Big data: alchimie ou science ?
Jan. 18, 2016•0 likes•820 views
Report
Data & Analytics
Présentation 19 janvier 2016 Mise en boîte de la Complexité Chaire ESSEC Edgar Morin Les mégadonnées, ou Big Data, constituent un nouvel outil à la disposition des entreprises et des chercheurs. Pour qu’elles soient utilisables de manière effective pour la prévision, il est essentiel de prendre du recul et de comprendre leur spécificité. Deux éléments les caractérisent : (i) ces données mesurent une activité d’origine humaine (ii) elles ne sont pas, pour la plupart, issues d’expériences contrôlées et reproductibles, mais au contraire, ont été enregistrées au fil de l’activité et constituent donc une référence historique. Lors de leur analyse et de la modélisation de leur pouvoir prédictif. Nous devons par conséquent répondre à trois questions : quels sont les comportements reproductibles ? Quels sont ceux qui ressortissent à des circonstances spécifiques ? Quels sont ceux qui sont actionnables ? Dans cette «mise en boîte» de la complexité, je montrerai l’apport de la méthodologie développée au cours d’un demi-siècle d’analyses économétriques en sciences économiques et sociales afin d’appréhender de manière constructive le foisonnement actuel du Big Data et proposer des pistes en Business Analytics.
Guillaume ChevillonFollow
Recommended
Digital fast forwardDIGITAL FAST FORWARD
De la transformation digitale à une nouvelle «révolution industrielle»Harris Interactive France
Digitale Transformation: Chancen und RisikenTorsten Eymann
Transformation Digitale 2016 - Au-delà des projets pilotesSolutions IT et Business
Ubérisation, transformation digitale, quelles implications pour nos organisat...Butter-Cake blog by Youmna Ovazza
Une transformation tout (ou presque) sauf digitaleChris Woodrow
More Related Content
Similar to Big data: alchimie ou science ?
Chercheurs de connaissance, science et technique. — 09. Depuis 1956Institut de recherche sur la Résolution Non-violente des Conflits
Le créationnisme contre la scienceNotre Mère Batracienne
(2016) From producing answers to delivering questionsMax Mollon
Les Mondes InvisiblesEric Espinosa
Compte-rendu - " Comment réinventer la société 4.0 à l’aune du XXIème siècle ? "Chaire_Retailing 4.0
Les jeunes et la scienceIpsos France
Big data: alchimie ou science ?
- 1. Big Data: alchimie ou science ? Janvier 2015 - GUILLAUME CHEVILLON Professeur of Statistics & Econometrics, ESSEC Business School CoDirecteur ESSEC-CentraleSupélec MSc Data Sciences & Business Analytics PierreBismuth
- 2. BIG DATA: QUELLES DONNEES ? PREVOIR APPORT DES SCIENCES SOCIALES UNE SCIENCE ?
- 3. Big Data is not about the Data! Gary King Harvard University (2015) The End of Theory: The Data Deluge Makes the Scientific Method Obsolete Chris Anderson Wired (2008)
- 4. MÉTHODE SCIENTIFIQUE? Anderson: induction Observation Hypothèse Test TsangKin-Wah
- 5. MÉTHODE SCIENTIFIQUE? Anderson: induction Observation Hypothèse Test Popper? falsification Data science: améliorer l’induction Cross-validation Régularisation TsangKin-Wah
- 6. MÉTHODE SCIENTIFIQUE? Anderson: induction Observation Hypothèse Test Popper? falsification Data science: améliorer l’induction Cross-validation Régularisation Hendry (approche LSE) formulation sélection évaluation “computation” TsangKin-Wah
- 7. ANALYTICS DECRIRE ET CLASSER PAR MESURES ET VISUALISATION PREVOIR PAR ANALOGIE PRESCRIRE PAR CRITERES DE DECISION Dirk Skreber OUTILS PROBABILITES STATISTIQUES CODING ALGORITHMIQUE OPTIMISATION … Jules de Balincourt
- 8. Big Data, are we making a big mistake ? Tim Harford Financial Times April 2014
- 9. Erik
- 10. Big Data, are we making a big mistake ? Tim Harford Financial Times April 2014 • False positive
- 11. Big Data, are we making a big mistake ? Tim Harford Financial Times April 2014 • False positive • N = all ?
