Data science : définition, étapes, méthodes et usages

Data science : une définition simple

La data science, ou science des données, mobilise des données pour répondre à des questions concrètes. Elle associe des méthodes statistiques, des outils informatiques et une compréhension du secteur étudié. Ses résultats peuvent décrire une activité passée, expliquer des écarts, anticiper une évolution ou éclairer une décision. Pour une petite structure, ces distinctions aident à choisir une réponse proportionnée à son besoin, qu’il s’agisse d’un tableau de bord ou d’une prévision.

Ce que recouvre le terme

La data science combine trois compétences complémentaires. Les statistiques servent à résumer les observations, à mesurer les relations entre variables et à évaluer l’incertitude. L’informatique permet de stocker, transformer et traiter les données, puis d’automatiser certaines opérations. La connaissance métier apporte le contexte nécessaire pour poser une question pertinente : une hausse du chiffre d’affaires, par exemple, peut venir d’un plus grand nombre de commandes, d’un panier moyen supérieur ou d’une période de forte demande. Cette approche ne se limite donc pas à produire des calculs. Elle relie les résultats aux décisions possibles et distingue plusieurs niveaux d’analyse. Les quatre familles usuelles sont descriptive, diagnostique, prédictive et prescriptive ; dans la pratique, elles peuvent se décliner en six questions successives à partir des ventes d’une boutique.

Quel montant a été vendu ? L’analyse descriptive additionne les ventes par jour ou par mois ; un tableau de bord relève surtout de ce niveau et montre l’évolution passée.
Quels produits et périodes pèsent dans le total ? Une ventilation par catégorie, canal ou semaine précise où les ventes se concentrent, sans encore expliquer leurs causes.
Pourquoi les ventes ont-elles changé ? L’analyse diagnostique compare, par exemple, les volumes et les prix avant et après une promotion pour repérer les facteurs associés à l’écart.
Que peut-il probablement se passer ? L’analyse prédictive estime les ventes des prochaines semaines à partir de l’historique, des tendances saisonnières et d’autres données disponibles.
Que donneraient différents scénarios ? Une simulation peut comparer les ventes attendues avec ou sans remise, en faisant varier le prix ou le budget publicitaire.
Quelle action semble la plus adaptée ? L’analyse prescriptive confronte les résultats aux objectifs et contraintes de la boutique pour éclairer une décision sur les stocks ou les prix.

Ces six questions ne constituent pas six disciplines séparées : elles font progresser l’analyse, du constat vers l’action, avec un degré croissant d’interprétation. Les estimations prédictives restent des probabilités plutôt que des certitudes, tandis qu’une recommandation prescriptive dépend des objectifs retenus. La notoriété du métier de data scientist s’est renforcée après l’article de Thomas Davenport et D. J. Patil publié dans la Harvard Business Review en 2012, qui le présentait comme le métier le plus séduisant du XXIe siècle.

Data science, analyse de données, BI et IA : les différences

Ces termes désignent des notions liées, mais pas interchangeables. Le tableau distingue leur périmètre, la question à laquelle elles répondent et le type de résultat qu’une petite entreprise peut en tirer.

Notions liées aux données et exemples en petite entreprise
Notion	Question traitée	Résultat typique	Exemple en petite entreprise
Data science	Comment exploiter les données pour comprendre ou anticiper l’activité ?	Analyse, modèle ou recommandation étayée par les données	Estimer la demande d’un commerce pour organiser ses achats
Analyse de données	Que montrent les données disponibles ?	Statistiques, comparaisons et visualisations des données	Comparer les commandes mensuelles de deux canaux de vente
Intelligence d’affaires	Quels indicateurs suivre pour piloter l’activité ?	Rapports et tableaux de bord régulièrement actualisés	Suivre le chiffre d’affaires, les marges et les retards de livraison
Intelligence artificielle	Quelle tâche peut être accomplie par un système automatisé ?	Système qui réalise une tâche associée à des capacités humaines	Classer automatiquement les demandes reçues par courriel
Apprentissage automatique	Quels motifs les algorithmes peuvent-ils apprendre à partir d’exemples ?	Modèle entraîné pour classer, estimer ou regrouper	Repérer les commandes susceptibles d’être annulées
Intelligence artificielle générative	Quel contenu peut être produit à partir d’une consigne ?	Texte, image ou autre contenu généré	Préparer un brouillon de description de produit à relire
Big data	Comment gérer des données dont le volume, la vitesse ou la variété posent des défis particuliers ?	Infrastructures et traitements adaptés à de grands flux de données	Traiter les événements de navigation de nombreux clients en temps réel

L’apprentissage automatique est une partie de l’intelligence artificielle et un outil possible de la data science, pas un synonyme de celle-ci. La data science n’est pas non plus synonyme d’intelligence artificielle générative ou de big data : un petit fichier de ventes peut suffire à une analyse utile, sans système génératif ni infrastructure de données massives. Pour commencer, formulez la question métier, puis vérifiez si un tableau de bord décrivant les ventes suffit ou si une prévision est nécessaire.

