LIVRE BLANC. Les données sociales : De nouvelles perspectives pour les systèmes d information décisionnels?

Transcription

1 LIVRE BLANC Les données sociales : De nouvelles perspectives pour les systèmes d information décisionnels?

2 Préambule A propos de Logica Business Consulting Le Groupe Logica est un acteur européen majeur des services informatiques qui réunit personnes dans 36 pays, dont collaborateurs en France. Son activité englobe le conseil en management, l intégration de systèmes et l outsourcing de processus métier et IT. Logica travaille en étroite collaboration avec ses clients afin de les aider à libérer leur potentiel pour devenir plus productifs, accélérer leur croissance et mieux gérer les risques. Logica s appuie sur ses connaissances approfondies des secteurs, son excellence en matière de technologie et de production ainsi que sur son expertise en matière de delivery pour aider ses clients à se positionner en tête de leurs marchés respectifs. Logica Business Consulting, quatrième acteur du conseil en France, se positionne avec une approche «catalyseur des idées et des énergies» pour accompagner les grandes entreprises et organisations dans l'amélioration de leurs performances opérationnelles. Ses consultants se différencient par l équilibre de leurs compétences sur les volets métiers, fonctionnels et technologiques. Au sein de cette entité, l équipe BI adopte une posture de conseil vis-à-vis du marché global de la Business Intelligence et n hésite pas à se positionner sur des sujets d innovation tels que les réseaux sociaux. De manière générale, ses consultants expérimentés accompagnent les clients sur des problématiques d organisation, d urbanisation et de pilotage de la performance mais fournissent également une expertise technologique avancée. Logica est coté à la Bourse de Londres et d'amsterdam (LSE : LOG ; Euronext : LOG). Pour plus d informations, consultez le site 2

3 Objet du Livre Blanc La Business Intelligence a atteint une grande maturité dans la valorisation des informations structurées et internes à l entreprise. L intégration de données externes et, plus récemment, le croisement de données structurées et non structurées ont considérablement enrichi les environnements décisionnels. Ces dernières années, l émergence fulgurante des medias sociaux et des technologies du web 2.0 en général, constitue de nouvelles sources de données et donne de nouvelles perspectives à la Business Intelligence de demain. Il est question ici des données que nous appellerons sociales. Issues des interactions entre les personnes, les données sociales caractérisent l activité des individus au sein d un réseau social. Même si la notion de réseau social est loin d être un néologisme et bien que l analyse des réseaux sociaux soit une discipline vieille de plus de 50 ans, l explosion des outils de réseau social, appelés médias sociaux, produit aujourd hui des gisements de données sociales sans précédent que l entreprise doit apprendre à valoriser. En effet, que les données proviennent d un media social d entreprise ou d un media social public tel que Facebook, Twitter ou LinkedIn, leur analyse apporte de l information sociale à forte valeur ajoutée sur les interactions entre les collaborateurs de l entreprise, les interactions entre les clients ou les fournisseurs, et de manière générale, les interactions entre les acteurs de l écosystème de l entreprise étendue. Chiffres clés 400 millions de comptes actifs Facebook dont 16 en France 105 millions d utilisateurs Twitter 70 millions d utilisateurs LinkedIn 456% de croissance pour les ventes de solutions de medias sociaux d entreprise d ici à 2013 (source Forrester) Les médias sociaux exploitent déjà cette information à des fins commerciales, en vendant des espaces publicitaires très ciblés aux entreprises et des accès «Premium» aux utilisateurs. Les consortiums sur les données ouvertes et interopérables se multiplient. D importants volumes de données sociales sont déjà disponibles sur les plateformes OpenSocial (Google), W3C, Open Mashup Alliance ou Linked Data. Autant d informations qui pourraient être valorisées dans un système d information décisionnel. Plus récemment, l ouverture d API (Application Programming Interface), permettant d interopérer avec les données ouvertes d un ou plusieurs medias sociaux, offre de nouvelles perspectives d exploitation des données sociales. 3

