Bases de données et big data : comment vos données sont organisées
Vous avez un compte bancaire. Une carte de fidélité. Un abonnement Netflix. Un dossier médical. Un profil LinkedIn. À chaque fois, vos informations sont stockées quelque part. Pas en vrac sur un bout de papier — dans une base de données.
Ces bases de données ne sont pas des coffres-forts inertes. Elles sont interrogées, croisées, analysées des milliers de fois par seconde. Quand Spotify vous suggère un titre le lundi matin, quand votre banque détecte un paiement suspect à l'étranger, quand Amazon affiche "les clients ayant acheté cet article ont aussi acheté..." — c'est une base de données qui répond à une requête, en quelques millisecondes.
Et quand ces bases atteignent des volumes que l'esprit humain ne peut plus appréhender — des milliards de lignes, des pétaoctets de données — on entre dans le territoire du big data. Un terrain où les corrélations invisibles à l'œil nu deviennent des leviers commerciaux, scientifiques, parfois intrusifs.
Comprendre comment vos données sont organisées, c'est comprendre pourquoi elles ont de la valeur — et pourquoi les entreprises tiennent tant à les conserver.
Une base de données, c'est quoi au juste ?
L'exemple de l'école
Prenons un exemple concret. Vous arrivez dans une nouvelle ville. Vous inscrivez votre enfant à l'école Clémenceau. La secrétaire ouvre un dossier et vous demande : nom, prénom, date de naissance, adresse, classe. Elle inscrit ces informations dans un registre.
Ce registre, c'est déjà une base de données. Rudimentaire, sur papier, mais structurée. Il a un titre ("Élèves de l'école Clémenceau"), des colonnes (nom, prénom, date de naissance, adresse, classe), et des lignes (un élève par ligne). Chaque colonne est un champ. Chaque ligne est un enregistrement.
Si la secrétaire a aussi un registre des enseignants (nom, matière, classes assignées) et un registre des salles (numéro, capacité, étage), elle gère trois bases de données distinctes. Mais ces bases sont liées : la classe "CM2-A" apparaît dans le registre des élèves, dans celui des enseignants et dans celui des salles. C'est cette liaison qui transforme des listes isolées en un système cohérent.
Transposez ça en informatique. Remplacez le registre papier par un logiciel. Remplacez la secrétaire par un serveur. Ajoutez la capacité de traiter des milliers de requêtes par seconde. Vous avez une base de données informatique.
Titre, champs, enregistrements : le vocabulaire de base
Toute base de données repose sur trois notions :
- Le titre (ou nom de la table) : ce que contient cette base. "Élèves", "Enseignants", "Clients", "Commandes".
- Les champs (ou colonnes) : les catégories d'information. Nom, prénom, date de naissance, adresse email, numéro de commande.
- Les enregistrements (ou lignes) : les données elles-mêmes. Chaque ligne est une entrée complète.
Un champ a un type : texte, nombre, date, vrai/faux. Un champ "date de naissance" n'accepte pas la valeur "bonjour". Cette rigueur, cette structure, c'est ce qui distingue une base de données d'un fichier texte en vrac.
Le saviez-vous ? Votre smartphone contient des dizaines de bases de données sans que vous le sachiez. Vos contacts, vos SMS, votre historique d'appels, les métadonnées de vos photos (lieu, heure, appareil) — tout est stocké dans des bases SQLite, un format léger utilisé par Android et iOS. Quand vous cherchez un contact en tapant les premières lettres, c'est une requête sur une base de données locale.
À retenir :
- Une base de données est un ensemble structuré d'informations, organisé en champs (colonnes) et enregistrements (lignes)
- Chaque champ a un type (texte, nombre, date...) qui garantit la cohérence des données
- Votre téléphone, votre banque, votre médecin — tous utilisent des bases de données pour stocker vos informations
Bases de données relationnelles : quand les tables se parlent
Le principe des relations
Reprenons l'école Clémenceau. La secrétaire a trois registres : élèves, enseignants, salles. Si elle veut savoir quels élèves sont dans la classe de M. Dupont, elle doit croiser deux registres manuellement. C'est fastidieux. C'est le problème que les bases de données relationnelles résolvent.
