Big data, big data,… what else ?

Tout le monde parle des big data, de l’open data, de cette autoroute des possibilités ainsi offertes d’exploration, de traitement et de visualisation de données auparavant fermées ou confinées à des réseaux de spécialistes. Mais personne ne parle, ou si peu, des problèmes liés aux méthodes de collecte qui diffèrent forcément, de la comparabilité des matrices denses, de leur niveau de précision qui est dans bien des cas insuffisant, et encore moins de leur inscription dans le temps (et tous les problèmes que celle-ci engendre).

L’analyse des réseaux dynamiques (disponibles à plusieurs dates, sous réserve que la méthode de collecte soit identique) permet pourtant une mise en perspective des résultats obtenus en un temps t. Elle nécessite donc de porter une attention au moins égale aux long data. C’est le sens du propos de Samuel Arbesman, mathématicien et spécialiste des réseaux, dans l’article qu’il publie sur Wired : Stop Hypind Big Data and Start Paying Attention to ‘Long Data’, et il a bien raison.

L’auteur nous explique d’emblée que nous sommes une espèce qui ne semble pas pouvoir échapper à des données toujours plus importantes, archivées dans des serveurs toujours plus gros, gérées et exploitées à l’aide de ressources toujours plus importantes… Face à ce déferlement de « toujours plus », l’Homo sapiens se conduit comme il l’a toujours fait en présence de nouveaux outils : il voit encore plus grand, encore plus haut, encore plus loin. Il est toujours plus audacieux sauf que ses efforts ne concernent qu’une tranche de sa vie. Les big data actuellement disponibles ne sont, en effet, le reflet que d’une situation à un temps (t).

Samuel Arbesman présente l’intérêt d’utiliser des données qui présentent une épaisseur historique importante, massive et pour cela, il  cite notamment ces deux exemples :

(1) le premier est celui des données utilisées par Michael Kremer, dans un article disponible ici (attention : le texte n’est accessible qu’aux institutions ou personnes qui ont un accord avec la revue The Quaterly Journal of Economics). Le modèle modèle économique de la croissance démographique et du changement technologique exposé fait appel à des données sur  un million d’années.

(2) Le second exemple est celui de l’analyse historique de données (dites exhaustives) sur les populations urbaines réalisée par Tertius Chandler dans Four Thousand Years of Urban Growth: An Historical Census sur plusieurs siècles.

Outre l’intérêt de transcender le temps, de telles données permettent...lire la suite.


Françoise Bahoken

Géographe et cartographe, Chargée de recherches à l'IFSTTAR et membre-associée de l'UMR 8504 Géographie-Cités.

More Posts

Publié par

Françoise Bahoken

Géographe et cartographe, Chargée de recherches à l'IFSTTAR et membre-associée de l'UMR 8504 Géographie-Cités.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.