Données massives : comment les entreprises exploitent-elles ce nouvel or noir ?

Dans l'arène commerciale contemporaine, les entreprises sont confrontées à un déluge d'informations, une véritable explosion de données qui redéfinit les paradigmes stratégiques et les processus de prise de décision. Cette abondance de données, métaphoriquement désignée comme le "nouvel or noir", renferme un potentiel considérable, accessible uniquement à ceux qui maîtrisent son extraction et son utilisation. L'accès, le traitement avancé et l'analyse perspicace de ces données sont devenus des impératifs pour maintenir une position concurrentielle robuste dans un marché en perpétuelle mutation, marqué par une intense transformation numérique. Il est crucial de saisir comment ces données sont structurées, analysées et valorisées pour quiconque aspire à s'adapter avec agilité et à prospérer durablement dans cet écosystème en constante évolution.

Pour de nombreuses entreprises visionnaires, l'accès à une quantité substantielle de données représente une condition *sine qua non* à la mise en œuvre de stratégies innovantes et à la conquête de parts de marché. La capacité à collecter, à stocker de manière sécurisée et à analyser efficacement ces données permet de décrypter les besoins et les comportements des clients avec une précision accrue, d'optimiser les opérations internes pour une efficacité maximale et de concevoir de nouveaux produits et services qui répondent aux attentes du marché. Cependant, cet accès massif soulève des défis substantiels en termes de protection de la confidentialité, de renforcement de la sécurité des systèmes et de respect des principes éthiques. L'exploitation judicieuse de ces données requiert une approche responsable, une gouvernance rigoureuse et une compréhension approfondie des enjeux connexes. La gestion des données représente aujourd'hui un investissement prioritaire pour assurer la croissance et la pérennité des entreprises dans un contexte de transformation numérique accélérée.

L'explosion des données : une ressource inépuisable pour la transformation numérique ?

L'ère du Big Data, intimement liée à la transformation numérique des entreprises, se caractérise par des attributs spécifiques : un volume colossal, une vélocité fulgurante, une variété hétéroclite et une véracité souvent incertaine des informations disponibles. Ce véritable tsunami de données, alimenté par des sources multiples et en constante expansion, offre des opportunités considérables aux entreprises capables de naviguer dans cet océan d'informations. Toutefois, il engendre également des défis majeurs en termes de gestion efficace et d'analyse pertinente. Pour tirer pleinement parti de ce potentiel inexploité, il est impératif de comprendre en profondeur ces caractéristiques fondamentales. Les entreprises doivent, par conséquent, allouer des ressources significatives à l'acquisition d'infrastructures technologiques avancées, au développement de compétences spécialisées et à la mise en place de stratégies de gouvernance des données rigoureuses pour gérer efficacement ce flux constant d'informations, garantissant ainsi la pérennité de leur transformation numérique.

Définition approfondie de big data : au-delà du volume

Le terme "Big Data" ne se limite pas à la simple notion de quantité astronomique de données ; il englobe également des dimensions cruciales telles que la rapidité avec laquelle ces données sont générées, la diversité des formats sous lesquels elles se présentent et la fiabilité des informations qu'elles contiennent. Le volume, bien sûr, est un élément central, se référant à la masse considérable de données, souvent mesurée en téraoctets (TB) ou pétaoctets (PB). La vélocité décrit la vitesse à laquelle les données sont produites et doivent être traitées, nécessitant des infrastructures capables de gérer des flux en temps réel ou quasi-réel. La variété concerne la multiplicité des types de données, allant des données structurées issues de bases de données relationnelles aux données non structurées provenant des réseaux sociaux, des capteurs IoT et des documents textuels. La véracité, enfin, souligne l'importance capitale de la qualité et de la fiabilité des données, un défi majeur pour éviter des interprétations erronées et des décisions préjudiciables. Une étude récente estime que 40% des initiatives Big Data échouent en raison de problèmes liés à la qualité des données.