Le modèle relationnel, inventé par Edgar F. Codd chez IBM en 1970, repose sur une idée simple : les tables sont liées entre elles par des clés. Chaque élève a un identifiant unique (clé primaire). La table des classes contient cet identifiant (clé étrangère). Le lien est automatique : une seule requête suffit pour retrouver tous les élèves de M. Dupont, leur adresse, et la salle où ils ont cours.
Le langage qui permet d'interroger ces bases s'appelle SQL (Structured Query Language). Inventé dans les années 1970, il reste, cinquante ans plus tard, le standard absolu. MySQL, PostgreSQL, Oracle, SQL Server — les noms changent, le principe reste.
Donnée, information, connaissance
Avant d'aller plus loin, une distinction fondamentale. Ces trois mots sont souvent confondus. Ils désignent pourtant trois niveaux très différents.
Une donnée est un fait brut, isolé, sans contexte. "Paris". "37,5". "12/04/2024". Pris seuls, ces éléments ne disent rien.
Une information est une donnée mise en contexte. "Paris est la capitale de la France." "La température du patient est de 37,5 °C." "La commande a été passée le 12/04/2024." Le contexte donne du sens.
Une connaissance est une information intégrée, interprétée, qui permet d'agir. "Le patient a une température normale, pas d'inquiétude." "La commande passée il y a 10 jours n'est toujours pas livrée — il faut relancer le fournisseur."
La hiérarchie est claire : connaissance > information > donnée. Une base de données stocke des données brutes. C'est le traitement — humain ou algorithmique — qui les transforme en information, puis en connaissance. Un tableau de chiffres ne vaut rien. Ce qu'on en déduit vaut de l'or.
Quelques exemples pour ancrer ça :
- Capitales du monde. "Brasília" est une donnée. "Brasília est la capitale du Brésil" est une information. "Brasília a été construite en 1960 pour désengorger Rio et São Paulo" est une connaissance.
- Planètes. "5,97 × 10²⁴ kg" est une donnée. "La masse de la Terre est de 5,97 × 10²⁴ kg" est une information. "La masse de la Terre détermine la force de gravité qui nous maintient au sol" est une connaissance.
- Compte bancaire. "-847,32 €" est une donnée. "Le solde de votre compte est de -847,32 €" est une information. "Vous êtes à découvert, des agios vont s'appliquer si vous ne régularisez pas sous 48h" est une connaissance.
Au-delà du relationnel : NoSQL, data lakes et entrepôts
Le modèle relationnel règne depuis cinquante ans, mais il a des limites. Quand les données ne sont pas structurées en colonnes bien nettes — images, vidéos, logs de serveurs, publications sur les réseaux sociaux, données de capteurs IoT — les tables relationnelles deviennent rigides.
C'est là qu'entrent les bases NoSQL (Not Only SQL). MongoDB stocke les données sous forme de documents JSON flexibles. Redis fonctionne comme une mémoire ultra-rapide. Cassandra gère des milliards de lignes distribuées sur des centaines de serveurs. Chacune répond à un besoin que le SQL classique couvre mal.
Deux concepts complètent le paysage :
- Le data lake (lac de données) : un réservoir brut où l'on déverse tout — structuré ou non — sans schéma prédéfini. On trie après. Amazon S3 et Azure Data Lake sont les plus utilisés.
- Le data warehouse (entrepôt de données) : un espace où les données sont nettoyées, organisées et prêtes à l'analyse. Snowflake et Databricks dominent ce marché en 2026, avec des valorisations de dizaines de milliards de dollars.
La logique : le data lake est le grenier où l'on stocke tout. Le data warehouse est la bibliothèque où l'on range ce qui est utile.