- 12. Detection influenza epidemics using search engine query data Nature, 2009
- 13. Detection influenza epidemics using search engine query data Nature, 2009
- 14. QUELLES DONNÉES ? NON STRUCTURÉES, HAUTE FREQUENCE RESEAUX non pas N mais NK x T voire NN! x T Andreas Gursky
- 15. QUELLES DONNÉES ? NON STRUCTURÉES, HAUTE FREQUENCE RESEAUX non pas N mais NK x T voire NN! x T DONNÉES NON EXPERIMENTALES LE MODÈLE DEFINIT L’ERREUR Andreas Gursky
- 16. QUELLES DONNÉES ? NON STRUCTURÉES, HAUTE FREQUENCE RESEAUX non pas N mais NK x T voire NN! x T DONNÉES NON EXPERIMENTALES LE MODÈLE DEFINIT L’ERREUR NON-STATIONNAIRES/ÉVOLUTION Andreas Gursky
- 17. QUELLES DONNÉES ? NON STRUCTURÉES, HAUTE FREQUENCE RESEAUX non pas N mais NK x T voire NN! x T DONNÉES NON EXPERIMENTALES LE MODÈLE DEFINIT L’ERREUR NON-STATIONNAIRES/ÉVOLUTION ORIGINE: ACTIVITÉ HUMAINEAndreas Gursky
- 18. EXPERT BUSINESS ANALYTICS N’EST PAS QU’UN DATA SCIENTIST - HUMAINS VS MACHINES INPUT/OUTPUT, ACTIONS DEPENDENT DE 1/ passé et présent observable 2/ croyances, espoirs, anticipations, 3/ réseau (infini?) d’interactions Andreas Gursky Julien Prévieux
- 19. EXPERT BUSINESS ANALYTICS N’EST PAS QU’UN DATA SCIENTIST - HUMAINS VS MACHINES INPUT/OUTPUT, ACTIONS DEPENDENT DE 1/ passé et présent observable 2/ croyances, espoirs, anticipations, 3/ réseau (infini?) d’interactions - FEEDBACK Andreas Gursky ANTICIPATIONS AVENIR & ACTIONS DES AUTRES ACTIONS LE PRESENT OBSERVE Julien Prévieux
- 20. EXPERT BUSINESS ANALYTICS N’EST PAS QU’UN DATA SCIENTIST - HUMAINS VS MACHINES INPUT/OUTPUT, ACTIONS DEPENDENT DE 1/ passé et présent observable 2/ croyances, espoirs, anticipations, 3/ réseau (infini?) d’interactions - FEEDBACK - SEULES LES ACTIONS SONT OBSERVABLES A “l’équilibre” les croyances et actions sont alignées Analyste observe et comprend les “lois de comportement” - MALHEUREUSEMENT L’équilibre n’existe pas réellement et fluctue Les actions passées ne sont pas suffisantes pour prévoir le comportement Andreas Gursky Julien Prévieux
- 21. MACROECONOMISTES : EXPERIENCE ET REPONSES EXPERIENCE “BIG DATA” HISTORIQUE KEYNES puis Hicks Après WW2: US Cowles Commission (L. Klein) - données deviennent disponibles - mettre l’économie en équations - bonnes prévisions à court terme TsangKin-Wah Olafur Eliasson
- 22. MACROECONOMISTES : EXPERIENCE ET REPONSES EXPERIENCE “BIG DATA” HISTORIQUE KEYNES puis Hicks Après WW2: US Cowles Commission (L. Klein) - données deviennent disponibles - mettre l’économie en équations - bonnes prévisions à court terme 1950s Courbe de Phillips - rôle pour le gouvernement ? TsangKin-Wah Olafur Eliasson
- 23. MACROECONOMISTES : EXPERIENCE ET REPONSES EXPERIENCE “BIG DATA” HISTORIQUE KEYNES puis Hicks Après WW2: US Cowles Commission (L. Klein) - données deviennent disponibles - mettre l’économie en équations - bonnes prévisions à court terme 1950s Courbe de Phillips - rôle pour le gouvernement ? 1970s modèles de Klein et Phillips s'écroulent - stagflation TsangKin-Wah Olafur Eliasson
- 24. EXPERIENCE “BIG DATA” HISTORIQUE UNE REPONSE exemple: modèle Cobweb formation des anticipations ? dynamique ? loi perçue vs loi effective TsangKin-Wah Olafur Eliasson MACROECONOMISTES : EXPERIENCE ET REPONSES
- 25. EXPERIENCE “BIG DATA” HISTORIQUE UNE REPONSE exemple: modèle Cobweb formation des anticipations ? dynamique ? loi perçue vs loi effective Muth (1960) puis Lucas: Anticipations rationnelles - lien entre croyances individuelles et comportement agrégé - évite les hypothèses arbitraires (erreurs systématiques) - Une manière de comprendre le rôle des interventions: la critique de Lucas (1976) TsangKin-Wah Olafur Eliasson MACROECONOMISTES : EXPERIENCE ET REPONSES