Le déroulement d’un projet de data science

Un projet de data science part d’une décision à prendre, puis suit un enchaînement de travaux sur les données et les modèles. La démarche CRISP-DM, publiée en 1999, fournit un cadre en six phases, de la compréhension métier au déploiement. Pour rendre ces étapes concrètes, prenons une petite entreprise qui veut anticiper ses ventes mensuelles. Elle cherche à mieux planifier ses stocks et ses achats, à partir de l’historique disponible. Les phases se succèdent, mais les résultats d’une étape peuvent aussi conduire à revoir les précédentes.

Comprendre le besoin et les données

CRISP-DM distingue six phases, dans un ordre qui va du besoin métier à la mise en service du résultat. Pour une prévision des ventes mensuelles, elles se traduisent ainsi :

Compréhension métier : préciser la décision à éclairer, par exemple le volume de stock à commander chaque mois, et les objectifs de l’entreprise.
Compréhension des données : repérer les sources disponibles, leur période couverte, leur fréquence et les premières limites de l’historique commercial.
Préparation des données : sélectionner les informations utiles, les corriger et les mettre dans un format cohérent pour l’analyse et la modélisation.
Modélisation : choisir une méthode adaptée à la prévision mensuelle et ajuster ses paramètres à partir des données préparées.
Évaluation : mesurer la fiabilité des prévisions et vérifier qu’elles répondent à la décision définie par l’entreprise.
Déploiement : rendre les résultats accessibles aux personnes qui planifient les commandes, puis organiser leur actualisation.

La compréhension métier commence par une question opérationnelle précise : faut-il augmenter ou réduire les commandes pour le mois suivant, et dans quelles proportions ? La prévision doit éclairer cette décision, plutôt que produire un chiffre sans usage défini.

La compréhension des données consiste ensuite à inventorier l’historique mensuel des ventes : dates, produits concernés, quantités vendues et, si elles sont disponibles, promotions ou périodes de fermeture. Une hausse des ventes pendant une campagne promotionnelle peut par exemple avoir une autre cause qu’une progression régulière de la demande. Ces informations aident à déterminer ce qui peut expliquer les variations observées et à vérifier si la période disponible couvre plusieurs cycles de vente.

Préparer et nettoyer les données

La préparation des données est généralement la phase la plus longue d’un projet, car les informations provenant de factures, de caisses ou de fichiers de gestion ne sont pas toujours directement comparables. Le nettoyage des jeux de données consiste à repérer les erreurs, les doublons et les valeurs manquantes avant de les utiliser dans un modèle.

Pour l’historique des ventes mensuelles, les dates doivent suivre un format uniforme et chaque ligne doit être rattachée au bon mois. Une facture enregistrée deux fois peut gonfler artificiellement les ventes ; il faut la détecter à partir de son identifiant ou d’autres champs concordants. Les mois sans donnée ne doivent pas être assimilés automatiquement à des ventes nulles : ils peuvent signaler une panne d’export ou une période non renseignée.

Les valeurs manquantes se traitent selon leur cause. Si les quantités vendues manquent pour quelques jours, elles peuvent parfois être reconstituées à partir des transactions détaillées ; si un mois entier est absent, mieux vaut le signaler et éviter de le présenter comme une période complète. Il faut aussi rendre les périodes comparables : vérifier les changements de périmètre, tenir compte des jours d’ouverture et distinguer les ventes habituelles des opérations promotionnelles. Une fois ces contrôles effectués, les données sont organisées à une fréquence mensuelle constante, avec des unités et des catégories cohérentes.

Modéliser, évaluer et déployer

La modélisation transforme l’historique préparé en prévisions pour les mois à venir. Pour les ventes mensuelles, une première méthode peut prolonger la tendance observée ; un modèle plus élaboré peut intégrer la saisonnalité, les promotions ou le nombre de jours d’ouverture, si ces informations existent dans l’historique. Le choix dépend de la décision à éclairer et des variables réellement disponibles au moment où la prévision sera produite.

