Introduction à

la science de donnees
Cours 030481
Introduction à la terminologie en science
des données
Romaissaa Mazouni

Automne 2024
Les Données
 Une Donnée
Une donnée est une information brute, non traitée, qui peut représenter un fait, une mesure ou
une observation.

Elle peut être sous différentes formes (texte, chiffre, image, etc.) et est utilisée pour générer des
connaissances après analyse.

Par exemple: une température mesurée, une transaction financière ou un tweet sont des
données.
 Le Phénomène des Mégadonnées (BIG
Big Data:
DATA)
désigne l'explosion massive des données produites chaque jour à travers le monde,
résultant de l'essor des technologies numériques, de l'Internet des objets, des
réseaux sociaux, etc.
 Le Phénomène des Mégadonnées (BIG
• Un volume immense de donnéesDATA)
à gérer :

• Données structurées et non structurées, nécessitant des outils spécialisés

• Inadaptation des outils classiques (comme les tableurs ou SGBD) pour traiter
ces données

• Formats multiples des données

• Collecte, traitement et analyse rapides des données

 Les 4 Concepts-V des Mégadonnées (BIG
DATA)
Il existe quatre concepts V dans le domaines
mégadonnées

• Volume : Désigne la quantité massive de

données générées chaque jour.

Exemple :Les milliards de vidéos vues

quotidiennement sur

• Variété : Se réfère à la diversité des types de données

disponibles.
Les 4 Concepts-V des Mégadonnées (BIG
DATA)
• Vélocité: Indique la rapidité avec laquelle les données sont générées,
collectées, et analysées.

Exemple : Les transactions boursières où les données

doivent être traitées en temps réel

• Véracité: Concerne la fiabilité et la précision des données.

Exemple : Dans le domaine médical, la véracité est cruciale

pour garantir que les diagnostics basés sur le
données sont exacts et fiables
 D’autres V?
Valeur:

• Se réfère à la connaissance qui peut être extraite et exploitée à partir de l’analyse

des mégadonnées
• Toutes les données n'ont pas forcément de valeur, mais l'analyse des bonnes
données peut conduire à des décisions précieuses.
 D’autres V?
Variabilité:

Diffère de la variété. Se réfère à la variabilité des données selon l’espace, le temps, les
personnes, etc.

Exemple:

• L’heure du jour peut influencer le comportement d'achat?

• Une compagne de Twitter/Facebook peut révéler une crise sanitaire/économique,

augmentation d’achats, etc

• La géolocalisation peut prédire la tendance de consommation, le risque d’une

maladie, etc
 Defis du Domaine des
mégadonnées
Parmi les défis de l’analyse des mégadonnées :

• Acquisition et stockage des mégadonnées

• Prétraitement et sélection de
caractéristiques

• Analyse et extraction de connaissances

• Visualisation
 Avantages de l’analyse des
L’industrie mégadonnées
• Améliorer la productivité des entreprises

General Electric utilise des capteurs sur ses turbines et moteurs d'avions pour collecter
des données en temps réel.

Grâce à l'analyse de ces données, GE peut anticiper les pannes et effectuer des
maintenances prédictives. Cela a permis de réduire les temps d'arrêt, d'améliorer l'efficacité
et de réduire les coûts de maintenance dans ses opérations industrielles.
 Avantages de l’analyse des
L’industrie
mégadonnées
• Affiner les stratégies commerciales

utilise les données des distributeurs automatiques connectés pour suivre les ventes en
temps réel.

En analysant ces données, l'entreprise peut identifier les préférences des consommateurs
dans des zones géographiques spécifiques. Par exemple, si les ventes d'une boisson
particulière augmentent dans certaines régions à certaines périodes, Coca-Cola peut
ajuster ses stratégies marketing, modifier les prix, ou lancer des promotions ciblées pour
maximiser ses ventes dans ces zones.
 Avantages de l’analyse des
L’industrie mégadonnées
• Identifier les secteurs d’investissement prometteurs

Palantir Technologies utilise l'analyse de mégadonnées pour aider les investisseurs à repérer des
opportunités d'investissement.

