SlideShare une entreprise Scribd logo
1  sur  4
Télécharger pour lire hors ligne
D-A-CH-Treffen
in Neuchâtel
Seite 12
La GrilLade servie
selon le protocole –
sans protocole de GL
Page 16
C o m pe rs-News
Page 20
InfosLe magazine du personnel de l’OFS
No
3/2017
11:55 – 13:30
Aujourd’hui, la GL vous invite pour un
moment de convivialité et de partage
à l’occasion d’une grillade qui sera of-
ferte sur la terrasse de l’OFS.
Die GL lädt Sie heute zu einem gemüt-
lichen Grill-Zmittag auf der BFS-Ter-
rasse ein!
Demain, le statisticien augmenté
Page 6
6 INFOS No
3/2017
AU CŒUR DU MÉTIER – IM KERNGESCHÄFT
Demain, le statisticien augmenté
Carole Greppin, SKS, en collaboration avec Diego Kuonen, entrepreneur et professeur de data science
Le big data est sur toutes les lèvres: il a envahi l’industrie, le com-
merce, la science… notre quotidien, en quelque sorte. Mais de
quoi parle-t-on, au juste?
Selon une définition commune, le terme big data (ou données
massives ou encore mégadonnées), désigne les informations
massives extraites du monde numérique (par exemple celles qui
circulent sur Internet) qui sont rassemblées, stockées, traitées
puis croisées pour permettre, dans l’idéal, une exploitation des
données résultantes par des méthodes analytiques (analytics).
Selon le statisticien et consultant Diego Kuonen (cf. encadré),
les quatre caractéristiques suivantes – les quatre «V» – définis-
sent ce qu’il préfère appeler une révolution digitale consécutive
à la numérisation de contenus analogues en contenus digitaux
(«la première vague de transformation numérique», selon ses
mots):
Volume, caractérisant la masse d’informations en constante
expansion,
Variety, au regard de la diversité des informations, qu’elles
soient sous forme de texte, image, vidéo, audio…
Velocity, au vu de la vitesse à laquelle elles sont générées et
doivent être traitées et, enfin,
Veracity, qui prend en compte la confiance et la fiabilité des
informations, relativise leur validité et inclut la qualité des
données résultantes.
L’OFS, en tant que producteur de données statistiques, est bien
évidemment concerné par la multitude de données disponibles.
La loi lui recommande d’ailleurs de faire le plus possible recours
à des données existantes pour éviter de produire de nouvelles en-
quêtes et la charge conséquente qu’elles représentent auprès des
milieux interrogés. Mais peut-on faire confiance à ces données?
«La véracité des données est l’élément clé! Elle met en avant
la valeur ajoutée de la statistique (officielle) dans cette data revo-
lution», selon les mots de Diego Kuonen.
De fait, l’OFS bénéficie d’une longue expérience en matière de
véracité des données. Depuis 1860, il remplit son mandat de dif-
fusion d’information en travaillant avec des données de sources
différentes, tout en répondant aux principes fondamentaux de
l’activité statistique que sont: l’exactitude scientifique, la com-
parabilité, la protection des données, la transparence, pour n’en
citer que quelques-uns.
Le phénomène de la révolution digitale ne touche bien évi-
demment pas uniquement l’OFS: sur le plan international, l’accès
et l’utilisation de nouvelles données sont à l’ordre du jour dans
les conférences globales. Au niveau national également, diverses
stratégies (Stratégie Suisse numérique, politique des données de la
Confédération) ont vu le jour. Celles-ci sont cependant principa-
lement orientées solutions technologiques; selon Diego Kuonen,
«elles répondent aux trois premiers «V», et ne tiennent pas tou-
jours compte en détail du 4e
«V» qui est la véracité et qui qualifie
l’utilisation des données».
Le scientifique met en garde des potentiels «cimetières» de
données que nombre d’entreprises sont en train de construire:
«à quoi sert l’accumulation de données si celles-ci ne sont pas
de qualité et représentatives?»
La valeur ajoutée des données
Pour que des données fiables restent utiles et donc vivantes, elles
doivent subir une «seconde vague de transformation numérique»
qui permette d’en tirer une valeur ajoutée: l’apprentissage des
données par des méthodes analytiques (analytics).
De fait, l’OFS ne bénéficie pas seulement d’une longue expéri-
ence en matière de véracité des données, mais aussi en métho-
des statistiques permettant l’apprentissage des données.
Pour Diego Kuonen, la véracité des données est l’élément clé dans la révolution
digitale.
7No
3/2017 INFOS
AU CŒUR DU MÉTIER – IM KERNGESCHÄFT
Data Innovation
Pour faire face à ces nouveaux défis, la direction de l’OFS a créé
un groupe de travail, le groupe New Data Sources, composé
de représentants des différentes divisions de production et des
domaines stratégique et méthodologique, auquel Diego Kuonen
apporte son savoir en tant que consultant externe. C’est qu’il
en connaît un rayon, lui dont la spécialité consiste depuis 2001
à aider les entreprises dans leur tâche complexe consistant à
transformer en avantage les nombreuses données dont elles
disposent.
Une première grande étape sera franchie fin 2017 lorsque
l’OFS rendra publique sa stratégie sur la «Data Innovation».
Cette dernière consiste dans l’application de méthodes analy-
tiques alternatives (par exemple, des méthodes de la statistique
avancée, de la data science et/ou du machine learning) à des
sources de données existantes (ou traditionnelles) et/ou nou-
velles (et/ou non-traditionnelles), tout en garantissant leur fiabilité
et leur transparence.
En d’autres termes: «C’est un peu comme en cuisine», com-
pare Diego Kuonen: «pour concocter un bon plat, vous privilé-
gierez des ingrédients de qualité (les données), exigerez de la
transparence dans la chaîne de production de ces derniers, et
suivrez une recette (la méthode ou l’algorithme analytique) à
la lettre pour obtenir un résultat concluant. Si votre recette est
efficace, vous pouvez ensuite reproduire le plat, voire en changer