4 Intégrer des flux de données sociales dans le système d information décisionnel d entreprise serait-il la prochaine étape? Peut-on mettre les données sociales de l écosystème de l entreprise en résonance avec les environnements BI qu elle a déjà mis en place? Dans quels cas cela pourrait-il être pertinent et quelle en serait la valeur ajoutée pour l entreprise? Né d une réflexion interne sur le mariage Business Intelligence et réseaux sociaux, ce livre blanc vise à mesurer les opportunités et les enjeux de l exploitation des données sociales dans l environnement décisionnel. Figure 1 : De nouvelles perspectives pour la Business Intelligence Mots clés Business Intelligence, réseau social, réseau social d entreprise, médias sociaux, données sociales, information sociale 4

5 Précision Nous identifions comme important le fait de bien distinguer les termes de réseaux sociaux (interactions entre des personnes) et de medias sociaux (outillage informatique de ces réseaux sociaux). A la lumière de cette précision, nous pouvons cependant considérer que le terme Médias Sociaux est un synonyme de l acceptation usuelle du terme Réseaux Sociaux. Guide de lecture Ce document a été écrit avec la volonté de s adresser au plus grand nombre. Il ne requiert pas de bagage technique avancé et se veut compréhensible par tous. Cependant, à la suite de la première partie de définition des concepts de base manipulés dans le livre blanc, la seconde partie est plus théorique et s attache à démontrer la faisabilité de l intégration des données sociales dans le système d information décisionnel. Les lecteurs plus intéressés par l utilisation qui pourrait être faire des données sociales trouveront de nombreux axes de réflexion en lisant la dernière partie intitulée «l exploitation des données sociales dans un système d information décisionnel». Réagir au contenu En tant qu utilisateurs de plates-formes de Business Intelligence, Analyste, Décideur, Architecte, Directeur des Systèmes d Information, Expert de la Sécurité ou simple curieux... vos avis et commentaires nous intéressent. N hésitez pas à réagir au contenu de ce document. Pour contacter Logica Business Consulting Olivier Jacquemont, Manager de la division Business Intelligence olivier.jacquemont@logica.com

6 Table des matières PREAMBULE... 2 A PROPOS DE LOGICA BUSINESS CONSULTING... 2 OBJET DU LIVRE BLANC... 3 MOTS CLES... 4 PRECISION... 5 GUIDE DE LECTURE... 5 REAGIR AU CONTENU... 5 TABLE DES MATIERES... 6 TABLE DES ILLUSTRATIONS... 7 QUELQUES DEFINITIONS... 8 LA BUSINESS INTELLIGENCE... 8 DONNEES SOCIALES ET INFORMATION SOCIALE L ECOSYSTEME DE L ENTREPRISE ETENDUE LES DONNEES SOCIALES AU SEIN DE L ECOSYSTEME DE L ENTREPRISE.. 14 OU SE TROUVENT LES DONNEES SOCIALES? COMMENT LES INTEGRER AU SYSTEME BI? QUELLE VALEUR BRUTE PORTENT LES DONNEES SOCIALES? L EXPLOITATION DES DONNEES SOCIALES DANS UN SYSTEME D INFORMATION DECISIONNEL A L ORIGINE : VALORISER DES TICKETS D APPELS POUR MINIMISER L ATTRITION DANS LE SECTEUR DES TELECOMMUNICATIONS QUICKWIN : EXPLOITER LES DONNEES SOCIALES ISSUES DU RESEAU SOCIAL D ENTREPRISE ALLER PLUS LOIN : EXPLOITER DES DONNEES SOCIALES EXTERNES A L ENTREPRISE POINTS D ATTENTION ET PRECONISATIONS LE SOURCING ANALYSE SEMANTIQUE LA CONFIDENTIALITE LA PERTINENCE ET LA REPRESENTATIVITE DES DONNEES L APPROCHE LOGICA BUSINESS CONSULTING GLOSSAIRE

7 Table des illustrations FIGURE 1 : DE NOUVELLES PERSPECTIVES POUR LA BUSINESS INTELLIGENCE... 4 FIGURE 2 : PROCESSUS DE MISE A DISPOSITION DE L INFORMATION DANS UN SYSTEME BI FIGURE 3 : ECOSYSTEME DE L ENTREPRISE ETENDUE FIGURE 4 : PANORAMA DES SOURCES DE DONNEES DE L ECOSYSTEME DE L ENTREPRISE ETENDUE FIGURE 5 : REPRESENTATION D UN RESEAU SOCIAL SELON LA THEORIE DES GRAPHES FIGURE 6 : CORRESPONDANCE MATRICE - SOCIOGRAMME FIGURE 7 : L EXPLOITATION DES DONNEES SOCIALES DANS UN SYSTEME DECISIONNEL POUR MINIMISER LE CHURN FIGURE 8 : EXPLOITATION DES DONNEES SOCIALES DANS UN SYSTEME DECISIONNEL POUR AMELIORER LA PERFORMANCE DE SES EQUIPES COMMERCIALES FIGURE 9 : TABLEAU DE BORD DE SUIVI DE LA PERFORMANCE D UNE EQUIPE COMMERCIALE