En 2020, Palantir a aidé Johnson & Johnson à repérer des startups prometteuses en biotechnologie
en analysant des publications scientifiques et des tendances du marché

• Meilleure efficacité opérationnelle

utilise des modèles de prévision basés sur les données de vente pour ajuster automatiquement les
niveaux de stock dans ses entrepôts. Cela permet de s'assurer que les produits populaires sont
toujours disponibles et réduit les excès de stock.
 Avantages de l’analyse des mégadonnées
Le gouvernement

• Améliorer les services aux citoyens (ex santé, transport)

• Uber utilise les données de trajets pour optimiser les itinéraires et les temps d'attente. En analysant les
données de circulation et les habitudes des utilisateurs, Uber améliore l'efficacité des trajets et la
satisfaction des passagers, rendant le transport plus rapide et plus fiable.

• Singapore utilise un système de gestion des déchets basé sur des

capteurs placés dans les poubelles signalent quand elles sont pleines,
permettant aux équipes de ramassage de planifier des itinéraires plus
efficaces, réduisant ainsi les coûts et améliorant la propreté de la ville
 Avantages de l’analyse des mégadonnées
Le gouvernement
• Permettre la prise de décision

En 2020, New York a utilisé des données pour réaffecter les ressources policières vers les quartiers les plus à
risque, améliorant ainsi la sécurité publique.

• Améliorer la compétitivité économique

Utilise les données pour optimiser les horaires et ajuster les tarifs. En analysant les réservations et les
conditions météorologiques, l’entreprise réduit les coûts et améliore l'efficacité, renforçant ainsi sa
compétitivité (anticiper les retards ou annulations)

• Identification des risques (ex sanitaires, environnementaux)

une plateforme de surveillance des épidémies, utilise des données collectées en temps réel sur les
réseaux sociaux, les rapports de santé publique et les nouvelles pour détecter rapidement les éclosions
de maladies infectieuses. Cela permet aux autorités sanitaires de répondre plus rapidement aux
épidémies et d'informer les citoyens pour prendre des mesures préventives.
 Reflexion !
Quels sont les principaux risques associés à
l'utilisation des mega données dans les analyses et les
prises de décision ? Comment ces risques peuvent-ils
impacter les résultats et les actions entreprises ?
 Risques d’utilisation des mégadonnées
Données/résultats erronés

• Données erronées conclusions erronées:

Un capteur de glucose défectueux donne des mesures incorrectes, entraînant des ajustements
inappropriés de l'insuline pour les patients diabétiques.

• Confirmation de biais :

Une étude qui ne sélectionne que les patients ayant des antécédents familiaux de maladies
spécifiques peut confirmer à tort que ces antécédents sont la seule cause de la maladie.

• Mal interpréter les relations entre les données :

Une analyse pourrait conclure que les personnes prenant un certain médicament se remettent
plus vite, alors qu’en réalité, la durée de rétablissement est influencée par d’autres facteurs
comme la gravité de la maladie.

• Hypothèses erronées ou pas actualisées sur les données :

Une start-up de technologie suppose que la demande pour un nouveau gadget augmentera de
façon exponentielle parce qu'elle l'a observée dans un petit groupe test, mais ne prend pas en
compte que le marché global pourrait réagir différemment.
 Risques d’utilisation des mégadonnées

Sécurité des données et vie privée

• Défaillance dans le stockage et la transmission de données

En 2015, le système de gestion des dossiers médicaux électroniques de l'Hôpital de
Los Angeles a rencontré une défaillance technique. Les données médicales des
patients ont été temporairement inaccessibles, ce qui a retardé les traitements et
causé des perturbations dans les soins.

• Piratage et vol de données publiques ou privées

En 2017, la société Equifax a été victime d'une fuite de données massive où des
informations personnelles sensibles de 147 millions de personnes, y compris les
numéros de sécurité sociale et les informations de crédit, ont été volées par des
pirates.
 Risques d’utilisation des mégadonnées

Sécurité des données et vie privée

• Protection de la vie privée et de la protection intellectuelle

En 2021, des chercheurs ont découvert que certaines applications de suivi de la

santé collectaient des données personnelles des utilisateurs sans leur consentement
clair, compromettant ainsi leur vie privée et violant les réglementations de protection
des données .