les ingrédients, et ainsi élargir votre éventail de menus!»
Données primaires vs données secondaires
Traditionnellement, notre office travaille avec des données pri-
maires qui sont autant de réponses à des questions formulées
dans le cadre d’une enquête.
Citons l’exemple d’un recensement: l’OFS collecte des don-
nées dans un but statistique pour valider une idée ou théorie.
La population est interrogée sur la base de critères établis et la
collection des données est «sous contrôle» de l’OFS. Les résul-
tats permettront d’émettre des déductions.
Les données secondaires quant à elles sont des données qui
n’ont pas été produites (et souvent pas contrôlées) par l’OFS mais
qui sont disponibles et que ce dernier pourrait potentiellement
utiliser à des fins statistiques (si la méthodologique statistique le
permet, comme c’est le cas pour nos registres internes).
Pensons notamment aux nombreux registres, données
administratives et multiples données digitales disponibles; ces
données secondaires, externes à l’OFS, ne sont initialement pas
destinées à des fins statistiques mais peuvent être utilisées pour
créer de nouvelles idées ou théories par induction.
Ces deux approches analytiques – déductive et inductive –
sont complémentaires et s’alimentent l’une l’autre de manière
«infinie» pour permettre une amélioration continue. Le statisticien
George E. P. Box l’illustre avec un exemple très concret: partant
de l’idée qu’on parque sa voiture tous les jours sur sa place privée,
le lien cyclique entre déductive et inductive pourrait se jouer sur
le scénario suivant:
Idée (théorie): 	 Aujourd’hui, c’est comme tous les jours.
Déduction: 	 Ma voiture sera sur la place de parking.
Donnée: 	 Elle n’y est pas!
Induction:	 Quelqu’un a dû la prendre.
Idée (théorie): 	 Ma voiture a été volée.
Déduction: 	 Ma voiture ne sera pas au parking.
Donnée: 	 Non; elle est là!
Induction:	 Quelqu’un l’a enlevée et ramenée.
Idée (théorie): 	 Un voleur l’a enlevée et ramenée.
Déduction: 	 Ma voiture aura été forcée.
Donnée: 	 Non: elle est indemne et fermée à clé!
Induction:	 La personne qui l’a prise avait la clé.
Idée (théorie): 	 Ma femme a utilisé ma voiture
Déduction: 	 Elle a sûrement laissé un mot.
Donnée: 	 Oui; le voici!
Le challenge réside dans la méthodologie assurant le cou-
plement de ces données qui s’alimentent réciproquement et
viennent ainsi augmenter leur valeur ajoutée.
Le statisticien «augmenté»
Quel devient le rôle du statisticien face à ces méthodologies de
plus en plus sophistiquées assurant des calculs de plus en plus
automatisés? Devrons-nous tous devenir des informaticiens? Le
travail du statisticien sera-t-il remplacé par les opérations de l’or-
dinateur? «Il n’en est rien», rassure Diego Kuonen. «L’être humain
est central, il définit tout!» et ainsi de reprendre l’exemple culinaire
cité plus haut: «Si l’on peut gagner du temps en s’aidant d’un
mixer pour confectionner un gâteau, pourquoi battre sa pâte à la
main? Cette augmentation d’efficacité grâce au mixer ne rend
pas moins indispensable le savoir-faire du pâtissier, qui définit
les ingrédients, les étapes de la préparation, toute la chaîne de
production. Il en va de même dans la production statistique.»
Ne pas profiter de ces possibilités informatiques serait aller à
contre-courant. «Bien au contraire, il faut sortir de sa routine et
faire preuve de curiosité, de créativité, de capacité à se remettre
en question pour continuellement améliorer son travail et s’adap-
ter au changement». Et Diego Kuonen de conclure: «Personne ne
connaît l’avenir». Pas même les algorithmes.
8 INFOS No
3/2017
Le regard de Jean-Pierre Renfer,
chef de la section METH
La valeur ajoutée des données
Les données n’ont de sens que si elles permettent d’apporter des
réponses aux questions/problèmes posés.
Leur valeur ajoutée réside dans l’interprétation que l’on est en
droit de faire une fois les données traitées par des méthodes
statistiques.
Les données peuvent être considérées comme le matériel brut
pour cela, à l’instar des diamants qui ne demandent qu’à être
taillés!
La première plus-value réside dans la préparation des données
pour qu’elles soient prêtes pour effectuer des analyses: pour
cela elles doivent subir un traitement qui consiste par exemple à
détecter puis à traiter les inconsistances, les données manquan-
tes et/ou aberrantes. Ces traitements basés sur des méthodes
statistiques éprouvées sont tout aussi importants et utiles lors
AU CŒUR DU MÉTIER – IM KERNGESCHÄFT
Le cartoon de Enrico
Enrico Chavez est titulaire d’un doctorat en statistique de
l’Ecole polytechnique fédérale de Lausanne (EPFL), Senior
Statistician chez Nestlé et vice-président de la Société
Suisse de Statistique SSS.
Il est également cartooniste.
Sa créativité consiste à jeter des ponts entre l'humour et la
statistique, dans des illustrations colorées à découvrir au fil
des numéros de Infos.
Créateur de la société Statoo Consulting, qu’il a fondée et
qu’il dirige depuis 2001, Diego Kuonen est statisticien et pro-
fesseur de data science au Centre de recherche en statis-
tique (Faculté d’économie et de management) à l’Université
de Genève. Originaire de Zermatt dans le Haut-Valais, il est
titulaire d’un Master en mathématiques (1998) et d’un Doc-
torat en statistique (2001) de l’Ecole polytechnique fédérale
de Lausanne (EPFL), qu’il a obtenus grâce à ses travaux
exceptionnels dans la statistique appliquée.
	 Son visage est connu de nombreux collaborateurs et
collaboratrices à l’OFS, puisqu’il a été pendant treize ans
dans le comité de la SSS (Société Suisse de Statistique),
dont six ans comme président (2009–2015), et engagé
dans l’organisation des Journées suisses de la statistique
pendant de nombreuses années, dont trois fois (2005, 2013,
2015) comme président du comité d’organisation.
L’informatique ne remplace par l’être humain
(ici le statisticien) mais augmente ses capacités.