À retenir :
- Les bases relationnelles (SQL) lient des tables entre elles par des clés — c'est le modèle dominant depuis 50 ans
- Donnée → information → connaissance : c'est le traitement qui crée la valeur, pas le stockage
- Le NoSQL, les data lakes et les data warehouses répondent aux limites du modèle relationnel face à des données massives et non structurées
Le big data : quand les volumes dépassent l'entendement
Des échecs aux protéines : l'histoire courte de l'IA qui apprend
L'idée de faire calculer des machines sur d'immenses quantités de données n'est pas nouvelle. En 1997, Deep Blue, un supercalculateur d'IBM, bat le champion du monde d'échecs Garry Kasparov. Deep Blue ne "comprenait" pas les échecs. Il évaluait 200 millions de positions par seconde par force brute. Une victoire de la puissance de calcul, pas de l'intelligence.
En 2011, IBM récidive avec Watson, un système capable de comprendre des questions en langage naturel. Watson remporte le jeu télévisé Jeopardy! face aux meilleurs joueurs humains. IBM investit massivement pour appliquer Watson à la médecine, à la finance, au droit. Le projet sera un échec commercial : IBM démantelera Watson Health en 2022. Le système fonctionnait bien dans un jeu avec des règles claires. Face à la complexité du réel — dossiers médicaux incomplets, terminologie variable, données bruitées — il patinait.
En 2016, AlphaGo (Google DeepMind) bat Lee Sedol, champion mondial de Go. Contrairement à Deep Blue, AlphaGo ne comptait pas sur la force brute : le nombre de positions possibles au Go dépasse le nombre d'atomes dans l'univers. AlphaGo avait appris en analysant des millions de parties, puis en jouant contre lui-même. L'apprentissage profond (deep learning) entrait dans la lumière.
La suite est vertigineuse. DeepMind redirige son savoir-faire vers la biologie : AlphaFold prédit la structure 3D de plus de 200 millions de protéines, un problème que les biologistes n'avaient pas résolu en cinquante ans. Fin 2022, OpenAI lance ChatGPT. Anthropic développe Claude. Google déploie Gemini. Ces grands modèles de langage (LLMs) sont entraînés sur des centaines de milliards de mots — des datasets massifs — et génèrent du texte, du code, des raisonnements.
Le fil rouge : à chaque étape, c'est la quantité et la qualité des données qui font la différence. Deep Blue avait besoin de puissance brute. AlphaGo avait besoin de données d'apprentissage. Les LLMs ont besoin de tout le web. Le big data n'est pas un buzzword — c'est le carburant.
Les 5V du big data
Le big data se définit traditionnellement par ses caractéristiques. Le modèle initial parlait de 3V (Volume, Variété, Vitesse), proposé par Doug Laney en 2001. Deux dimensions se sont ajoutées au fil des ans.
1. Volume. Le plus évident. L'humanité a produit environ 180 zettaoctets de données en 2025 selon IDC. Un zettaoctet = mille milliards de gigaoctets. Pour donner un ordre d'idée : si chaque gigaoctet était un grain de sable, 180 zettaoctets rempliraient des milliers de plages. Ce volume double tous les deux à trois ans.
2. Variété. Les données ne sont pas que des tableaux Excel. Textes, images, vidéos, sons, logs de serveurs, données GPS, relevés de capteurs, publications sur les réseaux sociaux, transactions financières — les formats sont hétérogènes. C'est cette variété qui a poussé le développement du NoSQL et des data lakes.
3. Vitesse. Les données ne sont plus traitées en différé, la nuit, dans un batch planifié. Elles arrivent en temps réel. Quand vous payez par carte, la vérification anti-fraude prend moins d'une seconde. Quand TikTok ajuste votre fil, c'est instantané. Le "streaming de données" est devenu la norme.
4. Véracité. Toutes les données ne sont pas fiables. En 2024, environ 50 % du trafic web mondial provenait de robots, selon le rapport annuel d'Imperva (contre 65 % estimés quelques années plus tôt — les techniques de détection se sont améliorées, pas nécessairement le volume de bots). Faux comptes, données incomplètes, erreurs de saisie, capteurs défaillants — la véracité est un enjeu critique.