• Données générées délibérément pour biaiser l’analyse

Lors d'une campagne politique, des informations falsifiées ou exagérées peuvent être
diffusées pour manipuler les opinions publiques et influencer les résultats des
sondages. Un exemple est la diffusion de faux rapports ou de statistiques
trompeuses pour favoriser un candidat ou un point de vue particulier
Domaine de
la science
des données
 Domaine de la science des données
La science des données vise à développer des méthodes, des processus et des algorithmes
pour extraire des connaissances à partir de grands ensembles de données structurées et/ou
non structurées

De nos jours, la science des

données a beaucoup de
partage avec la branche de
l’intelligence artificielle qui
utilise l’apprentissage
automatique à partir de
données
Domaines de la science des données
 Scientifique de données (data scientist )

Rôle d’un scientifique de données Compétences d’un scientifique de donnée

• Identification des sources et collection • Statistique et apprentissage automatique

des données

• Traitement des données structurées et • Mathématiques techniques d’optimisation

non structurées

• Analyse des tendances de données • Langages de programmation (ex python, R, Matlab)

• Construction de modèles statistiques de

prédiction • Outils d'analyse et de visualisation des données

• Visualisation des résultat d’analyse • Esprit critique et aptitudes de communication

 Analyste de données (data analyst )

Rôle d’un analyste de données Compétences d’un analyste de données

• Filtrage, nettoyage et transformation des • Bases de données et langages d’interrogation SQL

données

• Développer et manipuler des base de • Entreposage et forage de données

données

• Analyse des tendances et prédictions des • Statistique et techniques d’apprentissage

modèles

• Aider la décision en se basant sur • O utils d'analyse et de visualisation des données

l’analyse des mégadonnées

• Présentation et visualisation des données • Aptitudes de communication

 Ingénieur de données (data engineer )

Rôle d’un ingénieur de données Compétences d’un ingénieur de données

• Implémenter et maintenir des bases de • Informatique langages de programmation (ex

données python, Matlab)

• Collecte, prétraitement, nettoyage et • Maitrise des technologies de Big Data (ex Hadoop,
intégration de données Spark, ...)

• Réalisation de tests sur des données à • Bases de données et techniques d’entreposage de

grande échelle données

• Création de pipelines robustes d’analyse de • Outils de visualisation des données

données

• Gestion des journaux d'erreurs et débogage

Données
Données structurées :
Données organisées dans un format défini, comme les bases de données relationnelles. Ces données
sont faciles à organiser et à analyser.
Exemples : Tableaux Excel, bases de données SQL.

Données non structurées :

Données sans format prédéfini, plus difficiles à organiser et à analyser. Cela inclut du texte brut, des
images, des vidéos, etc.
Exemples : Emails, publications sur les réseaux sociaux, vidéos.

Données semi-structurées :
Données ayant une structure partielle, avec des balises ou des formats qui facilitent leur organisation,
mais ne respectant pas la rigueur des données structurées.
Exemples : Fichiers JSON, XML.
 Données
qualitatives(Catégoriques)

Les données qualitatives sont des informations simples qui ne peuvent être mesurées, exprimées
en chiffres ou comptées. Les informations sont recueillies à partir de sons, d’images, de textes,
etc., et partagées au moyen d’outils de visualisation, tels que des cartes conceptuelles, des lignes
de temps, des infographies, etc.
Exemples:
• Couleurs préférées : Bleu, rouge, vert.
• Type de produit : Électroniques, vêtements, alimentation.
• Niveau de satisfaction : Très satisfait, satisfait, peu satisfait, pas
satisfait.
• Genre musical préféré : Pop, rock, jazz, classique.
Données Nominales Données Ordinales
• Les données nominales ne peuvent pas être • Les données ordinales sont classées dans un
quantifiées. ordre spécifique.
La couleur des voitures (rouge, bleu, vert) ne peut pas être Les niveaux d'éducation (primaire, secondaire, universitaire)
mesurée ou quantifiée
• Elles ne peuvent pas non plus être • Nous pouvons attribuer des nombres aux
ordonnées. données ordinales.
Les genres musicaux (pop, rock, jazz, classique) ne peuvent Dans une enquête de satisfaction, les réponses peuvent être
pas être classés de manière objective dans un ordre numérotées de 1 à 5, où 1 signifie "très insatisfait" et 5 "très satisfait".