Contenu connexe

Tendances

Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012datasio
 
Big data en (ré)assurance régis delayet
Big data en (ré)assurance   régis delayetBig data en (ré)assurance   régis delayet
Big data en (ré)assurance régis delayetKezhan SHI
 
Infrastructure sémantique pour objets communicants
Infrastructure sémantique pour objets communicantsInfrastructure sémantique pour objets communicants
Infrastructure sémantique pour objets communicantsGabriel KEPEKLIAN
 
Présentation Big Data DFCG
Présentation Big Data DFCGPrésentation Big Data DFCG
Présentation Big Data DFCGMicropole Group
 
Intro au Big Data & Machine Learning
Intro au Big Data & Machine LearningIntro au Big Data & Machine Learning
Intro au Big Data & Machine LearningEric Daoud
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech
 
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesHassan Lâasri
 
Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013ADBS
 
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Philippe METAYER
 
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIEAtelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIEGroupe IDAIA
 
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...Romain Fonnier
 
Le Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Le Big Data transforme en profondeur le monde de la Banque et de l’AssuranceLe Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Le Big Data transforme en profondeur le monde de la Banque et de l’AssuranceAbdessatar Hammedi
 
Matinée 01 Big Data
Matinée 01 Big DataMatinée 01 Big Data
Matinée 01 Big DataEvenements01
 
#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big DataNetSecure Day
 
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessBig data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessVincent de Stoecklin
 

Tendances (20)

Parcours Big Data @ Cetic (6 mai 2014)
Parcours Big Data @ Cetic (6 mai 2014)Parcours Big Data @ Cetic (6 mai 2014)
Parcours Big Data @ Cetic (6 mai 2014)
 
Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012
 
Big data en (ré)assurance régis delayet
Big data en (ré)assurance   régis delayetBig data en (ré)assurance   régis delayet
Big data en (ré)assurance régis delayet
 
Infrastructure sémantique pour objets communicants
Infrastructure sémantique pour objets communicantsInfrastructure sémantique pour objets communicants
Infrastructure sémantique pour objets communicants
 
Présentation Big Data DFCG
Présentation Big Data DFCGPrésentation Big Data DFCG
Présentation Big Data DFCG
 
Intro au Big Data & Machine Learning
Intro au Big Data & Machine LearningIntro au Big Data & Machine Learning
Intro au Big Data & Machine Learning
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entreprise
 
BIG DATA
BIG DATABIG DATA
BIG DATA
 
Conférence big data
Conférence big dataConférence big data
Conférence big data
 
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
 
Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013
 
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"
 
Big data
Big dataBig data
Big data
 
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIEAtelier 2AM / BIG DATA LAB by Groupe CARTEGIE
Atelier 2AM / BIG DATA LAB by Groupe CARTEGIE
 
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
Big data : quels enjeux et opportunités pour l'entreprise - livre blanc - Blu...
 
Le Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Le Big Data transforme en profondeur le monde de la Banque et de l’AssuranceLe Big Data transforme en profondeur le monde de la Banque et de l’Assurance
Le Big Data transforme en profondeur le monde de la Banque et de l’Assurance
 
Cours Big Data Part I
Cours Big Data Part ICours Big Data Part I
Cours Big Data Part I
 
Matinée 01 Big Data
Matinée 01 Big DataMatinée 01 Big Data
Matinée 01 Big Data
 
#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data
 
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessBig data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-business
 

Similaire à "Demain, le statisticien augmenté"

Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017Micropole Group
 
L'intelligence Artificielle au service du marketing
L'intelligence Artificielle au service du marketingL'intelligence Artificielle au service du marketing
L'intelligence Artificielle au service du marketingAaron Besnainou
 
Tendances en analytique 2015: Maîtres de l’exploration en profondeur
Tendances en analytique 2015: Maîtres de l’exploration en profondeurTendances en analytique 2015: Maîtres de l’exploration en profondeur
Tendances en analytique 2015: Maîtres de l’exploration en profondeurDeloitte Canada
 
La révolution du Big data
La révolution du Big dataLa révolution du Big data
La révolution du Big dataAloïs Kirner
 
Etude AKOYA Big Data
Etude AKOYA Big DataEtude AKOYA Big Data
Etude AKOYA Big DataJocelyn Muret
 
Central634_Dossier_completDV_001
Central634_Dossier_completDV_001Central634_Dossier_completDV_001
Central634_Dossier_completDV_001Bruno CAMBOUNET
 
Livre Blanc "L'humain dans le numérique et le big data" du comité scientifiqu...
Livre Blanc "L'humain dans le numérique et le big data" du comité scientifiqu...Livre Blanc "L'humain dans le numérique et le big data" du comité scientifiqu...
Livre Blanc "L'humain dans le numérique et le big data" du comité scientifiqu...Alban Jarry (Bibliothèque de Documents)
 
Cahier Exploration MesInfos
Cahier Exploration MesInfosCahier Exploration MesInfos
Cahier Exploration MesInfosFing
 
Propos sur les Big Data.pdf
Propos sur les Big Data.pdfPropos sur les Big Data.pdf
Propos sur les Big Data.pdfMichel Bruley
 
La littératie des données comme une pierre angulaire d'une nouvelle culture n...
La littératie des données comme une pierre angulaire d'une nouvelle culture n...La littératie des données comme une pierre angulaire d'une nouvelle culture n...
La littératie des données comme une pierre angulaire d'une nouvelle culture n...Genève Lab
 