Sources de données massives : un écosystème diversifié

Les données massives proviennent d'un éventail de sources internes et externes à l'entreprise, chacune offrant des perspectives uniques et des défis spécifiques en termes de collecte, de traitement et d'analyse. Les données internes englobent les informations collectées par les systèmes de gestion de la relation client (CRM), les systèmes de planification des ressources de l'entreprise (ERP) et les données de production issues des systèmes de contrôle industriel. Les données externes comprennent les données publiques, souvent disponibles gratuitement auprès des gouvernements et des organisations internationales, les données commerciales, acquises auprès de fournisseurs spécialisés, les données web, extraites des sites internet et des plateformes en ligne, et les données générées par les utilisateurs, telles que les avis, les commentaires et les interactions sur les réseaux sociaux. La combinaison intelligente et l'intégration harmonieuse de ces différentes sources permettent aux entreprises d'obtenir une compréhension approfondie du marché, des clients et de la concurrence. Une multinationale opérant dans le secteur de la distribution peut accumuler et traiter jusqu'à 10 pétaoctets de données par an, provenant de ses points de vente, de ses plateformes en ligne et de ses partenaires logistiques, afin d'optimiser sa chaîne d'approvisionnement et d'améliorer l'expérience client.

• **Données internes:** Systèmes CRM pour la gestion des interactions clients.
• **Données externes:** Données publiques, commerciales, web et utilisateurs.
• **Données issues des réseaux sociaux:** Posts, commentaires, données de profil pour l'analyse du sentiment.
• **Données IoT:** Données de capteurs pour la maintenance prédictive et l'optimisation des processus.

Défis de l'accès aux données massives : complexité et volumétrie

L'accès aux données massives est entravé par des défis considérables, allant de la simple gestion du volume croissant à la garantie de la véracité et de la sécurité des informations. Le volume pose des problèmes majeurs en termes de stockage évolutif, de traitement distribué et de transfert rapide des données. La vélocité exige des infrastructures performantes, capables de traiter les flux de données en temps réel ou quasi-réel, nécessitant des architectures complexes et des algorithmes optimisés. La variété nécessite des outils d'intégration et d'analyse sophistiqués, capables de gérer des formats de données hétérogènes et des structures complexes. La véracité impose la mise en place de processus rigoureux de validation, de nettoyage et de transformation des données pour garantir leur fiabilité et leur cohérence. La sécurité, enfin, est un enjeu crucial, nécessitant la mise en œuvre de mesures de protection robustes pour prévenir les accès non autorisés et les violations de données. Un audit récent a révélé que 60% des entreprises ne disposent pas d'une stratégie de sécurité adéquate pour protéger leurs données massives contre les cyberattaques.

Miner le filon : méthodes d'accès et de collecte des données massives pour la transformation numérique

La collecte et l'accès aux données massives nécessitent l'emploi de techniques et d'outils spécialisés, adaptés aux caractéristiques spécifiques des sources et des formats de données. Le web scraping, l'utilisation d'interfaces de programmation (APIs), la capture de données en flux continu (streaming data), l'interrogation de bases de données SQL et NoSQL, l'exploitation de data lakes et de data warehouses sont autant de méthodes couramment utilisées pour extraire et stocker les informations pertinentes. Cependant, cette collecte doit impérativement être réalisée dans le respect scrupuleux des considérations éthiques et légales, notamment en matière de protection de la vie privée, de transparence envers les utilisateurs et de conformité aux réglementations en vigueur. La mise en place d'une stratégie de collecte de données claire, efficace et responsable est essentielle pour garantir la qualité, la pertinence et la légalité des informations utilisées dans le cadre de la transformation numérique.

Techniques de collecte de données : panorama des approches

Un éventail de techniques permettent de collecter des données massives, chacune présentant des avantages et des inconvénients en fonction des sources de données et des objectifs de l'entreprise. Le web scraping automatise l'extraction de données à partir de pages web, permettant de collecter des informations publiques sur les produits, les prix et les opinions des clients. Les APIs offrent un accès structuré et standardisé aux données, facilitant l'intégration avec d'autres systèmes et applications. Le streaming data capture les données en temps réel, permettant de suivre les tendances, de détecter les anomalies et de prendre des décisions rapides. Les bases de données SQL et NoSQL permettent d'interroger et d'extraire des informations structurées à partir de sources diverses. Les data lakes stockent les données brutes dans leur format natif, offrant une grande flexibilité pour l'analyse et la découverte. Les data warehouses stockent les données structurées et filtrées, facilitant la génération de rapports et l'aide à la décision. L'entreprise Spotify, par exemple, utilise une combinaison de ces techniques pour collecter des données sur les préférences musicales de ses utilisateurs et leur proposer des recommandations personnalisées.