Les données d’entraînement sont les observations que le modèle utilise pour apprendre les relations entre les ventes et les variables disponibles. Les données de test sont des observations mises de côté et non utilisées pendant cet apprentissage, afin de vérifier les résultats sur des données inconnues du modèle.

Pour respecter le déroulement du temps, on peut entraîner le modèle sur les mois les plus anciens et tester ses prévisions sur une période plus récente. Comparer chaque prévision au chiffre réellement observé permet de mesurer les écarts, par exemple avec l’erreur absolue moyenne, exprimée en unités vendues. Il faut aussi examiner les résultats dans les termes du besoin métier : un écart de dix unités peut être acceptable pour un produit à faible rotation, mais trop important pour un article qui se vend rapidement.

Le surapprentissage désigne la mémorisation des données d’entraînement par un modèle, au lieu de l’apprentissage de relations qui se retrouvent au-delà de ces observations. Le modèle peut alors sembler très précis sur les ventes déjà connues, mais mal généraliser et produire des prévisions peu fiables pour de nouveaux mois. Une différence marquée entre ses résultats sur les données d’entraînement et ceux obtenus sur les données de test peut révéler ce problème.

Après évaluation, le déploiement rend la prévision utilisable dans l’activité : un tableau mensuel peut présenter le volume estimé, la période concernée et les écarts par rapport aux ventes passées. Il faut prévoir comment actualiser les données et relancer le calcul lorsque de nouveaux mois sont enregistrés. Avant de s’appuyer sur les prévisions pour commander, vérifiez leurs résultats sur des données mises de côté et leur adéquation avec le besoin défini.

Les méthodes courantes et ce qu’elles permettent

Les méthodes de data science répondent à des questions différentes : estimer un chiffre, attribuer une catégorie ou repérer des groupes. Le choix dépend du résultat attendu et de la forme des données disponibles. Une prévision des ventes, par exemple, ne se traite pas comme l’identification de clients susceptibles de résilier un abonnement. Le tableau compare ces trois approches à partir de situations concrètes de petite entreprise.

Régression et prévision

La régression sert à estimer une valeur numérique à partir d’informations disponibles. Une petite boutique peut l’utiliser pour prévoir son chiffre d’affaires du mois suivant à partir des ventes mensuelles précédentes, du calendrier et des promotions prévues. Le résultat est un nombre, par exemple une estimation de 12 000 euros, et non une étiquette comme « ventes fortes ».

Trois méthodes selon la question métier et les données accessibles
Méthode	Question métier	Exemple pour une petite entreprise	Données nécessaires
Régression	Quelle valeur numérique prévoir ?	Estimer les ventes du mois prochain d’une boutique	Historique des ventes par mois, prix, promotions et calendrier
Classification	À quelle catégorie appartient cette observation ?	Repérer les abonnés présentant un risque élevé de départ	Clients passés avec une catégorie connue, par exemple départ ou maintien, et leurs caractéristiques
Regroupement	Quels éléments se ressemblent sans catégories déjà définies ?	Former des groupes de clients selon leurs achats	Montants, fréquence, types de produits et dates d’achat

Une prévision repose sur des relations observées entre la valeur recherchée et des variables explicatives. Pour les ventes, celles-ci peuvent inclure le mois de l’année, le prix moyen et le nombre de jours d’ouverture. Une régression linéaire convient notamment lorsqu’une évolution peut être représentée par une relation relativement régulière ; d’autres formes de régression permettent de prendre en compte des relations plus complexes. La précision se mesure en comparant les estimations aux ventes réellement constatées sur des périodes laissées de côté lors de l’apprentissage.

La méthode des moindres carrés, utilisée pour ajuster une régression en minimisant les écarts entre valeurs observées et estimées, a été publiée par Adrien-Marie Legendre en 1805. Cette méthode historique reste une référence pour comprendre l’ajustement d’un modèle, même si les outils actuels proposent aussi des approches plus élaborées. Pour une prévision mensuelle, il faut fournir des données datées dans le même ordre temporel : mélanger les mois lors de l’évaluation pourrait donner une mesure trop optimiste. La régression est donc pertinente lorsque la décision exige un montant ou un volume estimé, comme le stock à prévoir pour le mois suivant.