C'est d'ailleurs pour combattre les robots que les CAPTCHAs existent. Ces tests ("cliquez sur les feux tricolores", "recopiez ce texte déformé") servent à distinguer un humain d'un programme automatisé. Ironie : les CAPTCHAs de Google (reCAPTCHA) ont longtemps servi à entraîner les algorithmes de reconnaissance d'images de Google. Vous travailliez gratuitement pour l'IA en prouvant que vous n'étiez pas un robot.
5. Valeur. Le volume ne fait pas la valeur. Un pétaoctet de données bruitées vaut moins qu'un mégaoctet de données propres et pertinentes. L'enjeu du big data n'est pas de tout stocker — c'est d'extraire le signal du bruit. Les data warehouses modernes (Snowflake, Databricks) et les pipelines d'IA visent exactement ça : transformer un océan de données brutes en décisions exploitables.
Le saviez-vous ? Le terme "big data" n'a pas d'inventeur unique. Il apparaît dans un article de John Mashey chez SGI en 1998, puis se popularise avec le rapport de Doug Laney (2001) et les travaux de McKinsey (2011). Aujourd'hui, le terme perd du terrain au profit d'"IA" et de "data science" — mais les réalités techniques qu'il décrit sont plus actuelles que jamais.
À retenir :
- Le big data se caractérise par 5V : Volume (180 ZB/an), Variété (formats hétérogènes), Vitesse (temps réel), Véracité (données fiables ?), Valeur (signal vs bruit)
- De Deep Blue à ChatGPT, chaque avancée de l'IA dépend de la quantité et de la qualité des données disponibles
- Le big data n'est pas un concept abstrait — c'est ce qui alimente les algorithmes qui vous recommandent, vous évaluent et vous profilent
Corrélations : quand les données racontent des histoires
Mme Arban et la recommandation invisible
Imaginons Mme Arban. Elle achète un roman policier sur une librairie en ligne. Deux jours plus tard, le site lui propose trois autres polars. Comment ? Le site n'a pas lu les livres. Il n'a pas non plus demandé à un libraire ce qu'il recommanderait. Il a simplement constaté que 78 % des clients ayant acheté ce polar avaient aussi acheté ces trois titres.
C'est une corrélation : deux événements se produisent ensemble, fréquemment, sans que l'un cause nécessairement l'autre. Mme Arban n'aimera pas forcément ces trois livres. Mais statistiquement, les chances sont élevées.
Ce mécanisme — le filtrage collaboratif — est au cœur des recommandations d'Amazon, de Netflix, de Spotify. En 2026, Spotify Discover Weekly analyse votre historique d'écoute, le compare à celui de millions d'utilisateurs aux profils similaires, croise avec des caractéristiques acoustiques (tempo, tonalité, énergie), et vous propose 30 titres chaque lundi. YouTube Recommendations fonctionne sur le même principe, avec un objectif plus controversé : maximiser votre temps de visionnage, pas votre satisfaction.
La boulangerie et les pains au chocolat
Un exemple plus terre-à-terre. Un boulanger constate qu'il vend beaucoup de pains au chocolat le matin entre 7h et 9h, puis qu'un second pic survient vers 16h30, à la sortie des écoles. En analysant ses données de caisse, il peut ajuster sa production : une fournée à 6h, une seconde à 16h. Moins de gaspillage, plus de ventes.
C'est du big data ? Techniquement, non — les volumes sont modestes. Mais le raisonnement est identique : observer des patterns dans les données, identifier des corrélations temporelles, et ajuster une décision. La seule différence avec Spotify ou YouTube, c'est l'échelle.
À grande échelle, ces corrélations deviennent redoutables. Une enseigne américaine de grande distribution a fait la une en 2012 quand son algorithme a détecté qu'une adolescente était enceinte — avant que son père ne le sache — en analysant ses achats (lotion non parfumée, compléments en magnésium, tapis de bain de couleur vive). L'algorithme ne "savait" pas ce qu'est une grossesse. Il avait simplement identifié un pattern d'achats corrélé à ceux de femmes enceintes.
Corrélation n'est pas causalité
Un avertissement fondamental. Les corrélations décrivent des co-occurrences. Elles ne prouvent pas des liens de cause à effet. Le nombre de noyades augmente avec la vente de glaces. Pas parce que les glaces provoquent des noyades — parce qu'il fait chaud, et qu'en été, les gens nagent plus et mangent plus de glaces.