• Les valeurs sont simplement attribuées à • Il n'est pas possible de faire des opérations
des catégories distinctes. arithmétiques avec les nombres ordinaux.
Les types de fruits (pomme, banane, orange) sont des catégories Si deux personnes obtiennent respectivement la 2e et la 3e place
sans relation quantitative, ils sont juste différents les uns des dans une compétition, on ne peut pas calculer une moyenne entre
autres ces deux positions
• Les écarts entre les valeurs ne sont pas
• Ces catégories n'ont pas d'ordre significatif. nécessairement égaux.
Les marques de téléphones (Apple, Samsung, Huawei) ne sont Lorsque les patients évaluent leur douleur sur une échelle de 1 à 10,
pas ordonnées selon un critère intrinsèque, elles sont l'écart entre une douleur notée 2 et 3 peut ne pas être le même qu'entre
simplement des étiquettes qui identifient des groupes 8 et 9. Cela montre que l'échelle est ordinale, mais les différences entre
distincts. les valeurs ne sont pas toujours uniformes.
 Données
quantitatives

Les données quantitatives sont des informations simples qui peuvent être mesurées ou
comptées en valeurs numériques. Il s’agit de toutes les données quantifiables que les
chercheurs utilisent pour effectuer des analyses statistiques et des calculs mathématiques afin
de prendre des décisions de qualité basées sur les dérivations
Exemples:
• Le poids en kilogrammes,
• le nombre de semaines dans un mois,
• la taille en pouces ou en pieds,
• la distance en kilomètres ou en miles,
 Les données discrètes Les données continues

• Les données discrètes sont des informations • Les données continues sont des informations quantitatives
quantitatives qui ne peuvent prendre que des valeurs qui peuvent prendre n'importe quelle valeur dans un
spécifiques et distinctes. intervalle donné, y compris les valeurs intermédiaires.
Le nombre de pièces dans une tirelire. Vous pouvez avoir 3 La taille d'une personne. Elle peut être 170 cm, 170,5 cm, 170,75 cm, etc
pièces, 4 pièces, mais jamais 3,5 pièces.

• Les données discrètes ne peuvent pas prendre des

• Les données continues peuvent prendre une infinité de
valeurs continues ou intermédiaires entre deux points ;
valeurs dans un intervalle donné. Il n'y a pas de restrictions
elles sont limitées à des valeurs prédéfinies.
sur les valeurs intermédiaires.
Le score obtenu à un jeu de société où les points peuvent être
La température mesurée dans une pièce. Elle peut être 20,1°C, 20,12°C,
15, 20, ou 25, mais pas 18,5.
20,123°C, etc.

• Les données continues peuvent être mesurées avec un degré

de précision qui dépend de l'instrument de mesure utilisé.

Le temps écoulé pour terminer une course. On peut mesurer en heures,

minutes, secondes, et même fractions de secondes, comme 12,345
secondes.
 Intervalle Ratio
Une échelle d'intervalle est une échelle de mesure où les Une ratio est une échelle de mesure où les différences entre
différences entre les valeurs sont significatives, mais il n'y a pas les valeurs sont significatives et il y a un vrai zéro absolu, ce
de vrai zéro absolu. Les intervalles entre les valeurs sont égaux, qui permet de faire des comparaisons de ratios entre les
mais le zéro n’indique pas l'absence totale de la quantité valeurs.
mesurée. Exemple : La longueur en mètres. Un objet de 4 mètres est
Exemple : La température en degrés Celsius. La différence deux fois plus long qu'un objet de 2 mètres, et 0 mètres
entre 20°C et 30°C est la même qu'entre 30°C et 40°C. signifie l'absence totale de longueur.
Cependant, 0°C ne signifie pas l'absence de température, mais
plutôt un point spécifique sur l'échelle. Le poids d'un objet est mesuré sur une échelle de ratio. Par
exemple, un objet pesant 10 kg est deux fois plus lourd qu'un
Les années (par exemple, 2000, 2010, 2020) sont mesurées objet pesant 5 kg, et 0 kg signifie l'absence totale de poids.
sur une échelle d'intervalle. La différence entre 2000 et 2010
est la même que celle entre 2010 et 2020, mais l'année 0 Le revenu est mesuré sur une échelle de ratio. Une personne
n'indique pas un « début » absolu du temps. gagnant 50 000 $ par an gagne deux fois plus qu'une
personne gagnant 25 000 $, et 0 $ signifie l'absence totale de
Le pH mesure l’acidité ou l’alcalinité d’une solution. La revenu.
différence entre un pH de 3 et 4 est la même que celle entre
un pH de 8 et 9. Cependant, le pH de 0 n'indique pas l'absence
d'acidité ou d'alcalinité.
Types d'analyses
 Types d'analyses