Données personnelles des élèves
Données personnelles des élèvesDonnées personnelles des élèves
Données personnelles des élèvesJacky Galicher
 
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovationLivre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovationInstitut G9+
 
Synthèse Solucom - Big data : une mine d'or pour l'Assurance
Synthèse Solucom - Big data : une mine d'or pour l'AssuranceSynthèse Solucom - Big data : une mine d'or pour l'Assurance
Synthèse Solucom - Big data : une mine d'or pour l'AssuranceWavestone
 
L'intelligence ambiante - publication Kamitis decembre 2013 -
L'intelligence ambiante - publication Kamitis decembre 2013 - L'intelligence ambiante - publication Kamitis decembre 2013 -
L'intelligence ambiante - publication Kamitis decembre 2013 - KAMITIS
 
Des données au savoir : big data et data mining
Des données au savoir : big data et data miningDes données au savoir : big data et data mining
Des données au savoir : big data et data miningPierre-Alain Four
 
L'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceL'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceKezhan SHI
 
Mes Infos - Cahier d'Exploration
Mes Infos - Cahier d'ExplorationMes Infos - Cahier d'Exploration
Mes Infos - Cahier d'ExplorationVinet Robert
 
Big data, l'accélération d'innovation
Big data, l'accélération d'innovationBig data, l'accélération d'innovation
Big data, l'accélération d'innovationLionel Martins
 
Big data-2-170220212621
Big data-2-170220212621Big data-2-170220212621
Big data-2-170220212621Haifa Akermi
 

Similaire à "Demain, le statisticien augmenté" (20)

Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017Matinée Découverte Big Data & Data Science - 24012017
Matinée Découverte Big Data & Data Science - 24012017
 
L'intelligence Artificielle au service du marketing
L'intelligence Artificielle au service du marketingL'intelligence Artificielle au service du marketing
L'intelligence Artificielle au service du marketing
 
Tendances en analytique 2015: Maîtres de l’exploration en profondeur
Tendances en analytique 2015: Maîtres de l’exploration en profondeurTendances en analytique 2015: Maîtres de l’exploration en profondeur
Tendances en analytique 2015: Maîtres de l’exploration en profondeur
 
La révolution du Big data
La révolution du Big dataLa révolution du Big data
La révolution du Big data
 
Etude AKOYA Big Data
Etude AKOYA Big DataEtude AKOYA Big Data
Etude AKOYA Big Data
 
Central634_Dossier_completDV_001
Central634_Dossier_completDV_001Central634_Dossier_completDV_001
Central634_Dossier_completDV_001
 
Livre Blanc "L'humain dans le numérique et le big data" du comité scientifiqu...
Livre Blanc "L'humain dans le numérique et le big data" du comité scientifiqu...Livre Blanc "L'humain dans le numérique et le big data" du comité scientifiqu...
Livre Blanc "L'humain dans le numérique et le big data" du comité scientifiqu...
 
Cahier Exploration MesInfos
Cahier Exploration MesInfosCahier Exploration MesInfos
Cahier Exploration MesInfos
 
Propos sur les Big Data.pdf
Propos sur les Big Data.pdfPropos sur les Big Data.pdf
Propos sur les Big Data.pdf
 
La littératie des données comme une pierre angulaire d'une nouvelle culture n...
La littératie des données comme une pierre angulaire d'une nouvelle culture n...La littératie des données comme une pierre angulaire d'une nouvelle culture n...
La littératie des données comme une pierre angulaire d'une nouvelle culture n...
 
Données personnelles des élèves
Données personnelles des élèvesDonnées personnelles des élèves
Données personnelles des élèves
 
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovationLivre blanc #G9plus : Big Data - l'accélérateur d'innovation
Livre blanc #G9plus : Big Data - l'accélérateur d'innovation
 
Synthèse Solucom - Big data : une mine d'or pour l'Assurance
Synthèse Solucom - Big data : une mine d'or pour l'AssuranceSynthèse Solucom - Big data : une mine d'or pour l'Assurance
Synthèse Solucom - Big data : une mine d'or pour l'Assurance
 
L'intelligence ambiante - publication Kamitis decembre 2013 -
L'intelligence ambiante - publication Kamitis decembre 2013 - L'intelligence ambiante - publication Kamitis decembre 2013 -
L'intelligence ambiante - publication Kamitis decembre 2013 -
 
Des données au savoir : big data et data mining
Des données au savoir : big data et data miningDes données au savoir : big data et data mining
Des données au savoir : big data et data mining
 
L'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceL'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data science
 
Mes Infos - Cahier d'Exploration
Mes Infos - Cahier d'ExplorationMes Infos - Cahier d'Exploration
Mes Infos - Cahier d'Exploration
 
2014-12-16-G9plus-LB-Big-Data
2014-12-16-G9plus-LB-Big-Data2014-12-16-G9plus-LB-Big-Data
2014-12-16-G9plus-LB-Big-Data
 
Big data, l'accélération d'innovation
Big data, l'accélération d'innovationBig data, l'accélération d'innovation
Big data, l'accélération d'innovation
 
Big data-2-170220212621
Big data-2-170220212621Big data-2-170220212621
Big data-2-170220212621
 

Plus de Prof. Dr. Diego Kuonen

WB-Neujahrsgespräch vom 6. Januar 2020
WB-Neujahrsgespräch vom 6. Januar 2020WB-Neujahrsgespräch vom 6. Januar 2020
WB-Neujahrsgespräch vom 6. Januar 2020Prof. Dr. Diego Kuonen
 
"Data as the Fuel and Analytics as the Engine of the Digital Transformation -...
"Data as the Fuel and Analytics as the Engine of the Digital Transformation -..."Data as the Fuel and Analytics as the Engine of the Digital Transformation -...
"Data as the Fuel and Analytics as the Engine of the Digital Transformation -...Prof. Dr. Diego Kuonen
 