- 26. EXPERIENCE “BIG DATA” HISTORIQUE UNE REPONSE exemple: modèle Cobweb formation des anticipations ? dynamique ? loi perçue vs loi effective Muth (1960) puis Lucas: Anticipations rationnelles - lien entre croyances individuelles et comportement agrégé - évite les hypothèses arbitraires (erreurs systématiques) - Une manière de comprendre le rôle des interventions: la critique de Lucas (1976) Concept limité mais généralisable TsangKin-Wah Olafur Eliasson MACROECONOMISTES : EXPERIENCE ET REPONSES
- 27. EXPERIENCE “BIG DATA” HISTORIQUE UNE REPONSE MODELES ECONOMETRIQUES - Eviter les boîtes noires préférer les petits modèles interprétables (structurels?) équilibre partiel vs général TsangKin-Wah Olafur Eliasson MACROECONOMISTES : EXPERIENCE ET REPONSES
- 28. EXPERIENCE “BIG DATA” HISTORIQUE UNE REPONSE MODELES ECONOMETRIQUES - Eviter les boîtes noires préférer les petits modèles interprétables (structurels?) équilibre partiel vs général - prévisions stabilité robustesse TsangKin-Wah Olafur Eliasson MACROECONOMISTES : EXPERIENCE ET REPONSES
- 29. EXPERIENCE “BIG DATA” HISTORIQUE UNE REPONSE MODELES ECONOMETRIQUES DIFFICULTES STATISTIQUES - coordination des anticipations prévoir les prévisions d'autrui hétérogénéité TsangKin-Wah Olafur Eliasson MACROECONOMISTES : EXPERIENCE ET REPONSES
- 30. EXPERIENCE “BIG DATA” HISTORIQUE UNE REPONSE MODELES ECONOMETRIQUES DIFFICULTES STATISTIQUES - coordination des anticipations prévoir les prévisions d'autrui hétérogénéité - inférence impossible ? simulations, validation reposent sur des hypothèses lois fractales ex: apprentissage ou si N −>∞ TsangKin-Wah Olafur Eliasson MACROECONOMISTES : EXPERIENCE ET REPONSES
- 31. How can the current disquiet of our time be properly grasped, made comprehensible, examined, and articulated? Over the course of the last two centuries the radical changes […] have made fascinating subject matter for artists The principal question the exhibition will pose is this: How can artists, thinkers […] make sense of the current upheaval? Okwui Enwezor, Curator of “All the World’s Futures” 2015 Venice Biennale
- 32. PREVOIR EN PRESENCE DE DISRUPTION DES QUESTIONS (BIG DATA) COMMUNES EN SCIENCES, SCIENCES SOCIALES, ARTS... COMPRENDRE comprendre les croyances (esprit) besoin d'une vue exhaustive des futurs possibles éviter l'auto-censure Muybridge
- 33. PREVOIR EN PRESENCE DE DISRUPTION DES QUESTIONS (BIG DATA) COMMUNES EN SCIENCES, SCIENCES SOCIALES, ARTS... COMPRENDRE comprendre les croyances (esprit) besoin d'une vue exhaustive des futurs possibles éviter l'auto-censure COMPARER prendre en compte les croyances des autres quelle est la mesure pour décider de la similarité et de la proximité ? pour le classement ? Muybridge
- 34. PREVOIR EN PRESENCE DE DISRUPTION DES QUESTIONS (BIG DATA) COMMUNES EN SCIENCES, SCIENCES SOCIALES, ARTS... COMPRENDRE comprendre les croyances (esprit) besoin d'une vue exhaustive des futurs possibles éviter l'auto-censure COMPARER prendre en compte les croyances des autres quelle est la mesure pour décider de la similarité et de la proximité ? pour le classement ? EVALUER quel est le code (angage) pour enregistrer et décrire ? qu'est ce qu'une description précise, exacte ? comment évaluer les prévisions ? Muybridge
- 35. ACHAB VS ULYSSE N.CWyeth
- 36. MERCI
Editor's Notes
- Qu’est-ce que l’Analytics et le Big Data ? Quel impact ? Et concrètement, pour moi, quel avenir ?