Le big data excelle à repérer des corrélations. Il est incapable, seul, d'établir des causalités. C'est pourquoi l'intervention humaine reste indispensable : un data scientist ne se contente pas de lire les chiffres. Il les interroge, les contextualise, et évite de transformer une coïncidence statistique en certitude trompeuse.
Le saviez-vous ? Le site "Spurious Correlations" de Tyler Vigen recense des corrélations absurdes mais réelles : le taux de divorce dans le Maine corrèle quasi parfaitement avec la consommation de margarine. Le nombre de films avec Nicolas Cage corrèle avec le nombre de noyades en piscine. Ces exemples rappellent qu'une corrélation, même forte, ne prouve strictement rien sans analyse causale.
À retenir :
- La corrélation est le moteur des systèmes de recommandation (Amazon, Spotify, YouTube)
- Le même raisonnement s'applique à petite échelle (boulangerie) comme à grande échelle (big data)
- Corrélation ≠ causalité : deux événements qui co-occurrent ne sont pas forcément liés par un lien de cause à effet
Les métiers de la donnée : qui fait quoi ?
L'exploitation du big data a fait émerger des métiers qui n'existaient pas il y a quinze ans. Trois rôles reviennent systématiquement.
Data scientist
Le data scientist est le profil star. Son travail : explorer les données, formuler des hypothèses, construire des modèles statistiques ou d'apprentissage automatique (machine learning), et produire des recommandations. C'est la personne qui transforme un data lake en décisions.
En 2026, le métier a évolué. Les data scientists travaillent de moins en moins "from scratch". Ils s'appuient sur des modèles pré-entraînés (GPT-4, Claude, Mistral) qu'ils adaptent (fine-tuning) à des cas d'usage spécifiques. La démocratisation des outils (Python, Jupyter, bibliothèques open source) a abaissé la barrière d'entrée technique. Mais l'expertise métier — comprendre ce que les données signifient, pas juste les manipuler — reste rare et recherchée.
Data engineer
Le data engineer construit la plomberie. Les pipelines de données (collecte, transformation, chargement), l'infrastructure de stockage, la fiabilité des flux. Sans data engineer, le data scientist n'a pas de données exploitables.
C'est un métier invisible mais critique. Les plateformes comme Snowflake, Databricks, dbt et Apache Spark sont ses outils quotidiens. Un pipeline de données mal conçu produit des analyses fausses — et des décisions erronées.
Data miner / data analyst
Le data miner fouille les données existantes pour y trouver des patterns, des anomalies, des tendances. Moins orienté modélisation que le data scientist, plus orienté exploration et reporting. Dans beaucoup d'entreprises, le data analyst est la personne qui produit les tableaux de bord et les indicateurs suivis par la direction.
Le point commun de ces trois métiers : ils travaillent sur vos données. Les données que vous confiez à votre banque, votre assureur, votre opérateur télécom, votre réseau social. Des professionnels les analysent, les croisent, les modélisent — pour améliorer un service, certes, mais aussi pour vous profiler, vous cibler, vous évaluer. Le RGPD encadre ces pratiques. Encore faut-il que vous exerciez vos [droits](-> Article 5 : RGPD, vos 7 droits concrets).
À retenir :
- Data scientist (modèles et analyses), data engineer (infrastructure et pipelines), data analyst (exploration et reporting) : trois métiers complémentaires
- Le data scientist 2026 travaille avec des modèles pré-entraînés, pas en partant de zéro
- Ces professionnels exploitent vos données personnelles — le RGPD vous donne des leviers pour encadrer ces traitements
En résumé
Vos données ne flottent pas dans un nuage abstrait. Elles sont rangées dans des bases structurées — des tables avec des champs et des enregistrements, liées entre elles par des clés. Ce modèle, inventé dans les années 1970, reste le socle de la quasi-totalité des services numériques que vous utilisez.