Big Data, Data Science, Machine Intelligence and Learning: Demystification, C...
Big Data, Data Science, Machine Intelligence and Learning: Demystification, C...Big Data, Data Science, Machine Intelligence and Learning: Demystification, C...
Big Data, Data Science, Machine Intelligence and Learning: Demystification, C...Prof. Dr. Diego Kuonen
 
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...Prof. Dr. Diego Kuonen
 
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...Prof. Dr. Diego Kuonen
 
Production Processes of Official Statistics & Data Innovation Processes Augme...
Production Processes of Official Statistics & Data Innovation Processes Augme...Production Processes of Official Statistics & Data Innovation Processes Augme...
Production Processes of Official Statistics & Data Innovation Processes Augme...Prof. Dr. Diego Kuonen
 
(Big) Data as the Fuel and Analytics as the Engine of the Digital Transformation
(Big) Data as the Fuel and Analytics as the Engine of the Digital Transformation(Big) Data as the Fuel and Analytics as the Engine of the Digital Transformation
(Big) Data as the Fuel and Analytics as the Engine of the Digital TransformationProf. Dr. Diego Kuonen
 
Data as Fuel and Analytics as Engine of the Digital Transformation: Demysti c...
Data as Fuel and Analytics as Engine of the Digital Transformation: Demystic...Data as Fuel and Analytics as Engine of the Digital Transformation: Demystic...
Data as Fuel and Analytics as Engine of the Digital Transformation: Demysti c...Prof. Dr. Diego Kuonen
 
Glocalised Smart Statistics and Analytics of Things: Core Challenges and Key ...
Glocalised Smart Statistics and Analytics of Things: Core Challenges and Key ...Glocalised Smart Statistics and Analytics of Things: Core Challenges and Key ...
Glocalised Smart Statistics and Analytics of Things: Core Challenges and Key ...Prof. Dr. Diego Kuonen
 
Big Data as the Fuel and Visual Analytics as the Engine Mount of the Digital ...
Big Data as the Fuel and Visual Analytics as the Engine Mount of the Digital ...Big Data as the Fuel and Visual Analytics as the Engine Mount of the Digital ...
Big Data as the Fuel and Visual Analytics as the Engine Mount of the Digital ...Prof. Dr. Diego Kuonen
 
Big Data as the Fuel and Analytics as the Engine of the Digital Transformation
Big Data as the Fuel and Analytics as the Engine of the Digital TransformationBig Data as the Fuel and Analytics as the Engine of the Digital Transformation
Big Data as the Fuel and Analytics as the Engine of the Digital TransformationProf. Dr. Diego Kuonen
 
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...Prof. Dr. Diego Kuonen
 
Big Data, Data Science, Machine Intelligence and Learning: Demystification, T...
Big Data, Data Science, Machine Intelligence and Learning: Demystification, T...Big Data, Data Science, Machine Intelligence and Learning: Demystification, T...
Big Data, Data Science, Machine Intelligence and Learning: Demystification, T...Prof. Dr. Diego Kuonen
 
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...Prof. Dr. Diego Kuonen
 
Overview of Big Data, Data Science and Statistics, along with Digitalisation,...
Overview of Big Data, Data Science and Statistics, along with Digitalisation,...Overview of Big Data, Data Science and Statistics, along with Digitalisation,...
Overview of Big Data, Data Science and Statistics, along with Digitalisation,...Prof. Dr. Diego Kuonen
 
Demystifying Big Data, Data Science and Statistics, along with Machine Intell...
Demystifying Big Data, Data Science and Statistics, along with Machine Intell...Demystifying Big Data, Data Science and Statistics, along with Machine Intell...
Demystifying Big Data, Data Science and Statistics, along with Machine Intell...Prof. Dr. Diego Kuonen
 
A Swiss Statistician's 'Big Tent' Overview of Big Data and Data Science in Ph...
A Swiss Statistician's 'Big Tent' Overview of Big Data and Data Science in Ph...A Swiss Statistician's 'Big Tent' Overview of Big Data and Data Science in Ph...
A Swiss Statistician's 'Big Tent' Overview of Big Data and Data Science in Ph...Prof. Dr. Diego Kuonen
 
A Statistician's `Big Tent' View on Big Data and Data Science in Health Scien...
A Statistician's `Big Tent' View on Big Data and Data Science in Health Scien...A Statistician's `Big Tent' View on Big Data and Data Science in Health Scien...
A Statistician's `Big Tent' View on Big Data and Data Science in Health Scien...Prof. Dr. Diego Kuonen
 
A Swiss Statistician's 'Big Tent' View on Big Data and Data Science (Version 10)
A Swiss Statistician's 'Big Tent' View on Big Data and Data Science (Version 10)A Swiss Statistician's 'Big Tent' View on Big Data and Data Science (Version 10)
A Swiss Statistician's 'Big Tent' View on Big Data and Data Science (Version 10)Prof. Dr. Diego Kuonen
 

Plus de Prof. Dr. Diego Kuonen (20)

WB-Neujahrsgespräch vom 6. Januar 2020
WB-Neujahrsgespräch vom 6. Januar 2020WB-Neujahrsgespräch vom 6. Januar 2020
WB-Neujahrsgespräch vom 6. Januar 2020
 
"Data as the Fuel and Analytics as the Engine of the Digital Transformation -...
"Data as the Fuel and Analytics as the Engine of the Digital Transformation -..."Data as the Fuel and Analytics as the Engine of the Digital Transformation -...
"Data as the Fuel and Analytics as the Engine of the Digital Transformation -...
 
Big Data, Data Science, Machine Intelligence and Learning: Demystification, C...
Big Data, Data Science, Machine Intelligence and Learning: Demystification, C...Big Data, Data Science, Machine Intelligence and Learning: Demystification, C...
Big Data, Data Science, Machine Intelligence and Learning: Demystification, C...
 
