Analyse de données

Ce que c'est

Transformer des faits enregistrés en réponses permettant d'agir est
le rôle de l'analyse de données, souvent appelée simplement analyse.
Dans le cadre consacré aux mégadonnées publié par le NIST, institut
américain de normalisation, elle consiste à traiter méthodiquement
les données, à les remodeler au besoin pour dégager des régularités,
des liens entre points de données et des tendances temporelles, et
tenter de prévoir la suite. Le NIST inscrit cette étape dans un
_cycle de vie de l'analyse de données_ qui transforme des données
brutes en connaissances utilisables par une organisation : collecte,
préparation, analyse, visualisation et mise à disposition.

C'est une forme de traitement des données, distincte du
transactionnel par ses lectures : une application écrit une commande
à la fois, tandis qu'une requête analytique lit des millions de
lignes pour en renvoyer quelques-unes. Elle diffère aussi de
l'ingénierie des données, qui construit les pipelines de traitement
et le stockage dont elle se nourrit.

Le mot couvre des travaux très différents :

  * Rapports : les mêmes chiffres livrés selon un calendrier, sous
forme de PDF ou de courriel.

  * Tableaux de bord : ces chiffres maintenus à jour dans un outil
d'informatique décisionnelle comme Power BI.

  * Analyse ponctuelle : une requête SQL répondant à une nouvelle
question, souvent sur un entrepôt comme BigQuery.

  * Analyse géospatiale : le même travail sur des données
cartographiques dans un SIG, pour demander où autant que combien.

  * Applications analytiques : un modèle ou une méthode statistique
derrière un formulaire, pour des personnes qui n'écrivent pas de
code.

  * Analyse Web et produit : compter les visiteurs d'un site ou les
utilisateurs d'un produit et leurs actions.

Cette dernière forme a un coût en confidentialité. C'est elle que
visent les pages de confidentialité, cookies, crédits et sécurité de
ce site lorsqu'elles disent « aucune analyse d'audience » : aucune
balise d'analyse, aucun pixel de suivi, aucun cookie ni compte chez
une société d'analyse d'audience. Le site se mesure néanmoins. Son
serveur Web conserve un journal d'accès qu'un programme transforme
en décomptes quotidiens et en classement mensuel des pages lues,
sites référents et robots, conservés sous forme de nombres et jamais
réunis en parcours d'un visiteur.

Pourquoi c'est important

Deux choix déterminent l'essentiel du coût de l'analyse : l'endroit
où les requêtes s'exécutent et la collecte des données concernant
les personnes.

Analyser sur la base transactionnelle est le point de départ le
moins cher : les données sont actuelles et rien n'est copié, mais
chaque rapport dispute mémoire et disque à l'application. Une
réplique de lecture déplace cette charge hors du primaire au prix
d'un second serveur. Un entrepôt comme BigQuery sépare stockage et
calcul et, en tarification à la demande, facture chaque requête
selon les octets lus, ce qui récompense les requêtes ciblées. Il
nécessite un pipeline de traitement pour y copier les données.

La dépendance au fournisseur se cache dans les définitions. Un outil
décisionnel conserve ses mesures dans son propre langage de formules
et, un an plus tard, le sens de « client actif » réside dans un
fichier que lui seul sait ouvrir. Des définitions conservées en SQL
dans le dépôt survivent au changement d'outil.

L'analyse Web et produit ajoute une question juridique. L'outil
hébergé habituel utilise une balise : un script dans chaque page
dépose un cookie ou identifiant similaire dans le navigateur et
signale chaque page vue au fournisseur. L'article 5(3) de la
directive européenne ePrivacy conditionne au consentement le
stockage ou la lecture d'informations sur l'appareil d'un visiteur,
avec deux exceptions : une finalité exclusivement limitée à la
transmission d'une communication sur un réseau, ou un stockage ou un
accès strictement nécessaire pour fournir un service explicitement
demandé par le visiteur. Dès que des événements peuvent être reliés
à une personne, même par un identifiant de cookie ou une adresse IP,
le RGPD s'applique aussi : base juridique, finalité annoncée, durée
de conservation. Et le fournisseur est une autre entreprise qui
possède désormais une trace des actions des visiteurs.

Le choix réel oppose donc un outil hébergé rapide à ajouter avec ses
tableaux de bord, une collecte interne à construire et exploiter, et
les décomptes issus des journaux que votre serveur écrit déjà, moins
riches en réponses et beaucoup moins chargés en données.

À quoi cela ressemble en pratique

Pour une plateforme de réseau professionnel, l'entreprise a
construit l'analyse produit dans PostgreSQL plutôt qu'une balise
tierce : un schéma de 7 tables et 47 fonctions, des tables
d'événements partitionnées selon 22 définitions de partitions, avec
suppression automatique des partitions selon un calendrier et une
identité visiteur pseudonymisée au moyen d'un sel renouvelé. Le
client n'envoie rien avant le consentement, et les entonnoirs de
conversion sont calculés dans la base près des données, ce que le
NIST appelle la localité des données. La page indique le prix : le
renouvellement du sel oblige à renoncer à l'analyse de cohortes à
long terme, et aucun tableau de bord gratuit n'est fourni.