• Web Scraping: Extraction automatisée d'informations à partir de sites web.
• APIs: Interfaces de programmation pour un accès structuré aux données.
• Streaming Data: Capture de données en temps réel pour une analyse immédiate.
• Bases de données SQL et NoSQL: Interrogation et extraction de données structurées.

Outils de collecte de données : la boîte à outils du data scientist

Un large éventail d'outils facilitent la collecte, la gestion et le traitement des données massives, allant des langages de programmation aux plateformes cloud. Les langages de programmation tels que Python, R et Java sont utilisés pour développer des scripts de collecte de données, des algorithmes d'analyse et des visualisations interactives. Les frameworks tels que Apache Hadoop, Apache Spark et Apache Kafka permettent de traiter des volumes importants de données de manière distribuée et parallèle. Les outils d'extraction, de transformation et de chargement (ETL) facilitent l'intégration des données provenant de différentes sources, garantissant leur cohérence et leur qualité. Les plateformes cloud telles que Amazon Web Services (AWS), Microsoft Azure et Google Cloud Platform (GCP) offrent des services de stockage, de calcul et d'analyse à la demande, permettant aux entreprises de dimensionner leurs infrastructures en fonction de leurs besoins. Une entreprise peut réduire ses coûts d'infrastructure de 50% en migrant ses charges de travail Big Data vers une plateforme cloud.

Considérations éthiques et légales : un impératif pour une transformation numérique responsable

La collecte et l'utilisation des données massives doivent être guidées par des principes éthiques stricts et respecter les réglementations en vigueur, notamment en matière de protection de la vie privée, de transparence et de consentement éclairé. L'anonymisation et la pseudonymisation des données sont des techniques essentielles pour protéger la confidentialité des utilisateurs et réduire le risque de ré-identification. L'information des utilisateurs sur les finalités de la collecte et de l'utilisation de leurs données est une obligation légale, permettant de renforcer la confiance et la transparence. L'obtention du consentement explicite des utilisateurs est nécessaire pour la collecte et l'utilisation de leurs données à des fins spécifiques, garantissant le respect de leur autonomie et de leur droit à la vie privée. Le Règlement Général sur la Protection des Données (RGPD) impose des règles strictes en matière de protection des données personnelles, renforçant les droits des individus et responsabilisant les entreprises. Le non-respect de ces règles peut entraîner des sanctions financières considérables, ainsi qu'une perte de réputation et de confiance. En 2023, les amendes liées au RGPD ont dépassé les 4 milliards d'euros en Europe, soulignant l'importance de la conformité.

Transformation de l'or brut : traitement et analyse des données massives pour une meilleure prise de décision

Le traitement et l'analyse des données massives constituent les étapes cruciales permettant de transformer ces informations brutes en connaissances exploitables et en insights stratégiques. Des techniques d'analyse descriptive, prédictive et prescriptive, ainsi que l'application du machine learning et du deep learning, permettent de dégager des tendances significatives, de prédire des événements futurs avec une précision accrue et de recommander des actions optimales pour atteindre les objectifs de l'entreprise. L'infrastructure requise pour traiter et analyser ces données est souvent complexe et coûteuse, nécessitant des solutions de stockage distribué, de calcul parallèle à haute performance et de réseau à très haut débit. Des exemples concrets d'utilisation de l'analyse des données incluent la détection de fraudes financières, l'optimisation des campagnes marketing, l'amélioration de la qualité des produits et services et la personnalisation de l'expérience client.

Techniques d'analyse des données : du descriptif au prédictif

Un large éventail de techniques d'analyse permettent d'extraire des informations pertinentes à partir des données massives, chacune répondant à des objectifs spécifiques. L'analyse descriptive permet d'identifier les tendances et les schémas dans les données, fournissant une vue d'ensemble de la situation actuelle. L'analyse prédictive permet de prédire les événements futurs en se basant sur les données historiques, permettant aux entreprises d'anticiper les besoins et de se préparer aux changements. L'analyse prescriptive permet de recommander des actions à entreprendre en fonction des données et des objectifs de l'entreprise, optimisant les décisions et améliorant les résultats. Le machine learning utilise des algorithmes pour apprendre à partir des données sans être explicitement programmés, permettant d'automatiser les tâches et d'améliorer la précision des prédictions. Le deep learning utilise des réseaux de neurones profonds pour analyser des données complexes, permettant de résoudre des problèmes complexes tels que la reconnaissance d'images et la compréhension du langage naturel. Un modèle de machine learning peut prédire le taux d'attrition des clients avec une précision de 90%, permettant aux entreprises de mettre en place des actions de rétention ciblées.

