La plupart des informations manquantes sont dues à des biais dans les données

Lori Mac VittieIngénieur émérite et évangéliste en chef | F5

Sur cent personnes, seules cinq parviennent à obtenir les informations dont elles ont besoin à partir de la multitude d’outils de surveillance qu’elles utilisent pour suivre les performances, la disponibilité et la sécurité de leurs actifs numériques.

Et les quatre-vingt-quinze autres ? Autant dire qu’ils contemplent de jolis diagrammes de Venn, certes, mais totalement inefficaces.

L’une des causes de l’absence d’enseignements n’est pas la pénurie d’outils, ni même le manque de données, mais la présence constante de biais dans les données.

Biais continu des données

Les biais dans les données sont dus à une sélection orientée au sein d’un système. Cette sélection résulte de décisions portant aussi bien sur les données recueillies et les systèmes dont elles proviennent que sur la manière dont les visualisations sont présentées dans les tableaux de bord.

L’une des principales sources de biais dans les données réside dans l’héritage des systèmes basés sur des agents, qui nécessitent le déploiement de logiciels supplémentaires sur chaque système dont vous souhaitez collecter les données. Les agents sont généralement associés à une plateforme d’analyse et, par le passé, le prix de ces produits incluait souvent leur coût. Des remises étaient bien sûr accordées pour les déploiements à grande échelle, mais cela restait néanmoins une solution onéreuse.

Le coût du déploiement — et de la gestion — des agents introduisait un biais dans les données, car il limitait le nombre de systèmes à partir desquels il était possible de collecter des données. La décision de déployer ou non un agent reposait souvent sur des avis — éclairés ou non — quant à l’intérêt de surveiller une application ou un système donné.

Le volume de données généré constitue lui aussi une source de biais permanent, car il conduit à prendre des décisions fondées sur une appréciation subjective de la valeur de certains points de données. Avez-vous vraiment besoin de toutes ces métriques, ou pouvons-nous nous limiter à trois ou quatre ? La sélection subjective des métriques empêche de valider les évolutions ou les changements dans l’ensemble des données. Ces évolutions ou changements pourraient révéler un problème potentiel — ou un risque —, mais passent inaperçus parce que les données ont été jugées insignifiantes.

Enfin, les choix de visualisation effectués lors de la conception des tableaux de bord faussent davantage l’interprétation et reposent souvent sur des compétences et des expériences que les autres utilisateurs du tableau de bord ne possèdent pas nécessairement. Même le choix du type de graphique peut introduire un biais. Cela vaut tout particulièrement pour les indicateurs opérationnels fondés sur des séries chronologiques, tels que les performances et la disponibilité.

Les graphiques à barres sont souvent utilisés pour représenter des séries chronologiques, mais ils sont moins parlants que les graphiques linéaires. Un graphique à barres nous oblige à comparer la hauteur des barres pour comprendre les variations du temps de réponse, alors que la forme d’une courbe permet de voir directement ce qui se passe. Ces choix simples peuvent avoir un impact considérable sur les opérateurs qui s’appuient sur la visualisation pour mieux comprendre l’état de fonctionnement d’un système.

Toutes ces décisions introduisent continuellement des biais dans les données et nuisent à notre capacité à les interpréter — et donc à comprendre ce qu’elles signifient réellement.

Éliminer les biais dans les données

Si nous voulons prendre de meilleures décisions dans un monde où le numérique est la norme, nous aurons besoin de données de meilleure qualité, ce qui implique d’éliminer autant que possible les biais dans les données.

C’est l’une des raisons pour lesquelles OpenTelemetry est si prometteur. La standardisation de la génération et de l’ingestion de la télémétrie à l’aide d’agents open source (et donc peu coûteux, voire gratuits) contribuera grandement à éliminer l’une des causes profondes des biais dans les données : le budget informatique. En permettant de collecter la télémétrie de chaque système, plutôt que de quelques-uns seulement jugés « dignes d’intérêt », vous éliminez une source importante de biais dans vos données. C’est pourquoi notre vision de l’edge prévoit d’intégrer la génération de télémétrie directement à la plateforme, afin qu’elle soit disponible partout et à tout moment.

Le lac de données en tant que service peut également constituer un moyen efficace de remédier aux biais introduits par la sélection des données en raison de leur volume et du coût de leur stockage dans le temps. En externalisant les besoins de mise à l’échelle et de capacité, les entreprises peuvent ingérer plus librement davantage de données de télémétrie, ce qui facilite la détection des anomalies et des tendances ayant une incidence sur les performances, entre autres. Au cours des cinq dernières années, nous avons assisté à une multiplication de ces services, souvent regroupés dans la catégorie XaaS, qui absorbe une part croissante du budget informatique. Deloitte a indiqué dans un rapport sur le XaaS publié cette année que près de la moitié des entreprises consacreront au moins la moitié de leurs dépenses informatiques au XaaS.

Enfin, le passage des visualisations aux analyses permet de remédier au problème des biais dans la présentation des données opérationnelles sur les tableaux de bord. Au lieu de simplement afficher des instantanés de points de données à un moment donné, les analyses fournissent des informations fondées sur les tendances et les relations découvertes dans les données. De plus, elles peuvent éviter les interventions d’urgence inutiles dues au recours à des indicateurs binaires. Les systèmes modernes sont conçus pour tomber en panne et se rétablir automatiquement. Recevoir une notification chaque fois que cela se produit peut entraîner une lassitude face aux alertes, qui nuit à la productivité. La possibilité d’analyser la télémétrie dans le contexte d’un parcours utilisateur complet permet de déterminer quand la défaillance d’un composant nécessite une intervention et quand ce n’est pas le cas. Passer d’un mode reposant sur l’interprétation de plusieurs visualisations à l’exploitation d’analyses complètes peut éliminer certains des biais inhérents à la visualisation.

À mesure que les entreprises adoptent un modèle numérique par défaut, elles s’appuient nécessairement de plus en plus sur les données. L’élimination des biais dans ces données constituera une étape essentielle pour garantir que les décisions qui en découlent produisent les meilleurs résultats possibles pour les clients comme pour l’entreprise.

À propos de l’auteur

Lori Mac VittieIngénieur émérite et évangéliste en chef | F5

Lori MacVittie est ingénieure émérite et évangéliste en chef au sein du bureau du directeur technique de F5. Elle possède une expertise approfondie dans la fourniture d’applications, les stratégies d’automatisation et les infrastructures. Elle est réputée pour sa capacité à rendre la complexité intelligible, qu’elle définisse des garde-fous pour les agents d’IA, analyse des architectures multicloud fragiles ou explore les limites des systèmes évolutifs. Elle cumule plus de trente ans d’expérience dans le secteur, couvrant le développement d’applications, l’architecture informatique ainsi que l’exploitation des réseaux et des systèmes. Avant de rejoindre F5, elle a été rédactrice spécialisée dans les technologies et a reçu plusieurs distinctions. MacVittie est titulaire d’un master en informatique et est une autrice prolifique dont les publications couvrent la sécurité, le cloud et l’architecture d’entreprise. Elle est également une passionnée de jeux de société et de jeux vidéo, et assume pleinement ses avis bien tranchés sur le fromage.

Autres articles de Lori Mac Vittie