WB-Interview vom 14. November 2018
WB-Interview vom 14. November 2018WB-Interview vom 14. November 2018
WB-Interview vom 14. November 2018
 
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
 
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
Data as the Fuel and Analytics as the Engine of the Digital Transformation: D...
 
Production Processes of Official Statistics & Data Innovation Processes Augme...
Production Processes of Official Statistics & Data Innovation Processes Augme...Production Processes of Official Statistics & Data Innovation Processes Augme...
Production Processes of Official Statistics & Data Innovation Processes Augme...
 
(Big) Data as the Fuel and Analytics as the Engine of the Digital Transformation
(Big) Data as the Fuel and Analytics as the Engine of the Digital Transformation(Big) Data as the Fuel and Analytics as the Engine of the Digital Transformation
(Big) Data as the Fuel and Analytics as the Engine of the Digital Transformation
 
Data as Fuel and Analytics as Engine of the Digital Transformation: Demysti c...
Data as Fuel and Analytics as Engine of the Digital Transformation: Demystic...Data as Fuel and Analytics as Engine of the Digital Transformation: Demystic...
Data as Fuel and Analytics as Engine of the Digital Transformation: Demysti c...
 
Glocalised Smart Statistics and Analytics of Things: Core Challenges and Key ...
Glocalised Smart Statistics and Analytics of Things: Core Challenges and Key ...Glocalised Smart Statistics and Analytics of Things: Core Challenges and Key ...
Glocalised Smart Statistics and Analytics of Things: Core Challenges and Key ...
 
Big Data as the Fuel and Visual Analytics as the Engine Mount of the Digital ...
Big Data as the Fuel and Visual Analytics as the Engine Mount of the Digital ...Big Data as the Fuel and Visual Analytics as the Engine Mount of the Digital ...
Big Data as the Fuel and Visual Analytics as the Engine Mount of the Digital ...
 
Big Data as the Fuel and Analytics as the Engine of the Digital Transformation
Big Data as the Fuel and Analytics as the Engine of the Digital TransformationBig Data as the Fuel and Analytics as the Engine of the Digital Transformation
Big Data as the Fuel and Analytics as the Engine of the Digital Transformation
 
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
 
Big Data, Data Science, Machine Intelligence and Learning: Demystification, T...
Big Data, Data Science, Machine Intelligence and Learning: Demystification, T...Big Data, Data Science, Machine Intelligence and Learning: Demystification, T...
Big Data, Data Science, Machine Intelligence and Learning: Demystification, T...
 
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
The Power of Data Insights - Big Data as the Fuel and Analytics as the Engine...
 
Overview of Big Data, Data Science and Statistics, along with Digitalisation,...
Overview of Big Data, Data Science and Statistics, along with Digitalisation,...Overview of Big Data, Data Science and Statistics, along with Digitalisation,...
Overview of Big Data, Data Science and Statistics, along with Digitalisation,...
 
Demystifying Big Data, Data Science and Statistics, along with Machine Intell...
Demystifying Big Data, Data Science and Statistics, along with Machine Intell...Demystifying Big Data, Data Science and Statistics, along with Machine Intell...
Demystifying Big Data, Data Science and Statistics, along with Machine Intell...
 
A Swiss Statistician's 'Big Tent' Overview of Big Data and Data Science in Ph...
A Swiss Statistician's 'Big Tent' Overview of Big Data and Data Science in Ph...A Swiss Statistician's 'Big Tent' Overview of Big Data and Data Science in Ph...
A Swiss Statistician's 'Big Tent' Overview of Big Data and Data Science in Ph...
 
A Statistician's `Big Tent' View on Big Data and Data Science in Health Scien...
A Statistician's `Big Tent' View on Big Data and Data Science in Health Scien...A Statistician's `Big Tent' View on Big Data and Data Science in Health Scien...
A Statistician's `Big Tent' View on Big Data and Data Science in Health Scien...
 
A Swiss Statistician's 'Big Tent' View on Big Data and Data Science (Version 10)
A Swiss Statistician's 'Big Tent' View on Big Data and Data Science (Version 10)A Swiss Statistician's 'Big Tent' View on Big Data and Data Science (Version 10)
A Swiss Statistician's 'Big Tent' View on Big Data and Data Science (Version 10)
 

Dernier

Bidirectional Encoder Representations from Transformers
Bidirectional Encoder Representations from TransformersBidirectional Encoder Representations from Transformers
Bidirectional Encoder Representations from Transformersbahija babzine
 
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel AttalELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attalcontact Elabe
 
To_understand_transformers_together presentation
To_understand_transformers_together presentationTo_understand_transformers_together presentation
To_understand_transformers_together presentationbahija babzine
 
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...France Travail
 
analyse husseindey AMIROUCHE Abdeslem.pptx
analyse husseindey AMIROUCHE Abdeslem.pptxanalyse husseindey AMIROUCHE Abdeslem.pptx
analyse husseindey AMIROUCHE Abdeslem.pptxHadJer61
 
Le contrôle de la recherche d'emploi en 2023
Le contrôle de la recherche d'emploi en 2023Le contrôle de la recherche d'emploi en 2023
Le contrôle de la recherche d'emploi en 2023France Travail
 

Dernier (6)

Bidirectional Encoder Representations from Transformers
Bidirectional Encoder Representations from TransformersBidirectional Encoder Representations from Transformers
Bidirectional Encoder Representations from Transformers
 
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel AttalELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
ELABE BFMTV L'Opinion en direct - Les Français et les 100 jours de Gabriel Attal
 
To_understand_transformers_together presentation
To_understand_transformers_together presentationTo_understand_transformers_together presentation
To_understand_transformers_together presentation
 
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
Montant moyen du droit d'allocation chômage versé aux demandeurs d'emploi ind...
 
analyse husseindey AMIROUCHE Abdeslem.pptx
analyse husseindey AMIROUCHE Abdeslem.pptxanalyse husseindey AMIROUCHE Abdeslem.pptx
analyse husseindey AMIROUCHE Abdeslem.pptx
 