8 Quelques définitions La Business Intelligence La Business Intelligence (BI), ou informatique décisionnelle, désigne les méthodes et outils d aide à la décision qui permettent à des analystes ou à des responsables de l entreprise de piloter leur activité en disposant en permanence des informations nécessaires à la prise de décision. Quelle est l évolution du chiffre d affaires sur le premier semestre? Est-elle alignée avec les objectifs fixés? Les résultats de mes équipes sont-ils homogènes? Quel est le produit responsable de ma croissance? Dois-je déclencher un plan d actions sur la région commerciale sur laquelle je rencontre des difficultés? Quelle est la tendance sur cette région depuis quelques années? A partir des données disponibles dans l entreprise, la Business Intelligence apporte aux décideurs les indicateurs clés qui leurs permettent de répondre à ces questions et de les accompagner dans le processus de décision. L objectif de ces outils est d être capable de réaliser des analyses détaillées sur les données de l entreprise pour expliquer des résultats, comprendre des phénomènes, détecter des tendances et même prédire l avenir! Voici les trois phases sur lesquelles repose la mise à disposition d informations clés à partir des différentes sources de données de l entreprise. La collecte des données de l entreprise L entreprise dispose aujourd hui de nombreuses sources de données hétérogènes qui peuvent être internes et/ou externes à l entreprise. On compte parmi elles, les données opérationnelles structurées issues des bases de données des systèmes ERP, CRM ou PLM et plus généralement de toutes les applications métiers. Ces données «classiques» de production, de vente ou de stock sont parfois complétées par les données non-structurées qui circulent dans l entreprise telles que les documents produits par les collaborateurs, les s et autres champs de textes. Aujourd hui, des systèmes décisionnels intègrent également des flux de données externes telles que des données économiques, financières, démographiques, sociales ou encore des données météorologiques, sur le trafic aérien qui permettent de comprendre des phénomènes qui dépassent parfois l entreprise. Une fois que le périmètre du système décisionnel a été défini, il s agît d intégrer les données pertinentes parmi les sources de données grâce à un outil d intégration de données appelé ETL (Extract, Transform, Load) 8

9 L intégration A la suite du processus de collecte d information, il s agît d unifier des données aux formats hétérogènes pour les intégrer dans l environnement décisionnel. L objectif étant d obtenir un ensemble cohérent de données qu il sera possible de croiser dans la phase de restitution. La diversité des données, des problématiques métiers et l explosion des volumes de données nécessite souvent d éclater «l entrepôt de données» (datawarehouse), qui rassemble toutes les données collectées, en «magasins de données» spécialisés (datamart). La restitution La phase de restitution correspond à la mise à disposition des informations de l environnement décisionnel. Selon les besoins métiers, cette restitution peut prendre les différentes formes suivantes : Reporting Le rapport est le mode de restitution le plus classique. Il permet de présenter des données de manière synthétique et lisible. Il s agît de rapports prédéfinis (ou statiques), mis à disposition des utilisateurs à travers un portail pour qu ils puissent les consulter et les rafraichir à tout moment. Reporting ad hoc Le reporting ad hoc s oppose au reporting classique puisqu il répond à un besoin d analyse interactive. Appelé en français, analyse à la demande, il permet de chercher de l information en effectuant des analyses successives, les résultats d une recherche influençant la recherche suivante. Tableau de bord Le tableau de bord est un mode de restitution dédié au pilotage de l activité. L intérêt est de rassembler un ensemble d indicateurs de performance dans une même fenêtre afin de suivre l évolution des résultats en un clin d œil. Il s agît de créer des vues personnalisées rassemblant tableaux, graphiques, jauges, qui répondent à des besoins métiers spécifiques. 9