• Analyse descriptive: Identification des tendances et schémas clés.
• Analyse prédictive: Prévision des événements futurs grâce aux données.
• Analyse prescriptive: Recommandations d'actions basées sur les données.
• Machine Learning : Apprentissage automatique pour l'amélioration continue.
• Deep Learning : Analyse complexe avec réseaux de neurones profonds.

Infrastructure nécessaire : la puissance de calcul au service des données

Le traitement et l'analyse des données massives requièrent une infrastructure robuste, scalable et performante, capable de gérer des volumes considérables de données et des charges de calcul intensives. Le stockage distribué permet de stocker les données sur plusieurs serveurs, assurant la redondance, la disponibilité et la scalabilité. Le calcul parallèle permet de diviser les tâches de calcul en plusieurs parties et de les exécuter simultanément sur différents processeurs, réduisant les temps de traitement et améliorant les performances. Le réseau à haute vitesse permet de transférer les données rapidement entre les différents composants de l'infrastructure, évitant les goulots d'étranglement et assurant la fluidité des opérations. Une infrastructure Big Data optimisée peut traiter jusqu'à 1 million de transactions par seconde, permettant aux entreprises de réagir en temps réel aux événements et aux opportunités. Le coût moyen d'une infrastructure Big Data performante est de 500 000 euros par an.

Exemples concrets d'utilisation de l'analyse des données : des applications dans tous les secteurs

L'analyse des données massives est utilisée dans de nombreux secteurs d'activité pour résoudre des problèmes complexes, optimiser les processus et améliorer la prise de décision. Dans le secteur financier, elle permet de détecter les fraudes, d'évaluer les risques, de personnaliser les offres et d'optimiser les stratégies d'investissement. Dans le secteur du retail, elle permet de personnaliser l'expérience client, d'optimiser les prix, de gérer les stocks de manière plus efficace et de prédire la demande. Dans le secteur de la santé, elle permet de diagnostiquer précocement les maladies, de personnaliser les traitements, de faire avancer la recherche médicale et d'améliorer la qualité des soins. Dans le secteur de l'industrie, elle permet d'optimiser les processus de production, de prédire les pannes et de mettre en place une maintenance prédictive. Une entreprise de e-commerce peut augmenter son taux de conversion de 20% en personnalisant les recommandations de produits en fonction des données de navigation et d'achat des clients.

L'or en lingots : applications concrètes et bénéfices mesurables pour les entreprises grâce au big data

L'exploitation des données massives se traduit par des applications concrètes et des bénéfices tangibles pour les entreprises, leur permettant de gagner en efficacité, d'innover et de se différencier de la concurrence. Des études de cas détaillées mettent en lumière comment des entreprises de divers secteurs ont réussi à transformer les données en avantage concurrentiel, en améliorant leurs performances, en réduisant leurs coûts et en créant de nouvelles opportunités. L'impact sur les secteurs du retail, de la finance, de la santé, du manufacturing, du transport et de l'énergie est considérable, avec des gains significatifs en termes de personnalisation, d'optimisation, d'innovation et de rentabilité. Le retour sur investissement (ROI) des projets Big Data peut être substantiel, à condition de définir des objectifs clairs, de mettre en place une stratégie adaptée et de mesurer les résultats de manière rigoureuse.

Études de cas détaillées : des success stories inspirantes

De nombreuses entreprises ont démontré avec succès comment l'exploitation des données massives peut générer une valeur considérable. Un exemple est une entreprise de retail qui utilise les données de navigation, d'achat et de localisation de ses clients pour personnaliser les offres, les promotions et les recommandations de produits, augmentant ainsi ses ventes et sa fidélisation client. Une autre entreprise, opérant dans le secteur financier, exploite les données de transaction, les données de crédit et les données issues des réseaux sociaux pour détecter les fraudes, évaluer les risques et automatiser les processus de conformité. Dans le secteur de la santé, un hôpital utilise les données médicales, les données génomiques et les données issues des dispositifs connectés pour identifier les patients à risque, personnaliser les traitements et améliorer les résultats cliniques. L'entreprise Netflix utilise les données de visionnage de ses utilisateurs pour optimiser son catalogue de contenu, personnaliser les recommandations et améliorer l'expérience utilisateur, ce qui a permis d'augmenter son nombre d'abonnés de 30% au cours des deux dernières années. L'entreprise Uber utilise les données de localisation, les données de trafic et les données météorologiques pour optimiser les itinéraires, réduire les temps d'attente et améliorer la satisfaction des clients.

