Big Data, Partie #3 – Big Data et la Politique

Après avoir expliqué à quoi renvoie l’expression « Big Data » (partie #1) et l’élan entrepreneurial qu’elles suscitent (partie #2), nous nous interrogeons maintenant sur l’utilisation des Big Data en politique, et plus largement, à quoi ressemble une vie quotidienne de plus en plus guidée par des algorithmes.

Les Big Data font leur entrée en politique

La capacité à prédire le comportement d’un groupe de personnes à partir des données recueillies sur elles trouve de nombreux domaine d’application : marketing ciblé, prévention médicale, mais aussi connaissance de l’opinion publique, ce qui n’est pas passé inaperçu du monde politique.

Pour sa campagne de deuxième mandat, le Président Obama a fait appel à une armée d’informaticiens (Geek Squad) afin de mettre au point des stratégies de micro-ciblage des électeurs.

Connaître les habitudes des internautes permet de les exposer à des messages ciblés pour le public qui se trouve sur tel site Internet à une heure déterminée. Les messages sont d’autant plus efficaces qu’ils sont personnalisés.

Un internaute qui a voté lors des quatre dernières élections verra s’afficher sur son écran des messages l’incitant à voter pour tel ou tel candidat, alors que son voisin, qui ne s’est pas déplacé pour son devoir civique depuis plusieurs années, verra s’afficher des publicités pour une marque de vêtements. Les informations sur le comportement politique des personnes sont ainsi croisées à leurs habitudes de fréquentation du web et des réseaux sociaux, avec comme résultat une capacité de ciblage haute précision des publicités politiques en ligne. Les candidats peuvent, grâce à ces publicités ciblées, « acheter » un public dont ils spécifient les paramètres, plutôt que de dépenser des fortunes en messages non ciblés sur des canaux grand public.

De la prédiction à la persuasion, ou l’automatisation de la propagande

Les pages des réseaux sociaux comme Facebook et LinkedIn deviennent peu à peu le vecteur privilégié de ces messages ciblés, et c’est probablement sur les réseaux sociaux, au milieu des messages d’amis de confiance, que les messages ciblés seront le plus efficaces. Les messages peuvent inciter à choisir tel candidat plutôt qu’un/e autre, sensibiliser l’opinion autour de telle ou telle question, ou simplement, inciter les gens – notamment les plus jeunes – à se rendre aux urnes.

 

Qui va écrire ces messages destinés à inonder nos profils Facebook ? Certainement pas des humains. Là encore, les progrès de la technologie accompagnent le mouvement. Sean Gourley, que nous avons interviewé pour cet article, décrit la montée du high-resolution storytelling, c’est-à-dire la capacité qu’ont les ordinateurs de générer des « histoires », du texte, des messages, de mieux en mieux adaptés à leur destinataire.

 

La capacité des ordinateurs à imiter les humains dans la production écrite fait des progrès considérables depuis deux ans. Les journaux sont déjà plein de petits articles présentant les résultats d’une rencontre sportive et qui ont été écrit par un ordinateur. La startup Narrative Science, basée à Chicago, a crée une plateforme capable de générer des textes à partir de grandes quantités de données comme s’ils avaient été écrits par des personnes.

 

Principalement utilisée pour de l’information à la prose standardisée, comme les rapports financiers ou les résultats sportifs, les champs d’application s’étendent avec le degré de sophistication du logiciel.

 

« Twitterbots » et faux profiles Facebook

Nous nous laisserons convaincre d’autant plus facilement par un message s’il nous parvient sur un site de prédilection (Facebook), et s’il emploie un langage et des thèmes qui nous sont familiers, et ce grâce à la capacité grandissante des logiciels à dupliquer le ton et les tics de langage de nos correspondances habituelles. Les « journalistes robots » deviennent de plus en plus efficaces.

De la modélisation au modelage des comportements

Il devient par exemple possible d’analyser d’énormes bases de données textuelles (comme les tweets mentionnant tel candidat politique), dégager les tendances montantes et descendantes, et même, générer de nouveaux Tweets à l’aide de Twitterbots [c’est-à-dire des comptes artificiels Twitter qui génèrent des messages automatiquement] pour corriger les tendances. On sort ainsi d’un usage des Big Data comme outil d’analyse qui permette de modéliser finement les comportements, c’est-à-dire les représenter pour mieux les comprendre, à une utilisation qui est plus du ressort du modelage, de la production et du façonnage des opinions.

Les conséquences politiques sont extrêmement importantes puisque dans le système américain, les élections se jouent très souvent au vote des « Indépendants » qui peuvent basculer d’un côté ou de l’autre, et sont donc une cible privilégiée pour le micro-ciblage politique.

 

Conclusion : le « marché noir » du Web

La montée en puissance du Big Data est donc le corollaire logique de la montée en puissance des réseaux sociaux :

  • nous passons de plus en plus de temps à lire et produire des messages sur Facebook et Twitter ;
  • ces messages s’accumulent à l’échelle du monde connecté et constituent des masses de données contenant de précieuses informations sur nos goûts et nos opinions
  •  ordinateurs puissants minent ces informations, dégagent les tendances, permettant ainsi leur analyse par des ceux (politiciens, stratégistes en marketing) qui font leur business de cette information ;
  • bouclant la boucle, certaines entreprises vont produire de manière mécanique de nouveaux messages ciblés et les diffuser sur les réseaux sociaux adéquats afin d’agir sur les tendances.

Corollaire sur le versant économique, on voit se développer un « marché noir » des faux comptes de Twitter et Facebook, qui permettent de fabriquer la nouvelle fausse monnaie du web : les « likes » et les « Twitter followers ».

 

Ariane Zambiras

Vous êtes désormais inscrit à la newsletter de Silicon-Valley.fr !