Côté rapports, un système de rapports Python récupérait les données,
effectuait l'analyse et livrait le même rapport PDF selon un
calendrier prévisible aux personnes prenant les décisions
commerciales. La page attribue à ces rapports une augmentation de
400 % du chiffre d'affaires logiciel trimestriel.

Ce site constitue le troisième exemple. Sa page de confidentialité
décrit la mesure : un journal remplaçant par des zéros la dernière
partie de chaque adresse IP avant écriture, un site référent
conservé uniquement comme nom et des lignes gardées environ trente
jours. Un programme en produit un décompte quotidien et un
classement mensuel, conservés indéfiniment comme nombres sans rien
permettant de reconstituer une visite. Sans balise, cookie ni tiers,
la page ne montre aucun bandeau de consentement, en donnant pour
raison « rien à quoi consentir ». Elle expose aussi la limite : tant
qu'une ligne existe, un navigateur rare sur un petit réseau permet
de cerner un visiteur plus précisément que le site ne le voudrait.
Le compromis est moins de réponses et aucun entonnoir, contre aucun
stockage sur l'appareil du lecteur ni envoi à autrui.

Où les problèmes surviennent

Deux outils annoncent deux nombres de visiteurs

L'outil hébergé donne un nombre pour le mois passé et le journal
serveur le double, chacun mesurant correctement quelque chose de
différent. Une balise ne compte que les navigateurs ayant exécuté
son script et, derrière un bandeau, les visiteurs ayant accepté. Un
journal compte chaque requête, robots compris, jusqu'à leur
filtrage. Écrivez une fois la définition de chaque métrique en SQL,
avec ses inclusions et exclusions.

Les rapports ralentissent l'application

Chaque lundi, l'application ralentit pendant que le rapport
hebdomadaire parcourt des tables entières dans la base
transactionnelle. Déplacez-le vers une réplique ou un entrepôt, ou
agrégez chaque nuit les lignes brutes dans une petite table de
synthèse sur laquelle exécuter des fonctions de fenêtre :

```sql
SELECT day,
       signups,
       sum(signups) OVER (ORDER BY day
                          ROWS BETWEEN 6 PRECEDING AND CURRENT ROW)
         AS last_7_days
FROM daily_counts
ORDER BY day;
```

Le bandeau disparaît, le suivi reste

Une équipe remplace les cookies par un produit « sans cookies »,
retire le bandeau et continue à suivre les visiteurs. L'article 5(3)
concerne l'accès aux informations de l'appareil, quel que soit le
mécanisme. Les lignes directrices du CEPD sur son périmètre
technique précisent que les empreintes issues d'en-têtes HTTP ou le
suivi par seule adresse IP peuvent aussi en relever, tout en
rappelant que le fait de relever de cette règle ne signifie pas à
lui seul que le consentement est nécessaire. Jugez un outil selon sa
capacité à relier une requête à la suivante, pas selon le dépôt d'un
cookie.

Un consentement rejeté par les régulateurs

Un bandeau bloque la page jusqu'à acceptation, considère le
défilement comme accord ou rend le retrait plus difficile que
l'acceptation. Les lignes directrices du CEPD indiquent qu'un mur de
cookies empêche un consentement libre et que le défilement n'est
jamais un acte affirmatif clair. L'article 7(3) du RGPD exige un
retrait aussi facile que l'accord. Donnez autant de poids au refus
qu'à l'acceptation et n'envoyez rien avant la réponse.

Des événements pseudonymes conservés sans limite

La table d'événements croît de millions de lignes par mois et ses
identifiants utilisateurs hachés sont considérés comme anonymes. Le
considérant 26 du RGPD traite comme personnelles les données
pseudonymisées que des informations supplémentaires permettraient
d'attribuer à quelqu'un. Le considérant 30 cite les adresses IP et
identifiants de cookies parmi les identifiants en ligne dont les
traces, combinées à d'autres informations, peuvent profiler et
identifier une personne. Fixez la conservation avant le premier
événement, partitionnez par temps pour supprimer un mois expiré d'un
bloc et gardez les chiffres à long terme sous forme d'agrégats sans
identifiants.

Pour aller plus loin

  * NIST SP 1500-1r2, Big Data Interoperability Framework:
Definitions — définitions de l'analyse, de son cycle de vie et de la
localité des données à la base de cet article.

  * Directive 2002/58/CE consolidée — article 5(3), règle de
consentement pour le stockage ou la lecture sur l'appareil du
visiteur, avec ses deux exceptions.

  * Règlement (UE) 2016/679, le RGPD — définition du consentement,
article 7 sur son retrait et considérants 26 et 30 sur les données
pseudonymisées et identifiants en ligne.

  * Lignes directrices 05/2020 du CEPD sur le consentement — murs de
cookies, défilement et retrait, avec exemples détaillés.

  * Lignes directrices 2/2023 du CEPD sur l'article 5(3) — pourquoi
suivi par IP, empreintes et pixels de suivi peuvent relever de la
même règle que les cookies.

  * Tutoriel PostgreSQL : fonctions de fenêtre — classements et
totaux cumulés sur des lignes liées, calculés dans la base.

hCette page sur le Web	URL:https://engineer.company/fr/glossary/analytics/	engineer.company	70