Le contrôle de la recherche d'emploi en 2023
Le contrôle de la recherche d'emploi en 2023Le contrôle de la recherche d'emploi en 2023
Le contrôle de la recherche d'emploi en 2023
 

"Demain, le statisticien augmenté"

  • 1. D-A-CH-Treffen in Neuchâtel Seite 12 La GrilLade servie selon le protocole – sans protocole de GL Page 16 C o m pe rs-News Page 20 InfosLe magazine du personnel de l’OFS No 3/2017 11:55 – 13:30 Aujourd’hui, la GL vous invite pour un moment de convivialité et de partage à l’occasion d’une grillade qui sera of- ferte sur la terrasse de l’OFS. Die GL lädt Sie heute zu einem gemüt- lichen Grill-Zmittag auf der BFS-Ter- rasse ein! Demain, le statisticien augmenté Page 6
  • 2. 6 INFOS No 3/2017 AU CŒUR DU MÉTIER – IM KERNGESCHÄFT Demain, le statisticien augmenté Carole Greppin, SKS, en collaboration avec Diego Kuonen, entrepreneur et professeur de data science Le big data est sur toutes les lèvres: il a envahi l’industrie, le com- merce, la science… notre quotidien, en quelque sorte. Mais de quoi parle-t-on, au juste? Selon une définition commune, le terme big data (ou données massives ou encore mégadonnées), désigne les informations massives extraites du monde numérique (par exemple celles qui circulent sur Internet) qui sont rassemblées, stockées, traitées puis croisées pour permettre, dans l’idéal, une exploitation des données résultantes par des méthodes analytiques (analytics). Selon le statisticien et consultant Diego Kuonen (cf. encadré), les quatre caractéristiques suivantes – les quatre «V» – définis- sent ce qu’il préfère appeler une révolution digitale consécutive à la numérisation de contenus analogues en contenus digitaux («la première vague de transformation numérique», selon ses mots): Volume, caractérisant la masse d’informations en constante expansion, Variety, au regard de la diversité des informations, qu’elles soient sous forme de texte, image, vidéo, audio… Velocity, au vu de la vitesse à laquelle elles sont générées et doivent être traitées et, enfin, Veracity, qui prend en compte la confiance et la fiabilité des informations, relativise leur validité et inclut la qualité des données résultantes. L’OFS, en tant que producteur de données statistiques, est bien évidemment concerné par la multitude de données disponibles. La loi lui recommande d’ailleurs de faire le plus possible recours à des données existantes pour éviter de produire de nouvelles en- quêtes et la charge conséquente qu’elles représentent auprès des milieux interrogés. Mais peut-on faire confiance à ces données? «La véracité des données est l’élément clé! Elle met en avant la valeur ajoutée de la statistique (officielle) dans cette data revo- lution», selon les mots de Diego Kuonen. De fait, l’OFS bénéficie d’une longue expérience en matière de véracité des données. Depuis 1860, il remplit son mandat de dif- fusion d’information en travaillant avec des données de sources différentes, tout en répondant aux principes fondamentaux de l’activité statistique que sont: l’exactitude scientifique, la com- parabilité, la protection des données, la transparence, pour n’en citer que quelques-uns. Le phénomène de la révolution digitale ne touche bien évi- demment pas uniquement l’OFS: sur le plan international, l’accès et l’utilisation de nouvelles données sont à l’ordre du jour dans les conférences globales. Au niveau national également, diverses stratégies (Stratégie Suisse numérique, politique des données de la Confédération) ont vu le jour. Celles-ci sont cependant principa- lement orientées solutions technologiques; selon Diego Kuonen, «elles répondent aux trois premiers «V», et ne tiennent pas tou- jours compte en détail du 4e «V» qui est la véracité et qui qualifie l’utilisation des données». Le scientifique met en garde des potentiels «cimetières» de données que nombre d’entreprises sont en train de construire: «à quoi sert l’accumulation de données si celles-ci ne sont pas de qualité et représentatives?» La valeur ajoutée des données Pour que des données fiables restent utiles et donc vivantes, elles doivent subir une «seconde vague de transformation numérique» qui permette d’en tirer une valeur ajoutée: l’apprentissage des données par des méthodes analytiques (analytics). De fait, l’OFS ne bénéficie pas seulement d’une longue expéri- ence en matière de véracité des données, mais aussi en métho- des statistiques permettant l’apprentissage des données. Pour Diego Kuonen, la véracité des données est l’élément clé dans la révolution digitale.
  • 3. 7No 3/2017 INFOS AU CŒUR DU MÉTIER – IM KERNGESCHÄFT Data Innovation Pour faire face à ces nouveaux défis, la direction de l’OFS a créé un groupe de travail, le groupe New Data Sources, composé de représentants des différentes divisions de production et des domaines stratégique et méthodologique, auquel Diego Kuonen apporte son savoir en tant que consultant externe. C’est qu’il en connaît un rayon, lui dont la spécialité consiste depuis 2001 à aider les entreprises dans leur tâche complexe consistant à transformer en avantage les nombreuses données dont elles disposent. Une première grande étape sera franchie fin 2017 lorsque l’OFS rendra publique sa stratégie sur la «Data Innovation». Cette dernière consiste dans l’application de méthodes analy- tiques alternatives (par exemple, des méthodes de la statistique avancée, de la data science et/ou du machine learning) à des sources de données existantes (ou traditionnelles) et/ou nou- velles (et/ou non-traditionnelles), tout en garantissant leur fiabilité et leur transparence. En d’autres termes: «C’est un peu comme en cuisine», com- pare Diego Kuonen: «pour concocter un bon plat, vous privilé- gierez des ingrédients de qualité (les données), exigerez de la transparence dans la chaîne de production de ces derniers, et suivrez une recette (la méthode ou l’algorithme analytique) à la lettre pour obtenir un résultat concluant. Si votre recette