Classification

La classification attribue une catégorie à une observation à partir d’exemples dont la catégorie est déjà connue. Une entreprise peut distinguer les abonnés susceptibles de partir de ceux qui devraient rester, en s’appuyant sur des historiques de résiliation et des informations comme la fréquence d’achat ou les retards de paiement. Le modèle estime alors une catégorie, parfois accompagnée d’un score de probabilité.

Les arbres de décision organisent les choix sous forme de règles successives, par exemple selon l’ancienneté puis le nombre d’incidents. Les forêts aléatoires combinent de nombreux arbres pour obtenir une prédiction plus robuste ; Leo Breiman les a présentées dans un article publié en 2001. Pour repérer les clients à risque, les données d’apprentissage doivent associer les comportements observés à leur issue connue, départ ou maintien. Le résultat aide à prioriser les dossiers, sans remplacer l’examen du contexte propre à chaque client.

Segmentation par regroupement

Le regroupement rassemble des éléments similaires sans catégories prédéfinies : contrairement à la classification, il n’exige pas de connaître à l’avance les groupes auxquels appartiennent les observations. Une petite boutique peut comparer les clients selon leurs habitudes d’achat, comme la fréquence des visites, le montant moyen du panier et les familles de produits achetées. L’analyse peut faire apparaître, par exemple, des acheteurs réguliers de petits paniers et des clients moins fréquents qui achètent davantage.

K-means est l’algorithme de regroupement le plus connu. Il répartit les observations en un nombre fixé de groupes en rapprochant celles dont les caractéristiques sont similaires ; le nombre de groupes doit donc être choisi avant le calcul. Les variables doivent être comparables : un montant exprimé en centaines d’euros ne devrait pas dominer mécaniquement une fréquence exprimée en visites. Pour décider, partez de la question métier et des données disponibles, plutôt que de choisir d’abord un algorithme.

Avant de se lancer dans une petite structure

Dans une petite structure, un projet de science des données doit répondre à une question précise sans mobiliser plus de moyens que nécessaire. La qualité des informations disponibles compte davantage que leur volume : des données incomplètes ou contradictoires faussent les résultats. L’usage de données personnelles impose aussi de respecter le RGPD, applicable depuis le 25 mai 2018. Enfin, un tableau de bord ou une comparaison bien construite peut parfois suffire, sans recourir au machine learning. Trois vérifications permettent de décider si une analyse avancée est justifiée.

Qualité et quantité des données

Avant d’utiliser des données pour une analyse, vérifiez qu’elles décrivent correctement l’activité et couvrent la période utile. Un grand fichier ne compense pas des champs manquants, des doublons ou des informations obsolètes.

Quelques contrôles concrets permettent de repérer les défauts qui risquent de déformer les résultats :

Les champs essentiels, comme la date, le montant et la référence de vente, doivent être renseignés pour chaque transaction utile.
Les catégories doivent rester cohérentes : « accessoires », « accessoire » et « accessoires divers » ne doivent pas désigner le même produit.
Les dates doivent couvrir la période étudiée et suivre un format uniforme, afin de comparer sans ambiguïté les ventes de chaque mois.
Les montants doivent employer la même unité et les mêmes règles, notamment pour les remboursements, les remises et les taxes enregistrées.
Le nombre d’observations doit correspondre à la question : quelques ventes ne suffisent généralement pas à apprendre un modèle fiable.

Par exemple, un historique de ventes qui omet les transactions de deux mois peut faire croire à une baisse saisonnière ou à une chute durable. Des libellés de produits incohérents peuvent, eux, répartir les mêmes ventes dans plusieurs catégories et fausser leur comparaison.

La quantité nécessaire dépend du phénomène étudié et de sa variabilité : un modèle entraîné sur très peu d’observations apprend facilement des particularités accidentelles plutôt qu’une tendance réutilisable. Commencez par vérifier les données disponibles et leur couverture avant d’évaluer le volume.

Cadre légal et éthique

Le RGPD s’applique depuis le 25 mai 2018 au traitement des données personnelles. Avant de collecter ou d’analyser des informations comme un nom, une adresse électronique ou un historique d’achat rattachable à une personne, définissez la finalité : par exemple, mesurer les réachats pour améliorer le suivi commercial.

La minimisation consiste à ne conserver et utiliser que les données nécessaires à cette finalité. Pour comparer des ventes par mois, le détail nominatif des clients n’est généralement pas indispensable : des totaux agrégés peuvent répondre à la question. La durée de conservation doit également être cohérente avec l’usage prévu.