10 Cube OLAP (OnLine Analytical Processing) Le cube OLAP répond aux besoins utilisateurs de réaliser des analyses quantitatives dynamiques selon plusieurs angles de vues, appelés dimensions. Il offre des possibilités de navigation dans les données et des fonctionnalités d analyse avancées qui en font le mode de restitution phare des environnements décisionnels d aujourd hui. L analyse multidimensionnelle permet, par exemple, de visualiser un résultat tel que le chiffre d affaires selon la dimension temps, la dimension géographie et la dimension produit. Ainsi, un dirigeant d entreprise a la possibilité de ventiler son chiffre d affaires sur les douze mois de l année ou sur les quatre trimestres, mais également sur les différentes régions du portefeuille puis sur les différents pays. S il a besoin de passer d un niveau agrégé à un niveau plus fin d analyse, il peut aussi ventiler le chiffre d affaires par produit. Figure 2 : Processus de mise à disposition de l information dans un système BI 10

11 Données sociales et information sociale Quelle est la différence? Les données sociales désignent les caractéristiques des interactions entre les personnes. L information sociale est la valeur qui peut être générée à partir de ces données brutes. Appliqué au monde de l entreprise, il s agît de l information valorisant les liens entre les différents acteurs de l écosystème de l entreprise étendue. Qui parle avec qui? Qui fait quoi? Qui échange quoi? Quelles sont les personnes influentes de mon réseau? Qui est au centre de mes réseaux? Les données sociales apportent les réponses aux premières questions alors que l information sociale découle de l analyse des données brutes pour répondre aux dernières. D où proviennent les données sociales? Les données sociales sont générées lors d une discussion orale, d une collaboration quelconque, d une communication téléphonique, d échanges s, ou, plus récemment, des interactions entre les utilisateurs à travers les technologies du Web 2.0 comme les réseaux sociaux. Même si les données sociales n émergent pas forcément de médias technologiques, seules les données sociales provenant d interactions outillées sont raisonnablement exploitables. Ainsi, nous nous limiterons aux sources de données informatiques, qu elles soient internes ou externes à l entreprise. Au sein de ces sources, voici les trois types de données que nous considérerons comme sociales : - Les caractéristiques des individus (Profils) - Les liens entre personnes (Relations) - Le contenu des échanges (Flux d information) 11

12 Médias Sociaux Alors que Twitter a enregistré une croissance au-delà des 500% en 2009, Facebook a annoncé récemment son ambition d atteindre le milliard d utilisateurs en Peut être plus important encore, le temps mensuel moyen passé sur les médias sociaux, intimement lié au contenu généré, était de 5h30 par personne en février dernier, en croissance de 60% sur un an (source Nielsen). Facebook a dépassé l audience de Google aux Etats-Unis en mars dernier. Médias Sociaux d Entreprise 2010 est considéré comme l an 1 des médias sociaux d entreprise. S ils sont déjà 67 millions d utilisateurs aujourd hui, ils seront 164 millions d ici à (source Radicati Group) (source ComScore) Le développement de médias sociaux grands publics tels que Facebook, Twitter, de réseaux professionnels tels que LinkedIn ou Viadeo et même de réseaux sociaux internes à l entreprise sont générateurs d un immense volume de données explicitement et exclusivement sociales. Ce capital d information sociale formelle, explicite, directe explose et portera bientôt sur la majeure partie de la population. On verra qu il s ajoute à d autres sources d information sociale plus informelles, implicites, indirectes. L entreprise devra rapidement apprendre à maitriser et à intégrer ce nouveau type de données afin d en profiter : "Le premier ROI de vos efforts de communication dans les médias sociaux n est autre que la pérennité de votre activité sur les 5 ans à venir " (Erik Qualman) 12

13 L Ecosystème de l entreprise étendue L écosystème de l entreprise étendue correspond au réseau de l ensemble des individus en lien plus ou moins direct avec l entreprise. Les personnes en lien direct avec l entreprise sont les personnes dont la relation avec l entreprise est clairement identifiée. C est l ensemble des collaborateurs, partenaires et fournisseurs mais aussi les clients et les prospects clairement identifiés par l entreprise. Pour compléter notre écosystème, les personnes en lien indirect avec l entreprise sont les individus avec qui l entreprise a des intérêts communs sans pour autant être en relation direct avec eux. Il s agît des clients et prospects non-identifiés (issus des canaux de distribution indirects), d experts dans le même domaine que l entreprise, de personnes influentes dans le secteur d activité de l entreprise ou tout simplement de personnes s intéressant à l entreprise. C est typiquement la population que l on retrouve sur les médias sociaux grand-publics. Cette dimension de l entreprise étendue a toute son importance dans notre problématique puisque l acquisition et l exploitation d information sociale dans un système décisionnel pourrait être le moyen de se rapprocher efficacement de ce réseau «indirect». Réseau étendu Concurrents, Prospects Clients, Partenaires, Fournisseurs Collaborateurs Figure 3 : Ecosystème de l entreprise étendue 13