est efficace, vous pouvez ensuite reproduire le plat, voire en changer les ingrédients, et ainsi élargir votre éventail de menus!» Données primaires vs données secondaires Traditionnellement, notre office travaille avec des données pri- maires qui sont autant de réponses à des questions formulées dans le cadre d’une enquête. Citons l’exemple d’un recensement: l’OFS collecte des don- nées dans un but statistique pour valider une idée ou théorie. La population est interrogée sur la base de critères établis et la collection des données est «sous contrôle» de l’OFS. Les résul- tats permettront d’émettre des déductions. Les données secondaires quant à elles sont des données qui n’ont pas été produites (et souvent pas contrôlées) par l’OFS mais qui sont disponibles et que ce dernier pourrait potentiellement utiliser à des fins statistiques (si la méthodologique statistique le permet, comme c’est le cas pour nos registres internes). Pensons notamment aux nombreux registres, données administratives et multiples données digitales disponibles; ces données secondaires, externes à l’OFS, ne sont initialement pas destinées à des fins statistiques mais peuvent être utilisées pour créer de nouvelles idées ou théories par induction. Ces deux approches analytiques – déductive et inductive – sont complémentaires et s’alimentent l’une l’autre de manière «infinie» pour permettre une amélioration continue. Le statisticien George E. P. Box l’illustre avec un exemple très concret: partant de l’idée qu’on parque sa voiture tous les jours sur sa place privée, le lien cyclique entre déductive et inductive pourrait se jouer sur le scénario suivant: Idée (théorie): Aujourd’hui, c’est comme tous les jours. Déduction: Ma voiture sera sur la place de parking. Donnée: Elle n’y est pas! Induction: Quelqu’un a dû la prendre. Idée (théorie): Ma voiture a été volée. Déduction: Ma voiture ne sera pas au parking. Donnée: Non; elle est là! Induction: Quelqu’un l’a enlevée et ramenée. Idée (théorie): Un voleur l’a enlevée et ramenée. Déduction: Ma voiture aura été forcée. Donnée: Non: elle est indemne et fermée à clé! Induction: La personne qui l’a prise avait la clé. Idée (théorie): Ma femme a utilisé ma voiture Déduction: Elle a sûrement laissé un mot. Donnée: Oui; le voici! Le challenge réside dans la méthodologie assurant le cou- plement de ces données qui s’alimentent réciproquement et viennent ainsi augmenter leur valeur ajoutée. Le statisticien «augmenté» Quel devient le rôle du statisticien face à ces méthodologies de plus en plus sophistiquées assurant des calculs de plus en plus automatisés? Devrons-nous tous devenir des informaticiens? Le travail du statisticien sera-t-il remplacé par les opérations de l’or- dinateur? «Il n’en est rien», rassure Diego Kuonen. «L’être humain est central, il définit tout!» et ainsi de reprendre l’exemple culinaire cité plus haut: «Si l’on peut gagner du temps en s’aidant d’un mixer pour confectionner un gâteau, pourquoi battre sa pâte à la main? Cette augmentation d’efficacité grâce au mixer ne rend pas moins indispensable le savoir-faire du pâtissier, qui définit les ingrédients, les étapes de la préparation, toute la chaîne de production. Il en va de même dans la production statistique.» Ne pas profiter de ces possibilités informatiques serait aller à contre-courant. «Bien au contraire, il faut sortir de sa routine et faire preuve de curiosité, de créativité, de capacité à se remettre en question pour continuellement améliorer son travail et s’adap- ter au changement». Et Diego Kuonen de conclure: «Personne ne connaît l’avenir». Pas même les algorithmes.
  • 4. 8 INFOS No 3/2017 Le regard de Jean-Pierre Renfer, chef de la section METH La valeur ajoutée des données Les données n’ont de sens que si elles permettent d’apporter des réponses aux questions/problèmes posés. Leur valeur ajoutée réside dans l’interprétation que l’on est en droit de faire une fois les données traitées par des méthodes statistiques. Les données peuvent être considérées comme le matériel brut pour cela, à l’instar des diamants qui ne demandent qu’à être taillés! La première plus-value réside dans la préparation des données pour qu’elles soient prêtes pour effectuer des analyses: pour cela elles doivent subir un traitement qui consiste par exemple à détecter puis à traiter les inconsistances, les données manquan- tes et/ou aberrantes. Ces traitements basés sur des méthodes statistiques éprouvées sont tout aussi importants et utiles lors AU CŒUR DU MÉTIER – IM KERNGESCHÄFT Le cartoon de Enrico Enrico Chavez est titulaire d’un doctorat en statistique de l’Ecole polytechnique fédérale de Lausanne (EPFL), Senior Statistician chez Nestlé et vice-président de la Société Suisse de Statistique SSS. Il est également cartooniste. Sa créativité consiste à jeter des ponts entre l'humour et la statistique, dans des illustrations colorées à découvrir au fil des numéros de Infos. Créateur de la société Statoo Consulting, qu’il a fondée et qu’il dirige depuis 2001, Diego Kuonen est statisticien et pro- fesseur de data science au Centre de recherche en statis- tique (Faculté d’économie et de management) à l’Université de Genève. Originaire de Zermatt dans le Haut-Valais, il est titulaire d’un Master en mathématiques (1998) et d’un Doc- torat en statistique (2001) de l’Ecole polytechnique fédérale de Lausanne (EPFL), qu’il a obtenus grâce à ses travaux exceptionnels dans la statistique appliquée. Son visage est connu de nombreux collaborateurs et collaboratrices à l’OFS, puisqu’il a été pendant treize ans dans le comité de la SSS (Société Suisse de Statistique), dont six ans comme président (2009–2015), et engagé dans l’organisation des Journées suisses de la statistique pendant de nombreuses années, dont trois fois (2005, 2013, 2015) comme président du comité d’organisation. L’informatique ne remplace par l’être humain (ici le statisticien) mais augmente ses capacités.