jmt edition 2017: « impact du big data · email: [email protected] ... cas de recours au big...
TRANSCRIPT
1
JMT EDITION 2017:
« Impact du Big data »
par
Evariste MINANI
ICT Expert/Senior Consultant
Email: [email protected]
Par
1
2
Sommaire Méga-données ou Big data
Open data vs Big data
Défis
Société d’Information (forces)
Risques
Cas de recours au Big data en Afrique
Big data en CEA
Big Data au Bdi (enjeux et Intérêts)
Conclusion et Recommandations
2
3
1. MEGADONNEES OU BIGDATA
4
1. MEGADONNEES OU BIGDATA
Appellation introduite en 1997, Le terme de
mégadonnées ou bigdata désigne l'ensemble
des données numériques produites par l'utilisation
des nouvelles technologies à des fins personnelles
ou professionnelles. Cela recoupe les données
d'entreprise (courriels, documents, bases de
données, historiques de processeurs métiers...)
aussi bien que des données issues de capteurs, des
contenus publiés sur le web(images, vidéos, sons,
textes), des transactions de commerce
électronique, des échanges sur les réseaux
sociaux, des données transmises par les objets
connectés (étiquettes électroniques, compteurs
intelligents, smartphones...), des données
géolocalisées, etc. (source:
5
1. MEGADONNEES OU BIGDATA
Du fait de la numérisation et de l’accroissement des
données disponibles via l’internet, de nouveaux
acteurs sont devenus producteurs de données. On
entend par « mégadonnées » les quantités
considérables de données numériques dégagées en
tant que sous-produit des interactions quotidiennes
avec les produits ou services numériques. Les
mégadonnées sont générées passivement en
grandes quantités et à grande vitesse par les êtres
humains et les machines et peuvent être classées
grosso modo comme provenant des médias sociaux,
de téléphones portables, de terminaux de points de
vente ou de systèmes de positionnement
géographique (GPS).
6
1. MEGADONNEES OU BIGDATA
Volume (de données de plus en massif)
Variété (de ces données qui peuvent être brutes, non structurées ou semi-structurées )
Vélocité (qui désigne le fait que ces données sont produites, récoltées et analysées en temps réel.)
Doug Laney décrivait les big data d'après le principe des « trois V » :
7
2. Open Data (OD) Vs Big Data
8
2. Open Data (OD) Vs Big Data
Contrairement à l’Open Data ou nommée
donnée ouverte est une donnée numérique
d’origine publique ou privée. Elle peut être
notamment produite par une collectivité, un
service public (éventuellement délégué) ou
une entreprise. Elle est diffusée de manière
structurée selon une méthode et une licence
ouverte garantissant son libre accès et sa
réutilisation par tous, sans restriction
technique, juridique ou financière. (Source :
Wikipédia)
9
2. Open Data (OD) Vs Big Data
(Open data en Afrique)• “Les inégalités et la pauvreté ne sont pas uniquement liées au
revenu. C’est également une question d’information. Sept ans
après ma première demande auprès des gouvernements pour
qu’ils ouvrent leurs données à tous, des initiatives relatives aux
données ouvertes sont désormais en place dans plus de la
moitié des pays que nous suivons. Pourtant, leur qualité est
variable et les bénéfices sont concentrés dans les pays riches.
Il est temps d’alimenter et de mettre en place des données
ouvertes dans le monde, grâce à des projets comme
l’International Open Data Charter.”
— Tim Berners-Lee, commentant les conclusions de la 3e
édition du Baromètre des données ouvertes, en Avril 2015
10
2. Open Data (OD) Vs Big Data
• La grande différence est donc d’un côté
des données ouvertes et publiques et
de l’autre des données fermées utilisées
et transformées.
• L’open data est un moyen d’accès à
l’information. Alors que le Big Data
s’exploite en : collecte, stockage,
traitement et visualisation.
11
2. Open Data (OD) Vs Big Data
• Le seul point commun entre « Big data » et
« Open data » réside dans les objets
connectés car présentement toutes les
données recueillies le sont grâce à nos
terminaux intelligents(téléphones mobiles, nos
tablettes, nos montres connectées, nos GPS etc.
• Si on regarde vers l’avenir on pourrait
imaginer l’utilisateur comme capteur
volontaire de données pour améliorer les
services voire définir de nouveaux usages et
créer ainsi la ville de demain (les « smarts
cities »).
12
2.Open Data (OD) Vs Big Data
(Vs Open GOVT)
Comparaison de Open data, big Data et Open Gov
13
3.Défis• Culture TIC moins développée
• Culture Statistique
• Dispositif réglementaire
• Fracture numérique des métadonnées et de la
connexion à l’Internet
• Manque d’une Centralisation des Mégadonnées
au niveau National (National Big Data)
• Stratégie Big Data ????