Quand ces bases atteignent des volumes massifs — 180 zettaoctets par an à l'échelle mondiale — on entre dans le big data. Un univers défini par 5 caractéristiques : le volume, la variété des formats, la vitesse de traitement, la véracité (ou non) des données, et la valeur qu'on en extrait. C'est dans cet univers que les algorithmes de recommandation trouvent leurs corrélations, que les IA apprennent, et que des professionnels — data scientists, data engineers, data analysts — transforment des données brutes en décisions.
Derrière chaque recommandation Spotify, chaque scoring bancaire, chaque publicité ciblée, il y a une base de données qui contient des informations sur vous. Comprendre comment elle fonctionne, c'est le premier pas pour décider ce que vous y laissez — et ce que vous en retirez.
FAQ
Qu'est-ce qu'une base de données en termes simples ?
Une base de données est un ensemble organisé d'informations, structuré en colonnes (les champs : nom, date, montant...) et en lignes (les enregistrements : une personne, une commande, un produit). Pensez au registre d'une école avec les noms, prénoms et classes des élèves — c'est une base de données. En informatique, des logiciels comme MySQL ou PostgreSQL permettent de stocker des millions de lignes et de les interroger en une fraction de seconde.
Que signifie "big data" concrètement ?
Le big data désigne des ensembles de données si volumineux, variés et rapides qu'ils dépassent les capacités des outils traditionnels. On le caractérise par 5V : Volume (180 zettaoctets produits par an en 2025), Variété (textes, images, vidéos, capteurs...), Vitesse (traitement en temps réel), Véracité (fiabilité des données) et Valeur (capacité à en extraire des décisions utiles). C'est le carburant des algorithmes de recommandation, de l'IA et du profilage publicitaire.
Quelle différence entre une donnée, une information et une connaissance ?
Une donnée est un fait brut sans contexte ("37,5"). Une information est une donnée contextualisée ("la température du patient est de 37,5 °C"). Une connaissance est une information interprétée qui permet d'agir ("température normale, pas d'inquiétude"). Les bases de données stockent des données. C'est le traitement — humain ou algorithmique — qui crée l'information et la connaissance.
Qu'est-ce qu'un data scientist et que fait-il de mes données ?
Un data scientist analyse les données pour en extraire des tendances, construire des modèles prédictifs et formuler des recommandations. En 2026, il utilise souvent des modèles d'IA pré-entraînés qu'il adapte à un cas précis. Concrètement, quand votre banque évalue votre risque de crédit ou quand Spotify compose votre playlist du lundi, c'est le travail d'un data scientist. Le RGPD vous donne le [droit de savoir](-> Article 5 : RGPD, vos 7 droits concrets) quels traitements sont appliqués à vos données.
Les corrélations du big data sont-elles fiables ?
Les corrélations décrivent des co-occurrences statistiques, pas des liens de cause à effet. Les ventes de glaces et les noyades augmentent en même temps — non pas parce que les glaces sont dangereuses, mais parce qu'il fait chaud. Les systèmes de recommandation (Amazon, Netflix, Spotify) exploitent ces corrélations avec succès, mais elles doivent toujours être interprétées par des humains pour éviter des conclusions absurdes ou discriminatoires.
Vos données sont structurées, analysées, croisées — reprenez la main
Chaque service que vous utilisez stocke vos informations dans des bases de données. Chaque interaction alimente des algorithmes qui vous recommandent, vous évaluent, vous profilent. Des data scientists analysent vos comportements. Des modèles d'IA sont entraînés sur vos données.
Le RGPD vous donne des droits concrets face à ces traitements : savoir quelles données sont détenues, demander leur suppression, refuser le profilage. Mais un droit qui n'est pas exercé ne protège personne.
C'est la raison d'être de Fairmi. Comme une fourmi face à un monde immense, chaque citoyen peut se sentir impuissant devant les géants qui structurent ses données. Mais une fourmi organisée déplace mille fois son poids. Fairmi vous donne les outils pour agir : sélectionnez une marque, choisissez le droit que vous voulez exercer, et la demande est générée pour vous. Sans jargon, sans modèle à chercher.