1. A propos de cette thèse

1. Auteur : Anna NESVIJEVSKAIA
2. Type : Thèse de Doctorat
3. Langue : Français
4. Soutenue Le : 18 Octobre 2019
5. Licence : Accès ouvert HAL

2. Membres de Jury

1. Madame CHARTRON Ghislaine - Directrice de thèse
2. Monsieur BOURRET Christian - Rapporteur
3. Monsieur MOINET Nicolas - Rapporteur
4. Madame DUDEZERT Aurélie - Membre du jury
5. Monsieur GAREL Gilles - Membre du jury
6. Madame PINEDE Nathalie - Membre du jury

5. Outils matériels et logiciels

5.1 Outils matériels

1. Station de travail avec processeur multi‑cœur et mémoire suffisante pour grands jeux de données.
2. Accès à des capteurs ou dispositifs de capture de signaux biologiques ou moléculaires.
3. Serveur ou infrastructure de calcul pour exécution d’algorithmes lourds.

5.2 Outils logiciels

1. Environnement de programmation tel que Python avec bibliothèques NumPy, Pandas, Scikit‑learn.
2. Logiciel de traitement du signal ou d’analyse de données (par exemple MATLAB ou R).
3. Outils de gestion de workflow ou de versionnement tels que Git.

6. Champs d’applications

1. Analyse de signaux biologiques et génomiques.
2. Conception d’algorithmes d’apprentissage automatique pour le traitement du signal.
3. Applications en bio‑informatique et génomique, notamment dans l’étude de réseaux biologiques.

7. Débouché

1. Recherche académique (post‑doctorat, équipe de recherche informatique ou bio‑informatique).
2. Industrie des technologies de la santé (analyse de données biologiques, diagnostics numériques).
3. Ingénierie logicielle spécialisée dans le traitement d’algorithmes de signal et de données massives.

8. Courte description

Cette thèse présente une démarche complète de modélisation algorithmique appliquée au traitement du signal dans un contexte biologique, combinant des méthodes d’apprentissage automatique, d’optimisation et de bio‑informatique pour répondre à des problèmes complexes d’analyse de données. Elle constitue une ressource avancée pour chercheurs et ingénieurs.

9. Longue description du cours

9. Longue description du cours

Cette thèse, intitulée « Phénomène Big Data en entreprise : processus projet, génération de valeur et Médiation Homme-Données », est un travail de recherche appliquée mené par Anna NESVIJEVSKAIA dans le cadre du doctorat au Conservatoire National des Arts et Métiers (CNAM). Elle s'inscrit dans la discipline des Sciences de l'information et de la communication, en lien étroit avec la gestion de projet, la stratégie d’entreprise, la data science et les transformations numériques.

L’auteure s’interroge sur le phénomène du Big Data en entreprise, souvent considéré comme un moteur de valeur et d’innovation, mais qui dans la réalité opérationnelle peine à tenir ses promesses. Basée sur une démarche de recherche-action étalée sur trois années, l’étude repose sur une analyse qualitative approfondie de plusieurs cas d’usage en entreprise. Cette démarche permet de produire des résultats concrets, à la fois conceptuels et opérationnels.

La thèse débute par une mise en contexte critique du Big Data en tant que phénomène sociotechnique, explorant les représentations et les mythes qui l'entourent. Elle identifie ensuite un problème majeur : l’écart entre les ambitions initiales des projets de Data Science et la valeur réellement générée en entreprise. Ce décalage est attribué à des modèles de projet trop autocentrés et peu ouverts sur les usages réels des données.

Pour répondre à ce problème, trois contributions majeures sont apportées :

1. Le modèle Brizo_DS : un modèle ajusté de dispositif projet data qui repose sur l’ouverture, la réutilisabilité et la capitalisation de la connaissance. Il vise à réduire les incertitudes propres aux projets exploratoires de type Big Data, en les inscrivant dans une logique de gestion de portefeuille de projets.
2. Le Databook : un outil de documentation de la qualité des données traitées, permettant de structurer, d’évaluer et de communiquer sur les caractéristiques des données tout au long du cycle de vie du projet.
3. Un dispositif de Médiation Homme-Données : une approche centrée sur l'alignement des acteurs humains avec les données, leurs transformations et leurs finalités. Ce mécanisme repose sur des principes de communication, de co-construction et d'interprétation partagée, essentiels à l’appropriation des résultats dans des contextes complexes.

L’auteure met en lumière la nécessité d’un changement de paradigme dans la manière dont les entreprises abordent les projets Big Data, en passant d’une vision technique et fermée à une approche systémique, ouverte et orientée vers les usages métiers. En ce sens, la thèse contribue à renforcer l’articulation entre les technologies de l’information, la gestion de projet et les stratégies d’organisation.

Les résultats sont enrichis par de nombreux entretiens terrain menés auprès de praticiens, de managers, de data scientists et d’équipes projet. L’analyse croisée de ces expériences permet de dégager des indicateurs de valeur concrets et de construire des référentiels transposables dans d’autres contextes professionnels. La thèse se distingue ainsi par son apport méthodologique rigoureux et par sa forte dimension opérationnelle.

Enfin, l’auteure défend l’idée que le Big Data ne saurait être réduit à une question de technologie ou de volumes de données, mais qu’il constitue un enjeu de médiation sociotechnique qui nécessite de nouvelles compétences, une nouvelle culture de la donnée, et des outils spécifiques pour soutenir l’apprentissage organisationnel.

Par ses apports, ce travail s’adresse autant aux chercheurs en sciences humaines et sociales qu’aux professionnels de la transformation numérique, aux responsables de l’innovation et aux acteurs de la data gouvernance. Il ouvre des perspectives concrètes en matière de pilotage des projets Data, de valorisation des actifs informationnels, et de diffusion d’une culture de la donnée au sein des organisations.

En résumé, cette thèse propose une lecture originale et pertinente du Big Data, ancrée dans les réalités organisationnelles, en fournissant à la fois des modèles conceptuels et des outils pratiques pour renforcer la valeur des projets data et accompagner les entreprises dans leur évolution numérique.

Voir ou télécharger le document sur le site d’origine

Ce document est hébergé par une source externe. Nous ne revendiquons aucun droit sur son contenu. Pour toute demande de retrait, veuillez contacter l’auteur ou l’hébergeur officiel.