• Stratégie Open Data ???
• Webmarketing moins développé
• Eparpillement des projets TIC
14
3.Défis (Suite)• Nombre d’abonnés d’Internet = 929
384, soit un taux de 9.29% (ARCT)
• Pénétration des ordinateurs encore
faible ‘surtout en milieux ruraux)
• Pénétration des Smartphones et
tablettes (pouvant utiliser des APK,
ANDROIDS) encore faible (surtout en
milieux ruraux)
15
4.Situation d’Info (forces)• Organisation institutionnelle (MPTICM, ARCT,
SETIC, etc.)
• PNDTIC 2010-2025 en cours de mise en œuvre
• Pas franchi dans l’Elaboration des SDI par les
sectoriels (MINAGRIE, ISTEEBU, MINISANTE,
MINIFIN, etc.)
• Niveau d’informatisation des institutions tant
publiques qu’et privée non négligeable
(développement des applications métier : SIP/IMVURA au MINAGRIE, DHIS2/OPEN CLINIC au
MINISANTE, Ureport utilisée par UNICEF, RapidSMS,
etc)
16
4.Situation d’Info (forces) (suite)
• Culture communicationnelle par l’exploitation
des réseaux sociaux (facebook, twitter,
Whatapps, etc)
• Investissement des opérateurs télecom &
Institutions financières dans le e-banking en
général et le mobile banking en particulier
(ECOCASH de ECONETLEO, MCASH de BANCOBU,
LUMICASH de LUMITEL, UMVA système introduit dans
le paiement des fertilisants, etc.) promettant ainsi
l’inclusion financière et sociale tout en
allégeant les dépenses (temps, argent) pour les
Consommateurs
17
4.Situation d’Info (forces) (suite)
• Projet de décret en cours
d’élaboration sur le Service
Universel
• Des Datacenters déjà opérationnels
(SETIC, OBR, BRB, OBR) + un projet
en cours de mise en place d’un Data
Center Intégré et Gouvernemental
• Stratégie e-gov déjà existante
• Internet mobile (GPRS, 3G ou UMTS,
4G ou LTE
18
4.Situation d’Info (forces) (suite)
• Quatre (04) réseaux à Fibres Optiques
(VIETEL, BBS, COMGOV, BERNET) déjà
Opérationnels dont deux (BBS, VIETEL)
connaissant une couverture nationale
Réseau LTE (4G) déjà opérationnel sur 3
provinces
4 opérateurs télécom avec une couverture
nationale
8 FAIs avec une couverture nationale
19
4.Situation d’Info (forces) (suite)
• Le réseau métropolitain à FO « MAN »
(ONATEL) déjà prête pour exploitation
Taux de pénétration des téléphones mobiles au
niveau national de 49.9% (ARCT)
Pénétration des Smartphones en milieux urbains
jugée satisfaisante
Big data en cloud déjà disponible et
légèrement exploité
20
5.Risques
• Atteinte à l’identité personnelle
(d’où impérieuse nécessité d’une
loi de protection des données
personnelles [Cas du Niger, 2017]
• Atteinte à la sécurité (individuelle
et nationale)
• Concurrence déloyale
21
6.Etat des lieux (open data &
Big data) en CEA • D’après le rapport du Baromètre de Open data
(Avril 2015), 4 pays sur 6 de la CEA à
l’exception du Burundi ou du Sud-Soudan ont
fait l’objet d’un Classement
• Des portails sont déjà opérationnels dans pas
mal des pays mal de la CEA (exemple:
opendata.go.tz, www.opendata.go.ke, etc)
• Des stratégies de big data et open data déjà
arrêtées au Kenya, en Tanzanie, au Rwanda et
en Uganda)
22
7. Cas de recours au mégadonnées
en Afrique• CAS N° 1:
• Le FNUAP et le Global Pulse Lab de Kampala ont
collaboré à un projet consacré à l’examen de l’utilisation
de données numériques en temps réel pour comprendre
le débat sur la contraception et la grossesse chez les
adolescentes en Ouganda et pour analyser les divers
types de contraception. Le projet a produit un tableau de
bord qui analyse les messages publics sur Facebook et
les données de U-Report (système d’interrogation des
jeunes ougandais à base de SMS élaboré par le Fonds
des Nations Unies pour l’enfance (UNICEF)) et y
recherche des mots clés en rapport avec la
contraception et la grossesse chez les adolescentes.