14 Les données sociales au sein de l écosystème de l Entreprise Où se trouvent les données sociales? Les données sociales se trouvent dans de nombreuses sources de l entreprise. En effet, à partir du moment où une source contient au moins un des trois types d information sociale suivants et qu elle entre dans le périmètre de l environnement décisionnel, elle pourra servir à enrichir le modèle de données. Rappel des trois types de données sociales : - Les caractéristiques des individus (Profils) - Les liens entre personnes (Relations) - Le contenu des échanges (Flux d information) Voici un panorama des sources de l écosystème de l entreprise. Les dimensions interne/externe et structuré/non-structuré permettent d évaluer la complexité d intégration de ces données dans le système décisionnel. Les sources internes et structurées étant les plus simples alors que les sources externes et non-structurées sont les plus complexes. Figure 4 : Panorama des sources de données de l écosystème de l entreprise étendue 14

15 Comment les intégrer au système BI? Collecte des données Parmi les différentes sources de données sociales, l enjeu est de collecter uniquement les données qui apportent de la valeur dans l environnement décisionnel. L homogénéisation des données permet ensuite de les agréger pour créer le mix de données sociales («mashup») le plus approprié. Alors que l entreprise a un accès direct à ses propres données internes, qu elles soient structurées ou non, les données externes et notamment sociales ne sont pas toujours facilement accessibles. Il existe plusieurs méthodes d extraction des données sociales externes dont voici les principales : Le crawling : Le crawling est une méthode d exploration des ressources du web. Initialement destinée aux moteurs de recherche pour indexer le web, elle peut également être appliquée à l extraction des données sociales contenues dans les pages des médias sociaux. A partir de quelques points d entrées dans un réseau social, le crawling permet d explorer le réseau de manière récursive en allant d individu en individu par l intermédiaire des liens. API (Application Programming Interface) et mashup : Les API, interface de programmation en français, sont destinées à faciliter l interopérabilité des applications informatiques. Cela correspond à l ensemble des fonctions, procédures, classes et protocoles qui régit la communication avec une application. L utilisation de plusieurs API permet aux utilisateurs de créer des mashup de données (agrégation de données provenant de sources externes hétérogènes) et de les intégrer à l environnement décisionnel. Dans l ère Web 2.0, de nombreux outils et projets cherchent à faciliter l accès direct aux données notamment sociales des réseaux les plus célèbres : o o OpenSocial est un ensemble d'api développé par Google afin d unifier l interopérabilité avec tous les réseaux sociaux en ligne partenaires. OpenSocial donne notamment accès aux données MySpace, Friendster et Orkut. OpenData, LinkedData et Open Mashup Alliance sont des initiatives internationales en plein essor, pour l adoption de langages ouverts facilitant l interopérabilité des données du web et notamment des données sociales. Alors que les deux premières cherchent respectivement à définir des bonnes pratiques d ouverture des données et des méthodes pour lier les informations du web entre elles, la troisième promeut la création de mashup d entreprise. 15

