Big data: alchimie ou science ?

Big Data: alchimie ou science ?Janvier 2015 - GUILLAUME CHEVILLON Professeur of Statistics & Econometrics, ESSEC Business SchoolCoDirecteur ESSEC-CentraleSupélec MSc Data Sciences & Business Analytics

Pier

re B

ismut

h

BIG DATA: QUELLES DONNEES ?PREVOIRAPPORT DES SCIENCES SOCIALESUNE SCIENCE ?

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 AndersonWired (2008)

MÉTHODE SCIENTIFIQUE?Anderson: inductionObservationHypothèseTest

Tsan

g Ki

n-W

ah


Popper? falsificationData science: améliorer l’induction

Cross-validationRégularisation

Tsan

g Ki

n-W

ah


Popper? falsificationData science: améliorer l’induction

Cross-validationRégularisation

Hendry (approche LSE) formulationsélectionévaluation“computation”

Tsan

g Ki

n-W

ah

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

Big Data, are we making a big mistake ?Tim Harford

Financial Times April 2014

Erik Kessels



• False positive



• False positive•N = all ?

Detection influenza epidemics using search engine query dataNature, 2009

Detection influenza epidemics using search engine query dataNature, 2009

QUELLES DONNÉES ?NON STRUCTURÉES, HAUTE FREQUENCERESEAUX

non pas N mais NK x Tvoire NN! x T

Andreas Gursky



DONNÉES NON EXPERIMENTALESLE MODÈLE DEFINIT L’ERREUR

Andreas Gursky




NON-STATIONNAIRES/ÉVOLUTIONAndreas Gursky




NON-STATIONNAIRES/ÉVOLUTIONORIGINE: ACTIVITÉ HUMAINEAndreas Gursky

EXPERT BUSINESS ANALYTICS N’EST PAS QU’UN DATA SCIENTIST

- HUMAINS VS MACHINES INPUT/OUTPUT, ACTIONS DEPENDENT DE

1/ passé et présent observable2/ croyances, espoirs, anticipations, 3/ réseau (infini?) d’interactions

Andreas Gursky

Julien Prévieux




- FEEDBACK

Andreas Gursky

ANTICIPATIONS AVENIR &

ACTIONS DES AUTRES

ACTIONS

LE PRESENT OBSERVE

Julien Prévieux




- FEEDBACK- SEULES LES ACTIONS SONT OBSERVABLESA “l’équilibre” les croyances et actions sont alignéesAnalyste observe et comprend les “lois de comportement”

- MALHEUREUSEMENT L’équilibre n’existe pas réellement et fluctueLes actions passées ne sont pas suffisantes pour prévoir le comportement

Andreas Gursky

Julien Prévieux

MACROECONOMISTES : EXPERIENCE ET REPONSESEXPERIENCE “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

Tsan

g Ki

n-W

ah

Olafur Eliasson


KEYNES puis Hicks


1950s Courbe de Phillips- rôle pour le gouvernement ?

Tsan

g Ki

n-W

ah

Olafur Eliasson


KEYNES puis Hicks


1950s Courbe de Phillips- rôle pour le gouvernement ?

1970s modèles de Klein et Phillips s'écroulent- stagflation

Tsan

g Ki

n-W

ah

Olafur Eliasson

EXPERIENCE “BIG DATA” HISTORIQUEUNE REPONSE

exemple: modèle Cobwebformation des anticipations ? dynamique ? loi perçue vs loi effective

Tsan

g Ki

n-W

ah

Olafur Eliasson

MACROECONOMISTES : EXPERIENCE ET REPONSES



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)

Tsan

g Ki

n-W

ah

Olafur Eliasson




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

Tsan

g Ki

n-W

ah

Olafur Eliasson


EXPERIENCE “BIG DATA” HISTORIQUEUNE REPONSEMODELES ECONOMETRIQUES- Eviter les boîtes noires

préférer les petits modèles interprétables

(structurels?)équilibre partiel vs général

Tsan

g Ki

n-W

ah

Olafur Eliasson


EXPERIENCE “BIG DATA” HISTORIQUEUNE REPONSEMODELES ECONOMETRIQUES- Eviter les boîtes noires

préférer les petits modèles interprétables

(structurels?)équilibre partiel vs général

- prévisionsstabilitérobustesse

Tsan

g Ki

n-W

ah

Olafur Eliasson


EXPERIENCE “BIG DATA” HISTORIQUEUNE REPONSEMODELES ECONOMETRIQUESDIFFICULTES STATISTIQUES- coordination des anticipations

prévoir les prévisions d'autruihétérogénéité

Tsan

g Ki

n-W

ah

Olafur Eliasson


EXPERIENCE “BIG DATA” HISTORIQUEUNE REPONSEMODELES ECONOMETRIQUESDIFFICULTES STATISTIQUES- coordination des anticipations

prévoir les prévisions d'autruihétérogénéité

- inférence impossible ?simulations, validation reposent sur

des hypothèseslois fractales

ex: apprentissageou si N −>∞

Tsan

g Ki

n-W

ah

Olafur Eliasson


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

PREVOIR EN PRESENCE DE DISRUPTIONDES QUESTIONS (BIG DATA) COMMUNES EN SCIENCES, SCIENCES SOCIALES, ARTS...

COMPRENDREcomprendre les croyances (esprit)

besoin d'une vue exhaustive des futurs possibleséviter l'auto-censure

Muy

brid

ge




COMPARERprendre en compte les croyances des autresquelle est la mesure pour décider de la similarité et de la proximité

?pour le classement ?

Muy

brid

ge




COMPARERprendre en compte les croyances des autresquelle est la mesure pour décider de la similarité et de la proximité

?pour le classement ?

EVALUERquel est le code (angage) pour enregistrer et décrire ? qu'est ce qu'une description précise, exacte ?comment évaluer les prévisions ?

Muy

brid

ge

ACHAB VS ULYSSE

N.C

Wye

th

MERCI

Data & Analytics

Big data: alchimie ou science ?