MyHEdison

Première · Sciences de gestion et numérique · Chapitre 2

Numérique et intelligence collective

Ce que tu sauras faire

  • Distinguer une donnée, une information et une connaissance, et décrire les étapes de leur transformation
  • Reconnaître une donnée à caractère personnel et énoncer les contraintes qui pèsent sur son utilisation
  • Différencier mégadonnées et données ouvertes, et exploiter des données ouvertes pour produire de l’information
  • Décrire les rôles, l’accessibilité et la valeur de l’information, et situer les acteurs d’un système d’information
  • Analyser les usages numériques du partage et de la collaboration, et les conditions de l’intelligence collective
  • Repérer les effets de l’automatisation et de l’intelligence artificielle sur la circulation de l’information, le travail et le rôle des acteurs
  • Représenter un processus de gestion et argumenter, de façon nuancée, sur l’agilité ou la rigidité qu’apporte une solution numérique

Au programme du chapitre

  1. Donnée, information, connaissance : trois étages, pas trois synonymes
  2. Les rôles de l’information, son accessibilité et sa valeur
  3. Les données à caractère personnel : une ressource sous conditions
  4. Mégadonnées et données ouvertes
  5. Le système d’information : ce qui fait tenir l’ensemble
  6. Partager l’information : l’intelligence collective
  7. Intelligence artificielle et automatisation des tâches
  8. Les processus : nature et représentation
  9. Systèmes de gestion intégrée : agilité ou rigidité ?

Exercices corrigés

Exercice 1

Une adresse IP est-elle une donnée à caractère personnel ? Justifie à partir de la définition, puis explique pourquoi la réponse surprend souvent.
Un coup de pouce
La définition ne dit pas « identifiée » : elle dit « identifiée ou identifiable ».
Voir la correction pas à pas
Oui. La CNIL définit une donnée personnelle comme toute information se rapportant à une personne physique identifiée ou identifiable, et cite explicitement l’adresse IP parmi les identifiants indirects, aux côtés du numéro de téléphone, de la plaque d’immatriculation ou de l’adresse électronique. La réponse surprend parce qu’une adresse IP ne contient ni nom ni visage : elle ressemble à une donnée purement technique. Mais l’identification n’a pas besoin d’être immédiate — il suffit qu’elle soit possible, au besoin par recoupement avec d’autres informations, par exemple celles détenues par un fournisseur d’accès. C’est le même raisonnement qui rend personnelles des données en apparence anodines : un âge, un code postal et une profession ne désignent personne dans une grande ville, mais peuvent ne désigner qu’une seule personne dans un village.

Exercice 2

Mégadonnées et données ouvertes : ces deux expressions désignent-elles des ensembles de données, ou autre chose ? Explique ce que chacune qualifie réellement.
Un coup de pouce
Pour l’une, la question est « avec quels outils ? ». Pour l’autre, « avec quel droit ? ».
Voir la correction pas à pas
Aucune des deux ne désigne un contenu particulier : elles qualifient un rapport à la donnée, et ce ne sont pas les mêmes. Les mégadonnées qualifient une situation technique et économique : les données arrivent en tel volume, à telle vitesse et sous des formes si variées que les outils ordinaires — un tableur, une base classique sur un seul serveur — ne suffisent plus. C’est une question de moyens. Les données ouvertes qualifient un régime juridique d’accès : n’importe qui peut les obtenir, les réutiliser, y compris commercialement, sous une licence qui l’autorise, et dans un format exploitable par une machine. C’est une question de droits. Conséquence directe : des données peuvent être massives et fermées (les clics d’une grande plateforme), ou ouvertes et minuscules (la liste des équipements sportifs d’une commune). Les deux notions se croisent, elles ne se recouvrent pas.

Les pièges à éviter

  • Employer « donnée » et « information » l’un pour l’autre, et parler des « informations » stockées dans une base.
  • Confondre système d’information et système informatique.
  • Croire qu’une donnée sans nom n’est pas une donnée personnelle.
  • Confondre anonymisation et pseudonymisation.

Pour aller plus loin

Réviser autrement