Tout traitement doit reposer sur une base légale appropriée. Le RGPD en prévoit plusieurs, dont le consentement, l’exécution d’un contrat, une obligation légale et l’intérêt légitime ; le consentement n’est donc pas automatiquement la base requise. Le choix dépend du traitement et de son contexte. Si des données personnelles sont utilisées, documentez la finalité, les catégories de données et la base retenue, et informez les personnes concernées conformément aux obligations applicables.

Le règlement européen sur l’intelligence artificielle, règlement (UE) 2024/1689, est entré en vigueur le 1er août 2024 et son application est progressive. Les obligations dépendent notamment du type de système et de son usage ; vérifiez le texte officiel pour déterminer les règles applicables à votre situation, sans vous fier à une échéance isolée.

La prudence éthique complète ces exigences : des données historiques biaisées peuvent produire des résultats défavorables à certains groupes. Examinez les variables utilisées, les effets des décisions et la possibilité d’expliquer les résultats, surtout lorsqu’ils influencent l’accès à un service ou le traitement d’une personne.

Les alternatives plus simples

Avant de construire un modèle, vérifiez si une représentation claire des données répond déjà à la question. Pour une petite entreprise, comparer les ventes mensuelles par catégorie peut souvent se faire avec les outils déjà disponibles.

Un tableau de données nettoyé rassemble les ventes dans des colonnes stables : date, produit, quantité et montant, avec un format uniforme.
Un tableau croisé regroupe les montants par mois et par catégorie, puis calcule les totaux pour rendre les écarts directement visibles.
Un tableau de bord présente quelques indicateurs suivis régulièrement, par exemple le chiffre d’affaires mensuel et le nombre de commandes.
Une synthèse des données ajoute le contexte utile aux chiffres, comme une promotion en juin ou la fermeture exceptionnelle du magasin.

Dans une entreprise qui vend trois familles de produits, un tableau croisé peut comparer le chiffre d’affaires de janvier à décembre pour chacune. Un graphique en courbes rend les variations mensuelles faciles à repérer ; les totaux et les catégories restent vérifiables dans le tableau source.

Le repère pratique est simple : vérifiez la qualité des données, le cadre applicable au traitement et si un tableau nettoyé ou un tableau de bord suffit avant d’envisager un modèle.

Questions fréquentes sur la data science

Les réponses dépendent surtout des objectifs, des données disponibles et du niveau d’analyse recherché.

Faut-il savoir programmer pour faire de la data science ?

Non, il n’est pas toujours nécessaire de programmer pour travailler avec des données, mais le code devient utile pour automatiser ou approfondir certaines analyses. Python, R et SQL sont les langages les plus utilisés dans le domaine : SQL sert notamment à interroger des bases, tandis que Python et R permettent de traiter des données et de développer des analyses. Des outils avec interface graphique peuvent suffire pour consulter des tableaux et interpréter des résultats simples. Le besoin de coder dépend des outils employés, de la complexité du problème et des tâches confiées.

De combien de données a-t-on besoin ?

Il n’existe pas de quantité minimale valable pour tous les projets : le volume nécessaire dépend de la question posée et de la méthode choisie. Une analyse descriptive peut être utile sur un jeu de données limité, alors qu’un modèle prédictif doit généralement s’appuyer sur assez d’observations représentatives pour apprendre et être évalué. Le phénomène étudié compte aussi : des événements rares demandent souvent davantage d’exemples que des comportements fréquents. La qualité, la diversité et la répartition des observations peuvent donc compter autant que leur nombre.

La data science est-elle réservée aux grandes entreprises ?

Non, une petite entreprise peut utiliser la data science pour répondre à une question opérationnelle précise, si elle dispose de données adaptées. Par exemple, l’historique des ventes peut aider à repérer des variations saisonnières ou à mieux anticiper les besoins de stock, sans commencer par un système complexe. La pertinence dépend de la valeur attendue, du temps disponible et des compétences mobilisables, en interne ou avec un prestataire. Une analyse simple peut être plus appropriée qu’un modèle sophistiqué lorsque le besoin est limité.

Quelle différence entre data scientist et data analyst ?

Le data analyst décrit et explique surtout les données passées, puis présente les résultats dans des analyses ou des rapports. Le data scientist peut aussi construire des modèles prédictifs afin d’estimer des résultats futurs, par exemple à partir de données historiques. Dans la pratique, les intitulés ne définissent pas toujours des missions étanches : un analyste peut automatiser des traitements, et un scientifique des données peut produire des rapports. Le repère pratique est de choisir la méthode et les compétences selon la question, les données disponibles et la complexité recherchée.