Impact sur différents secteurs : une révolution en marche

Les données massives exercent un impact profond et transformateur sur de nombreux secteurs d'activité, remodelant les modèles économiques, les stratégies commerciales et les modes de fonctionnement. Dans le secteur du retail, elles permettent de personnaliser l'expérience client, d'optimiser les prix de manière dynamique, de gérer les stocks avec une précision accrue et de prédire les tendances du marché. Dans le secteur financier, elles permettent de détecter les fraudes avec une efficacité accrue, d'évaluer les risques avec une plus grande précision, de personnaliser les offres de crédit et d'automatiser les processus de conformité. Dans le secteur de la santé, elles permettent de diagnostiquer les maladies plus tôt, de personnaliser les traitements en fonction du profil génétique du patient, de surveiller l'état de santé des patients à distance et d'améliorer la qualité des soins. Dans le secteur du manufacturing, elles permettent d'optimiser les processus de production, de prédire les pannes des équipements, de mettre en place une maintenance prédictive et d'améliorer la qualité des produits. Les compagnies aériennes, par exemple, utilisent les données météorologiques, les données de trafic aérien et les données de performance des avions pour optimiser les itinéraires de vol, réduire la consommation de carburant et améliorer la sécurité des vols, ce qui représente une économie de 10 millions de dollars par an pour une compagnie aérienne de taille moyenne.

• Retail: Personnalisation de l'expérience client et optimisation des prix.
• Finance: Détection des fraudes et évaluation précise des risques.
• Santé: Diagnostic précoce des maladies et traitements personnalisés.
• Manufacturing: Optimisation des processus et maintenance prédictive.
• Transport: Optimisation des itinéraires et réduction de la consommation.

Retour sur investissement (ROI) : la preuve par les chiffres

L'investissement dans les projets Big Data peut générer un retour sur investissement substantiel, à condition de définir des objectifs clairs, de mettre en place une stratégie adaptée et de mesurer les résultats de manière rigoureuse. Les gains financiers peuvent provenir de l'augmentation des ventes, de la réduction des coûts, de l'amélioration de la satisfaction client, de l'accélération de l'innovation et de la création de nouvelles sources de revenus. Cependant, la mise en place d'une infrastructure Big Data peut être coûteuse, nécessitant des investissements importants en matériel, en logiciels, en services et en compétences spécialisées. Il est donc essentiel de mesurer le ROI des projets Big Data pour s'assurer qu'ils sont rentables et qu'ils contribuent à la création de valeur pour l'entreprise. Une étude récente a révélé que les entreprises qui exploitent efficacement les données massives affichent un taux de croissance 1,5 fois supérieur à celui de leurs concurrents. En moyenne, une entreprise peut espérer un retour sur investissement de 30% après la mise en place d'un projet Big Data réussi. La mise en place d'un data lake permet de réduire les coûts d'analyse des données de 20%.

Les défis de la prospérité : les enjeux éthiques et réglementaires liés à l'exploitation des données massives

L'essor et l'exploitation massive des données soulèvent des enjeux éthiques et réglementaires majeurs, qui doivent être pris en compte par les entreprises pour garantir une utilisation responsable, transparente et respectueuse des droits des individus. Ces enjeux concernent principalement la confidentialité des données personnelles, la sécurité des informations sensibles, la conformité au Règlement Général sur la Protection des Données (RGPD), la lutte contre les biais algorithmiques et la promotion d'une intelligence artificielle éthique. La protection des données personnelles des utilisateurs est une priorité absolue, nécessitant la mise en place de mesures de sécurité robustes et le respect des réglementations en vigueur. La sécurité des données doit être assurée contre les accès non autorisés, les cyberattaques et les fuites d'informations. Les biais dans les données et les algorithmes doivent être identifiés et corrigés pour éviter les discriminations et les inégalités. L'entreprise doit intégrer des considérations éthiques dès la conception des systèmes de collecte, de traitement et d'analyse des données, et promouvoir une culture de la responsabilité et de la transparence au sein de l'organisation.

