Le Big Data ouvre à des changements profonds de process, de modèles d’affaires, voire d’activité et le monde de la recherche a été précurseur en la matière.
L’universitaire britannique devenu chercheur chez Microsoft, Tony Hey, a identifié quatre grandes étapes dans l’évolution de la science :
étape 1 (Antiquité grecque et chinoise) : la théorie, c’est-à-dire la tentative d’expliquer les observations avec des lois naturelles plutôt que par des acteurs surnaturels ;
étape 2 (xviie siècle) : l’expérimentation, c’est-à-dire la vérification d’hypothèses en conduisant des expériences ;
étape 3 : le calcul et la simulation grâce aux ordinateurs permettant d’explorer des champs inaccessibles à l’expérimentation, comme les modèles climatiques, la formation des galaxies… ;
étape 4 : la fouille des données. Les scientifiques partent des données pour y découvrir des lois.L’approche scientifique classique, correspondant à l’étape 2, est basée sur l’hypothèse initiale formulée par les scientifiques. Ceux-ci cherchent ensuite les moyens pour acquérir les données leur permettant de la conforter ou la réfuter. Les données sont le facteur limitant. Dans les approches massives, c’est la formulation d’une hypothèse pertinente permettant d’expliquer les données qui est le facteur limitant. La logique de recherche est inversée et l’on parle, pour le Big Data, de démarche data driven, au lieu d’hypothesis driven : les chercheurs partent des données et cherchent des régularités, ou des singularités, pouvant susciter des hypothèses…