Devenue incontournable pour les

entreprises, l’Analyse des Données est la
science qui consiste à examiner les
données pour en tirer des informations à
des fins d’une croissance continue pour
leurs activités.

Il existe 04 principaux types d’analyse :

• Analyse descriptive
• Analyse diagnostique
• Analyse prédictive
• Analyse prescriptive
 Analyse descriptive
Il s'agit de l'utilisation la plus simple et la plus courante des données en
entreprise aujourd'hui.

L'analyse descriptive répond à «qu’est ce qui s'est passé» en résumant

les données passées, généralement sous la forme de graphique ou
tableaux de bord.

La plus grande utilisation de l'analyse descriptive en entreprise est de

suivre les groupes d'indicateurs clés de performance (KPI). Souvent
présentés sous forme de graphique ou tableau, les KPI décrivent les
performances d'une entreprise en fonction de critères de référence
choisis.

• Identifier les segments client qui génèrent le plus de ventes,

• Suivre l’évolution des revenus d’une année ou d’un mois à l’autre,
• Identifier les points de ventes les plus performants,
• Suivre la demande de stock dans les entrepôts et points de vente au cours de l’année.
 Analyse diagnostique
Après avoir posé la question principale de «qu’est ce qui s'est passé»,
l'étape suivante consiste à approfondir et à se demander pourquoi cela
s'est produit. C'est là qu'intervient l'analyse diagnostique

L'analyse diagnostique prend les informations trouvées à partir des analyses

descriptives et explore les causes de ces résultats.

En général, plus d’un facteur explique un événement ou une tendance.

L’analyse de diagnostic aide alors à identifier l’ensemble des causes qui
expliquent un événement, et à distinguer les facteurs qui ont le plus
d’impact.

• Expliquer pourquoi la productivité des salariés a changé ce dernier mois,

• Examiner les facteurs internes et externes qui contribuent à augmenter la demande de stocks particuliers.
 Analyse Prédictive
Elle répond à la question : que pourrait-il se passer ?

L'objectif de cette analyse est de prédire les résultats futurs possibles et à

déterminer la probabilité qu’ils se produisent.

Ce processus implique la mise en place des modèles statistiques permettant

d’anticiper les comportements futurs des clients et les tendances du marché, en se
basant sur les données passées et actuelles.

Pour une entreprise, ces analyses sont d'une grande valeur, elles permettent
d’anticiper sur les risques et opportunités possibles, fixant ainsi des objectifs
réalistes et en s'y préparant au mieux.

Exemples d’analyse prédictive :

• Prédire le prix immobilier dans une zone géographique ;
• Prédire des potentielles défaillances dans les activités d’une entreprise ;
• Identifier des fraudes potentielles.
 Analyse Prescriptive
Elle répond à la question que devons-nous faire ?

Cette analyse est la plus complexe des quatre, son but est de
déterminer les actions à entreprendre en fonction des prédictions
faites.
Elle s’appuie sur les méthodes statistiques avancées et des
technologies de pointe comme l’Intelligence Artificielle, le Machine
Learning ou le Deep Learning pour formuler des recommandations
et solutions au sein des différents services de l’entreprise.