16 o o Graph API et OpenGraph Protocol sont les outils Facebook qui permettent d interagir simplement avec les données Facebook en accédant directement aux données. Twitter API est l équivalent Twitter qui donne accès aux nombreux flux d information de cette plateforme de réseaux sociaux. Intégration des données Principe de modélisation Une fois que les données sociales ont été collectées et homogénéisées, il s agît de les modéliser de manière logique pour agréger les différentes sources de données sur un même modèle. Dans le cas de l analyse des réseaux sociaux, l idéal est de collecter l information sous forme matricielle (relationnelle) et de la visualiser sous forme graphique. Cela fait appel à deux principes de modélisation. D une part, la théorie des graphes dont le mathématicien Euler est à l origine (XVIIIe siècle) - s est imposée comme la principale méthode de représentation des réseaux sociaux. A côté de cela, le modèle de données relationnel sous forme matricielle facilite la manipulation et l exploitation d importants volumes de données sociales. Pour aller plus loin dans la modélisation des données sociales, il existe également des ontologies issues des techniques d analyse sémantique. Certains modèles ontologiques permettent de structurer les termes et les concepts de champs d informations hétérogènes pour pouvoir les exploiter. o La Théorie des graphes La théorie des graphes a deux avantages qui en font le modèle incontournable de représentation des réseaux sociaux. Le premier avantage est qu elle facilite la visualisation de la structure du réseau (nœuds et liens), son exploration et la mise en évidence de ses propriétés structurales. Le second avantage est qu elle comporte un ensemble de concepts formels qui permet de qualifier, de distinguer et de classer les structures relationnelles par rapport à une multitude de propriétés fondamentales de distribution et d agencement des liens sociaux au sein des réseaux. L utilisation de la théorie des graphes dans la représentation des réseaux sociaux donne naissance aux sociogrammes. 16

17 Sociogramme G (V, E) V : Ensemble des nœuds E : Ensemble des liens Ordre = 12 Diamètre = 5 Densité = 17/(12*11) = 0,13 Figure 5 : Représentation d un réseau social selon la théorie des graphes Voici les principaux concepts manipulés dans la théorie des graphes, déclinés pour la représentation des réseaux sociaux : - Un nœud (ou sommet) est l unité de base des réseaux. Dans un réseau social, il représente un individu. - Un lien (ou arrête) est une connexion entre 2 nœuds. On parle de lien orienté lorsque le lien a une direction (d un nœud vers un autre) et à l inverse, on parle de lien non-orienté lorsque le lien est bidirectionnel. - Un sociogramme correspond à un ensemble de nœuds et de liens. - Un lien pondéré est un lien auquel on associe un poids. - Un lien étiqueté est un lien auquel on associe un label. - Un chemin est une séquence de liens qui relie 2 nœuds. - Un chemin orienté est un chemin qui respecte l orientation des liens. - Une géodésique est l un des plus courts chemins entre 2 nœuds. - Un graphe est connexe lorsqu il existe un chemin entre toutes les paires de nœuds. Voici les indicateurs de base qui en découlent : - Le degré d un nœud est le nombre de liens qui en partent où y arrivent - La longueur d un chemin géodésique est appelé distance géodésique. - Le diamètre d un graphe est la longueur du chemin géodésique le plus long de ce graphe - L ordre d un graphe correspond au nombre de nœuds de ce graphe - La densité d un graphe correspond au rapport entre le nombre de liens et le nombre maximum de liens possible. Lorsque la densité est égale à 1, cela signifie que toutes les relations possibles existent. On parle alors de graphe complet ou de clique. o Les matrices Lorsque le nombre de nœuds et de liens est trop important, la visualisation et le calcul des concepts d ordre, de densité, de distance géodésique ou de diamètre deviennent très complexes. Pour cela, la matrice est l objet mathématique qui complète le mieux la théorie des graphes en facilitant la manipulation des concepts cités précédemment. La 17

18 représentation matricielle correspond au modèle de données relationnel et permet donc de représenter l information sociale dans un format plus conventionnel. Parmi les matrices, on distingue les matrices d adjacence et les matrices d incidence : - Les matrices d adjacence sont des matrices carrées qui ont les mêmes ressources en ligne qu en colonne. Les matrices d adjacence servent à représenter les liens qu il existe entre les nœuds. La valeur contenue dans la case A ij indiquant le poids de la relation entre le nœud i et le nœud j. - A l inverse, une matrice d incidence contient des objets différents en ligne et en colonne. La valeur contenue dans la case A ij indiquant la relation entre l objet i et l objet j. Voici la matrice d adjacence correspondant au sociogramme précédent (Figure 5). Figure 6 : Correspondance Matrice - Sociogramme o Les ontologies La limite des techniques de modélisation précédentes réside dans la représentation du contenu des échanges entre les individus d un réseau. En effet, la valorisation du contenu participatif du web 2.0 tel que celui des posts, des commentaires ou des tweets, nécessite de le rendre accessible et compréhensible par une suite logicielle pour automatiser leur traitement. On parle de sémantisation du contenu. Il existe pour cela un ensemble de modèles ontologiques qui permettent de représenter tous les types de données sociales pour les rendre exploitables par une solution informatique comme une solution de Business Intelligence. Le modèle ontologique le plus connu est FOAF (Friend Of A Friend). Il sert à modéliser précisément les profils des utilisateurs, leur activité et leurs relations avec d autres utilisateurs. D autres modèles ontologiques comme Relationship, SIOC (Semantically-Interlinked Online Communities), SKOS (Simple Knowledge Organisation System), SKOT 18

