1. Présentation de la technologie CFAR-m
La profusion d’informations que nous connaissons aujourd’hui dans tous les secteurs peut mener à des erreurs
d’interprétations et des résultats erronés. D'où un besoin permanent d’outils mathématiques et statistiques
avancés en vue d’extraire l’information pertinente. Ainsi, nous trouvons dans tous les secteurs des phénomènes
complexes qui ne peuvent être décrit que par une multitude de variables, chacune ne mesurant qu’une
caractéristique . Or c'est seulement l'ensemble de ces variables qui peut expliquer le phénomène en question.
En outre, très souvent ces variables rétroagissent entre elles de façon spécifique à chaque cas. Pour une meilleure
compréhension, appréciation, décision ou arbitrage et réflexion, les analystes ont un grand besoin de
classification et d’ordonnancement de leurs données à l’aide de la construction d’une variable agrégée
synthétique allouant un score a chaque individu (Entreprise, Bank, Actifs financiers, État, Lieu, Patient, Site,
etc.) sans perte d’information. Les méthodes traditionnelles d’analyses de données employées dans ce secteur
(ACP, ACF, AMF, etc.) atteignent leurs limites et laissent derrière elles de nombreuses insuffisances.
D’où l’intérêt de notre méthode qui est basée sur une approche neuronale et qui fournit d’immenses avantages
comparées aux méthodes actuelles.
A l’aide de cartes auto-organisées nous avons réussi à développer une nouvelle technique permettant la
construction d'un indicateur composite à partir d’une base de données à plusieurs variables. Notre méthode se
déroule en trois étapes.
Premièrement, CFAR-m réalise une auto-organisation des items en sous-ensembles homogènes (clustering ou
encore classification) et ce à l’aide d’un processus qui prend en compte les rétroactions positives et négatives.
Deuxièmement, un vecteur de pondération approprié est attribué à chaque item.
Finalement, les vecteurs de pondérations sont appliqués aux données originales afin de calculer l’indicateur
composite et d'effectuer le classement global. Le système de pondération peut être qualifié d’objectif en ce qu’il
résulte du contenu informationnel des variables elles mêmes et de leur dynamique interne.
Cette dernière caractéristique de la méthode CFAR représente une réelle avancée de tout ce qui a été fait jusqu’à
présent en termes de classification. En effet il n’y a pas de perte d’information lors de l'agrégation contrairement
aux méthodes traditionnelles qui fournissent une estimation en lissant les variables. De plus, elle peut être
adaptée à de très grosses bases de données de nature qualitative et/ou quantitative.
La méthode CFAR résout un problème majeur des problèmes d’agrégation dans lesquels la question de
l’importance de chaque variable ressort souvent. Elle rompt avec les procédures d’agrégation usuelles basées sur
des hypothèses trop simplifiée considérant pour chaque variable, une pondération identique pour tous les
individus de l'échantillon. Par conséquent, les pondérations effectuées par CFAR-m émanent du contenu
informationnel des variables elles-mêmes et de leur propre dynamique interne. Ce qui évite ainsi l’adoption
d’une équipondération ou bien d’une pondération établie sur des critères exogènes (dispersion des variables
d’entrée par exemple) ou bien d’estimations subjectives (qui résultent de l’opinion d’un certain nombre d’experts
du secteur concerné).
Il y a de très nombreux champs d’applications ou CFAR-m peut être utilisé tels que: L’économie, le social, la
finance, le médical, le secteur pharmaceutique, la géostratégie, l’aérospatiale, l’écologie, la recherché marketing,
etc.
www.cfar-m.com R&D et partenariats: remi@cfar-m.com