• Confidentialité: Assurer la protection des données personnelles des utilisateurs.
• Sécurité: Protéger les informations contre les accès non autorisés et les cybermenaces.
• RGPD: Garantir la conformité avec le Règlement Général sur la Protection des Données.
• Éthique: Lutter contre les biais algorithmiques et promouvoir une IA responsable.

Confidentialité : protéger la vie privée dans l'ère du big data

La confidentialité des données personnelles est un enjeu majeur dans l'ère du Big Data, où les entreprises collectent, traitent et analysent des quantités massives d'informations sur les individus. Il est impératif que les entreprises mettent en place des mesures de protection rigoureuses pour garantir la confidentialité des données de leurs clients, de leurs employés et de leurs partenaires. L'anonymisation et la pseudonymisation des données sont des techniques couramment utilisées pour réduire le risque d'identification des personnes et limiter l'impact des violations de données. Le respect du RGPD et des autres réglementations sur la protection des données est une obligation légale, mais aussi un impératif éthique. Les entreprises qui ne respectent pas ces règles s'exposent à des sanctions financières considérables, ainsi qu'à une perte de confiance de la part de leurs clients et de leurs partenaires. 65% des consommateurs se disent préoccupés par la manière dont les entreprises utilisent leurs données personnelles.

Sécurité : faire face aux cybermenaces et protéger les informations sensibles

La sécurité des données est essentielle pour protéger les informations sensibles contre les accès non autorisés, les cyberattaques, les fuites d'informations et les pertes de données. Les entreprises doivent investir dans des mesures de sécurité robustes pour garantir la confidentialité, l'intégrité et la disponibilité des données, telles que le chiffrement des données, la mise en place de pare-feu, la détection d'intrusion, la gestion des accès et la formation du personnel à la sécurité informatique. Une seule violation de données peut coûter des millions de dollars à une entreprise, en termes de pertes financières, de coûts de remédiation, de dommages à la réputation et de sanctions réglementaires. Le coût moyen d'une violation de données est de 4,5 millions de dollars en 2023.

RGPD (règlement général sur la protection des données) : un cadre juridique pour protéger les droits des individus

Le RGPD est un règlement européen qui encadre le traitement des données personnelles des citoyens européens, renforçant leurs droits et imposant des obligations strictes aux entreprises qui collectent, traitent et analysent ces données. Le RGPD exige des entreprises qu'elles informent les utilisateurs de manière claire et transparente sur la collecte et l'utilisation de leurs données, qu'elles obtiennent leur consentement explicite pour le traitement de leurs données, qu'elles mettent en place des mesures de sécurité adéquates pour protéger les données contre les accès non autorisés et qu'elles respectent les droits des individus, tels que le droit d'accès, de rectification, d'effacement et d'opposition. Le RGPD a un impact profond sur les pratiques de collecte et de traitement des données des entreprises, les obligeant à adopter une approche plus transparente, responsable et respectueuse des droits des individus. Les entreprises qui ne respectent pas le RGPD s'exposent à des amendes pouvant atteindre 4% de leur chiffre d'affaires mondial, ou 20 millions d'euros, selon le montant le plus élevé.

Biais : garantir une utilisation équitable et non discriminatoire des données

Les biais dans les données et les algorithmes peuvent conduire à des décisions injustes, discriminatoires et préjudiciables pour les individus. Il est donc essentiel d'identifier et de corriger ces biais pour garantir une utilisation équitable, transparente et non discriminatoire des données. Les biais peuvent provenir de différentes sources, notamment des données incomplètes, des données mal représentées, des algorithmes mal conçus, des préjugés humains et des stéréotypes sociaux. Les entreprises doivent mettre en place des processus de validation et de correction des biais, réaliser des audits réguliers de leurs algorithmes, diversifier les équipes de développement et promouvoir une culture de l'inclusion et de la diversité. Les algorithmes de reconnaissance faciale présentent un taux d'erreur 10 fois supérieur pour les personnes de couleur que pour les personnes blanches.