23
7. Cas de recours au
mégadonnées en AfriqueCAS N° 1:• . Ce tableau de bord permet de suivre mois par mois les
tendances des perceptions et des sujets émergents
ayant trait à la planification familiale. Ce projet a
démontré le potentiel d’une utilisation des données
sociales en tant que complément des moyens
traditionnels de recueillir des informations, notamment
par le biais d’enquêtes nationales moins fréquentes. En
Ouganda, le taux de grossesse des adolescentes se
situe à 24 %, niveau élevé, et les femmes de 15 à 24
ans constituent un groupe à haut risque d’infection par le
VIH.
24
7. Cas de recours au
mégadonnées en Afrique
Fréquence relative des messages faisant mention de divers types de contraception
25
7. Cas de recours au
mégadonnées en AfriqueCAS N° 2:• . En réponse à l’épidémie de maladie à virus
Ebola, l’UNICEF a œuvré en partenariat avec le
gouvernement de la Sierra Leone et des
opérateurs de téléphonie mobile pour utiliser
des archives de données d’appels afin de
cartographier la mobilité de la population. Il est
apparu clairement que ces archives contenaient
d’importants indicateurs indirects permettant :
26
7. Cas de recours au
mégadonnées en AfriqueCAS N° 2:• . a) d’identifier les risques (en repérant par
exemple si les gens fuyaient les zones à forte
incidence de la maladie à destination de zones à
faible infection);
• b) de concevoir des campagnes d’information
(par exemple en déterminant où il y avait lieu de
déployer les ressources de communication pour
maximiser la couverture des campagnes);
27
7. Cas de recours au
mégadonnées en AfriqueCAS N° 2:• et c) de déterminer l’impact des
interventions (par exemple en déterminant
si les couvre-feu/les barrages étaient
vraiment efficaces et empêchaient les
groupes de population de se déplacer).
28
7. Cas de recours au
mégadonnées en AfriqueCAS N° 3:• En Somalie, le PAM procède à une montée
en échelle de sa plateforme SCOPE pour
offrir son appui à plus d’un million de
bénéficiaires par l’entremise d’un vaste
réseaux de terminaux de point de vente qui
permet l’apport d’aide avec vérification
biométrique et repérage GPS. Ceci permet
de procéder à des analyses en temps quasi
réel du comportement des bénéficiaires et
des modèles de consommation.
29
8. Big data au Bdi: Intérêts •Entreprenariat des jeunes dans les secteurs composants la chaine de Big data
• Web marketing
• Commerce en ligne
Arme anti-chômage &
entreprenariat
•Planification stratégique (hôpitaux)
•Sécurité alimentaire
•Interventions médicales anticipées (épidémie)
•etc
Santé
•Planification stratégique (écoles, création emploi, etc)
•Bibliothèque en ligneEducation solide
•Cartographie des besoins es femmes (octroi des crédits aux femmes surtout rurales pr une inclusion financière)
•Violences et viols faits aux femmes
Evite les inégalités sociales
• e-Elections
• e-Taxe
• e-Services (permis de conduire, Titres de Propriétés ,par exemple
E-Gvrt
(G2C & C2G)
30
9. Big data au Bdi: enjeux• Mise en place d’une Stratégie Nationale de Big
data & Open data ( Elle définirait les projets
prioritaires, leurs échéances et les budgets
respectifs)
• Mettre en place un dispositif réglementaire
pour la gestion des big data et les accès aux
données (Open data)
• Prendre des mesures appropriées pour faire
face aux problèmes de pénétration de terminaux
intelligents (Ordinateurs, téléphones mobiles,
smartphones, par exemple)
31
10. Conclusion et recommandation
• Sans doute, une fois que le Gvt du Burundi
aura mis en place la Stratégie Nationale de
Big data & Open data au Burundi
accompagné d’un Dispositif réglementaire
approprié, les méga-données
contribueraient efficacement dans la
croissance économique et renforcerait les
recherches scientifiques tout en
garantissant un avenir meilleur aux
générations futures, au moins jusqu’en
2030, date butoir des ODD fixée par les
Nations Unies.
32
• Il est également à encourager les sociétés
privées (Opérateurs Télécom, institutions
financières) celles qui se sont déjà
engagés dans le Big Data.
• La collaboration en matière de big data du
Gvt Bdi avec des Agences des Nations
Unies (PAM,UNICEF, PNUD,
ONUFEMMES, OIM, etc) , des
organisations humanitaires (CICR, CROIX
Rouge du Bdi) et bien d’autres partenaires
au développement garantirait un impact
meilleur surtout aux populations rurales.
10. Conclusion et recommandation
33