Maîtriser l'acquisition automatisée de données : insights finaux et meilleures pratiques

Par Ken Gifford

Avez-vous déjà emmené quelqu'un chez Baskin-Robbins qui adore la glace ? Invariablement, ma femme a une idée précise de ce qu'elle veut. Mais face à l'éventail déroutant de choix, elle peine à décider. C'est ce qu'on appelle aujourd'hui la « surcharge informationnelle ». On a une idée de l'information recherchée, mais nos sens saturent face à la masse de données présentées. Comme boire à un tuyau d'incendie.

Clay Shirky, auteur américain sur les technologies Internet, affirme :

« Ce n'est pas une surcharge d'information. C'est un échec de filtrage. »

Wikipédia le formule ainsi : « Certains scientifiques cognitifs et graphistes distinguent l'information brute de celle utilisable pour la réflexion. Selon cette vue, la surcharge informationnelle serait plutôt une « sous-organisation ». Le problème n'est pas le volume, mais l'incapacité à discerner comment l'utiliser bien sous sa forme brute ou biaisée. »

Pour ma part, je distingue données et information. Données = données brutes sous forme la plus simple. Information = données distillées en quelque chose d'actionnable.

Dans l'industrie, cela se traduit par des tendances. Une tendance est une ligne continue représentant un point de données dans le temps. La plupart ont vu un présentateur devant un chevalet avec une ligne rouge montante ou descendante. Simple représentation d'une ligne de tendance.

Pour analyser des séries temporelles, un graphique de tendance détecte les changements soudains et leur moment exact. L'analyste peut zoomer sur une plage temporelle pour une analyse approfondie. Les tendances sont donc la vue principale de tout outil de collecte de données industrielles.
Mais quelles données collecter ? Question chargée. Avec un nouveau client, nous demandons : « Quelles données souhaitez-vous collecter ? » Réponse invariable : « Tout. » Défi à plusieurs égards : cela indique souvent que l'utilisateur ne sait pas quelles données sont les plus utiles pour évaluer le bon fonctionnement d'un processus. Pourtant, des facteurs invisibles peuvent affecter un processus. Tout collecter permet de comprendre ce qui se passe lors d'événements extraordinaires. Cela exige de bons « filtres » pour trier et visualiser l'information nécessaire aux bonnes décisions.
Avant une approche « plongée profonde dans les données », considérez le coût. Un système collectant des milliers de sources coûtera cher. Une approche : dimensionner le système pour les points de données « à haute valeur », avec une marge de 100 sources supplémentaires. Ces sources de marge (« tags » en langage logiciel) peuvent être réaffectées pour collecter divers points lors d'un test de nouvelle spécification ou d'un problème récurrent. Cela maîtrise le coût global tout en gardant la flexibilité pour analyses approfondies.
J'espère que vous avez apprécié cette série sur la collecte automatisée de données. Questions ou discussion ? Appelez-nous au 800-844-8405.