs petites sources de données variées, à la fois structurées et non structurées, afin de préciser le contexte et d’améliorer la prise de décision, tandis que le Small Data repose sur des modèles fournissant des informations utiles avec moins de données.
Le rapport suggère également que les technologies de l’IA doivent être capables d’utiliser des ensembles de données plus petits et des techniques de Small Data plutôt que des données historiques traditionnelles, car la plupart ne sont certainement plus pertinentes en raison de l’évolution du contexte économique en lien avec la pandémie de COVID-19.