Exemples:
• Comment améliorer le processus de vente pour chaque segment client ?
• Comment optimiser la gestion des risques ?
• Quand commander un stock supplémentaire en fonction des poussées de la demande passée?
 Types d ‘Analyses
Projets simples ou exploratoires
Une analyse descriptive suffit si l’objectif est de comprendre les données et obtenir un aperçu global (par
exemple, identifier les tendances de vente sur une période donnée).
Projets orientés sur les causes
Une analyse diagnostique est prioritaire si le client veut comprendre pourquoi un événement particulier
s’est produit (par exemple, expliquer pourquoi les ventes ont chuté dans une région).
Projets de prévision
Une analyse prédictive est nécessaire lorsqu’il faut anticiper des événements futurs (par exemple, prévoir les
ventes pour le prochain trimestre).
Projets stratégiques
Une analyse prescriptive est indispensable si l’objectif est d’agir en fonction des prédictions pour optimiser
les résultats (par exemple, ajuster les stocks ou allouer les ressources).
Projets combinant plusieurs objectifs
Certains projets complexes nécessitent plusieurs types d’analyses. Par exemple, une entreprise qui veut à la
fois comprendre ses ventes passées, en identifier les causes, prévoir les tendances futures et agir en
conséquence devra passer par les quatre analyses.
Domaines de la
science des données
 Domaines de la science des données

Statistiques

Nous commençons avec les

statistiques, qui sont le cœur de la
science des données. Elles permettent
d'analyser les données, d'en tirer des
modèles et de vérifier des hypothèses.
Vous utiliserez des concepts
statistiques pour explorer des
relations et comprendre les tendances
sous-jacentes dans les données

Applications: Analyse de régression,

tests d'hypothèses.
Domaines de la science des données
Apprentissage automatique (Machine
Learning)

Branche clé qui développe des modèles

capables d'apprendre à partir de
données et d'effectuer des prédictions
ou des classifications sans intervention
humaine.
Sous-domaines : Apprentissage
supervisé, non supervisé, par
renforcement.

Applications: Reconnaissance d'images,

recommandations de contenu.
 Domaines de la science des données

Exploration de données (Data Mining)

Processus de découverte de motifs

cachés, de tendances ou de corrélations
au sein de grands ensembles de données.

Applications : Détection de fraude,

segmentation de clients.
Domaines de la science des données

Big Data
Traitement et gestion de grandes quantités
de données (volume), en temps réel
(vitesse), et provenant de sources variées
(variété). Le Big Data repose souvent sur des
infrastructures spécifiques comme Hadoop
ou Spark.

Applications : Analyse des comportements

des utilisateurs en ligne, IoT.
 Domaines de la science des données

Visualisation des données

Transformation des résultats d'analyse en

représentations visuelles (graphiques,
tableaux, cartes) pour faciliter la
compréhension et la communication des
résultats.

Applications : Tableaux de bord

interactifs, infographies.
 Domaines de la science des données

Informatique décisionnelle (Business

Intelligence)
Outils et méthodes permettant d'analyser les
données d'une organisation pour faciliter la
prise de décisions stratégiques. La BI se
concentre souvent sur la création de tableaux
de bord et de rapports pour suivre les
indicateurs de performance.

Applications : Rapports financiers, suivi des

ventes.
 Domaines de la science des données

Ingénierie des données

Conception des infrastructures et des
pipelines de données pour stocker,
traiter et organiser efficacement les
données. Les ingénieurs de données
s'assurent que les données sont
accessibles et prêtes pour les analyses.

Applications: Bases de données,

pipelines de traitement des données.
 Domaines de la science des données

Traitement du langage naturel (NLP)

Sous-domaine de l'IA qui se concentre
sur l'interaction entre les ordinateurs et
les humains à travers le langage
naturel. Le NLP permet d'analyser et de
comprendre le texte.

Applications : Analyse de sentiments,

chatbots, assistants vocaux.
 Domaines de la science des données

Internet of Things:
Analyse des données générées par des
appareils connectés en temps réel. Cela
inclut le traitement de flux massifs de
données provenant de capteurs ou
d'appareils intelligents.
Applications : Maintenance prédictive,
villes intelligentes.
Domaines de la science des données

Intelligence artificielle (IA)

Intègre des systèmes capables d'imiter

l'intelligence humaine, comme la
reconnaissance vocale, la prise de décision
et l'automatisation des tâches complexes.

Applications : Voitures autonomes,

assistants virtuels, robots conversationnels.