19 (Social Semantic Clouds of Tags) et MOAT permettent d aller plus loin en modélisant le contenu et la signification des interactions participatives entre les utilisateurs 2.0. Quelle valeur brute portent les données sociales? Une fois intégrées et modélisées, les données sociales peuvent être manipulées pour générer un certain nombre d indicateurs qui serviront de base à l analyse et à l exploitation des données sociales. Une grande partie de ces indicateurs est issue des théories d analyse des réseaux sociaux. L Analyse des Réseaux Sociaux (ARS) L ARS est basée sur la théorie des réseaux, la théorie des graphes et l analyse sociologique. Cette discipline très universitaire, dont le précurseur serait Georg Simmel ( ), est bien antérieure à l apparition des technologies de l information et du Web 2.0. Cependant, les méthodes de collecte, d intégration et de modélisation des données sociales décrites précédemment permettent d appliquer facilement les théories d ARS à notre modèle de données. Depuis Georg Simmel, de nombreux scientifiques, mathématiciens, informaticiens ou sociologues ont travaillé à la qualification des réseaux sociaux. C est à eux que l on doit les concepts, indicateurs et algorithmes qui aident à qualifier un réseau. Voici les quelques concepts d ARS qui complètent les concepts issus de la théorie des graphes : - Un trou structurel correspond à l absence de lien entre deux nœuds. Les personnes proches d un trou structurel sont les personnes les mieux informées et le plus rapidement. Ce sont les personnes les plus susceptibles d avoir de bonnes idées. - La résistance d un réseau social se réfère à l impact du retrait de nœuds ou de liens au sein du réseau. Le retrait d un nœud ou d un lien stratégique peut par exemple scinder un réseau en deux. - Les composants, cliques, ou cycles sont des structures de sousensembles d un réseau. Outre les indicateurs d ordre, de diamètre, de densité, ou de degré, énoncés dans le paragraphe précédent, il existe également les indicateurs suivants : - Centralité o De degré : Valorise les nœuds ayant le plus de liens. o D intermédiarité : Valorise les nœuds rapprochant les autres nœuds (intermédiaires). Lorsqu un nœud est le seul à rapprocher deux autres nœuds, il détient le contrôle de l information circulant entre ces deux nœuds. o De proximité : Valorise les nœuds les plus proches des autres nœuds. o De vecteur : Valorise les nœuds ayant les voisins les plus centraux. o De prestige : Valorise les nœuds ayant le plus de liens entrants. 19

20 - Coefficient de clustering : Mesure la probabilité que deux nœuds reliés à un même nœud soient reliés entre eux. Ces indicateurs de base sont utilisés dans le système d information décisionnel pour créer des variables plus spécifiques qui répondent aux besoins de l entreprise. Quelques indicateurs sociaux essentiels Dans le cadre de l analyse du réseau social de l entreprise, voici les 6 indicateurs les plus utilisés : Sens des échanges (unilatéralité ou réciprocité) Volume des échanges Fréquence des échanges Diversité des échanges Rôle des acteurs Niveau de cohésion Web sémantique Les technologies de web sémantique et les méthodes de modélisation ontologiques citées précédemment rendent le contenu participatif non-structuré exploitable par le système d information décisionnel pour qu il entre dans la prise de décision. Des solutions de «text mining», mêlant intelligence artificielle et linguistique, sont capables de valoriser instantanément ce contenu en pondérant sa pertinence, en évaluant le ton des messages (positif, négatif ou neutre), et en extrayant les informations essentielles. Dans le cas de la valorisation d un commentaire Facebook, l analyse du ton et du contenu de ce dernier ainsi que des réactions des autres utilisateurs permet non seulement de scorer l intérêt du commentaire mais également l influence de celui qui l a écrit. La puissance de ces outils permet de prendre en charge d importants flux de données non-structurées en provenance de médias sociaux pour le restituer sous la forme souhaitée par les utilisateurs du système décisionnel. 20