La première fois que j'ai entendu le terme "big data", j'étais à un sommet Gartner sur le BPM. John Mahoney, vice-président et analyste distingué, parlait d'un monde pas si lointain où tout - voitures, parcmètres, machines à pain, couches... à peu près tout - serait équipé de cartes sans fil et d'adresses IP. Le résultat net serait, pour le moins, la génération de "big data" et leur téléchargement dans le nuage. Tout, des flux de circulation aux informations sur les sous-vêtements souillés, serait acheminé vers des fermes de traitement pour toutes sortes de raisons analytiques.
Peu de temps après, j'étais à une conférence du LSC pour écouter Todd Park, Chief Technology Officer des États-Unis, qui définissait un autre type de "big data" : les montagnes d'informations recueillies au fil des décennies par les différentes agences gouvernementales - totaux des précipitations, récoltes de maïs, taux de natalité, et ainsi de suite. Bien que les diverses agences gouvernementales n'aient peut-être pas eu de véritable objectif en tête lorsqu'elles ont entrepris de tels exercices de collecte de données, elles ont néanmoins continué à travailler, ce qui a donné lieu à des ensembles de données si volumineux qu'il faut des milliers de cœurs de traitement fonctionnant à l'unisson pour ne serait-ce qu'entamer l'analyse des tendances.
Toutes les discussions sur les "big data" soulèvent une question importante : pourquoi s'intéresser à de gigantesques volumes de données non structurées ? La réponse, bien sûr, est l'idée que les ensembles de données massives, s'ils peuvent être traités et analysés efficacement, peuvent être utilisés pour prédire l'avenir, qu'il s'agisse d'une épidémie de grippe ou d'un pic régional de consommation de produits laitiers.
Les négociants techniques en actions et en matières premières maîtrisent cette idée depuis longtemps. Reprenez l'activité quotidienne d'une action sur un graphique au cours de quelques décennies et vous verrez des schémas se dessiner. Découvrez la signification de ces schémas et vous serez en mesure de prédire avec une précision raisonnable l'évolution d'une action, peut-être pas demain ou le mois prochain, mais au cours des prochaines années.
Récemment, on m'a posé la question suivante : "Quel est le rapport entre le big data et la génération de documents ?". C'est une question difficile, mais je vais tout de même tenter d'y répondre. L'analyse prédictive appliquée à des ensembles de données massives recherche spécifiquement des tendances - l'objectif étant, peut-être, de prédire et de prévenir les catastrophes, de tirer profit d'événements susceptibles de se produire, ou de prévoir un certain nombre d'autres éventualités pour d'autres raisons.
Étant donné que les applications de processus de génération de documents sont très structurées et nécessitent des données spécifiques saisies dans un entretien de processus dans le format correct, les applications d'analyse prédictive devraient réduire les tendances des données à des points de données précis pouvant être utilisés dans des expressions booléennes, mathématiques et autres. Ces expressions pourraient ensuite être utilisées dans la logique conditionnelle des modèles de documents pour assembler des blocs de texte personnalisés sans aucune interaction humaine.
Supposons, par exemple, que nous vivions dans le monde de John Mahoney où les voitures (et tout le reste, d'ailleurs) sont en contact permanent avec l'internet. Sur la base du nombre de voitures sur un tronçon de route et de leur vitesse moyenne, les données pourraient être introduites dans un entretien HotDocs qui générerait un rapport sur le trafic pouvant être envoyé à des appareils mobiles conseillant aux automobilistes d'emprunter un autre itinéraire si nécessaire (il y a probablement de meilleures façons de gérer un tel scénario, mais vous voyez l'idée).
Un exemple plus pertinent pourrait être celui d'une agence gouvernementale (Caltrans, par exemple, qui gère un budget de plusieurs milliards de dollars pour la construction de routes en Californie). Basée sur les flux de trafic au fil du temps, l'analyse prédictive pourrait produire des points de données précis qui pourraient guider les équipes d'ingénieurs lors de l'élaboration des estimations et pourraient finalement être utilisés dans la logique de script des applications de processus de génération de documents.
La clé, encore une fois, est de transformer l'ensemble des "big data" en éléments de données discrets ("réponses") qui peuvent être introduits dans un processus d'entretien de génération de documents.
Note de la rédaction : Ce billet a été publié à l'origine sur HotDocs.com. En juin 2024, Mitratech a acquis HotDocs, une plateforme avancée d'automatisation des documents. Le contenu a depuis été mis à jour pour inclure des informations alignées sur nos offres de produits, les changements de réglementation et la conformité.
