Les quatre types de données en statistique et en data science (nominales, ordinales, discrètes, continues) structurent tout pipeline analytique. Leur distinction conditionne le choix des algorithmes, les tests statistiques applicables et la granularité des résultats. Nous observons pourtant que la plupart des ressources en ligne se contentent de définitions scolaires sans aborder les contraintes opérationnelles qui en découlent.
Échelle de mesure et impact sur le choix algorithmique
La classification des quatre types de données repose sur les échelles de mesure formalisées par Stevens : nominale, ordinale, intervalle et ratio. En pratique, la frontière entre ces niveaux détermine directement les opérations mathématiques autorisées sur un jeu de données.
A lire également : Comment diminuer l'utilisation du CPU ?
Une variable nominale (couleur, catégorie produit, code pays) n’admet ni ordre ni distance. Lui appliquer une moyenne revient à produire un artefact sans signification. Une variable ordinale (niveau de satisfaction, grade) autorise le tri mais pas l’arithmétique sur les écarts entre modalités.
Les données d’intervalle et de ratio sont les seules compatibles avec les opérations arithmétiques complètes. La différence entre les deux tient à l’existence d’un zéro absolu : une température en Celsius (intervalle) ne permet pas de dire que 20 °C est « deux fois plus chaud » que 10 °C, alors qu’un chiffre d’affaires en euros (ratio) le permet.
A lire aussi : Quels sont les types de tests logiciels ?
Nous recommandons de documenter l’échelle de mesure de chaque variable dès la phase de collecte. Un encodage numérique arbitraire (1 = homme, 2 = femme) sur une variable nominale induit des erreurs de calcul silencieuses dans la majorité des bibliothèques de machine learning.
Données qualitatives nominales et ordinales : pièges courants en analyse
Les données qualitatives regroupent les types nominaux et ordinaux. Leur traitement analytique exige des précautions spécifiques que les approches « tout en numérique » ignorent souvent.
Variables nominales et encodage
Le one-hot encoding reste la méthode standard pour injecter des variables nominales dans un modèle. Sur un jeu de données comportant une variable à forte cardinalité (plusieurs centaines de modalités), cette technique génère une matrice creuse qui dégrade les performances. Le target encoding ou le hashing trick constituent alors des alternatives plus robustes.
Variables ordinales et distance entre modalités
Encoder une variable ordinale en entiers successifs (1, 2, 3, 4) suppose implicitement que la distance entre chaque rang est identique. Cette hypothèse est rarement vérifiée. Un écart entre « satisfait » et « très satisfait » n’a aucune raison d’être équivalent à l’écart entre « neutre » et « satisfait ».
Nous observons que les modèles à base d’arbres de décision tolèrent mieux cette approximation que les régressions linéaires, où l’hypothèse de linéarité amplifie le biais.
Données quantitatives discrètes et continues : contraintes de modélisation
Les données quantitatives se divisent en variables discrètes (nombre de commandes, nombre de défauts) et continues (poids, durée, température). Cette distinction a des conséquences directes sur la distribution statistique applicable.
- Une variable discrète suit typiquement une loi de Poisson ou une loi binomiale. Appliquer une régression linéaire standard à un comptage génère des prédictions négatives, ce qui est incohérent. Un modèle de régression de Poisson ou une régression binomiale négative corrigent ce problème.
- Une variable continue se prête aux distributions gaussiennes, log-normales ou de Weibull selon la forme observée. Le choix de la distribution impacte la fiabilité des intervalles de confiance et des tests d’hypothèse.
- Certaines variables se situent en zone grise : un montant en euros est techniquement discret (centimes) mais traité comme continu en modélisation dès lors que la granularité est suffisante par rapport à l’amplitude des valeurs.
La confusion entre discret et continu se manifeste surtout dans les visualisations. Un histogramme avec des bins mal calibrés sur une variable discrète masque la distribution réelle. Nous recommandons un diagramme en barres pour les variables discrètes à faible cardinalité et un histogramme uniquement pour les variables continues.
Données synthétiques et traçabilité : ce que la classification traditionnelle ne couvre pas
Les quatre types de données classiques ne suffisent plus à décrire l’ensemble des jeux de données manipulés dans un contexte d’intelligence artificielle. Les données synthétiques constituent désormais une catégorie opérationnelle distincte. Générées par des modèles pour entraîner ou tester d’autres modèles, elles permettent de réduire certains problèmes de représentativité sans exposer directement des données personnelles réelles.
Leur usage ne dispense pas d’une évaluation rigoureuse. La performance d’un modèle entraîné sur données synthétiques dépend fortement du contexte : les comportements rares ou les cas limites sont souvent mal reproduits par le générateur.
Obligations de traçabilité liées à l’AI Act
L’AI Act européen impose, pour les systèmes d’IA à haut risque, une gouvernance des données d’entraînement, de validation et de test. Les exigences portent sur la pertinence, la représentativité, l’identification des biais et la documentation.
- La provenance de chaque jeu de données doit être documentée, y compris pour les données synthétiques.
- Les données d’entraînement des modèles d’IA sont soumises à des obligations de transparence qui ajoutent une dimension de traçabilité absente des classifications traditionnelles.
- Qualifier un jeu de données par son seul type statistique ne suffit plus : il faut aussi documenter son origine, sa méthode de collecte ou de génération, et ses limites connues.
Cette évolution réglementaire transforme la classification des données d’un exercice purement technique en un enjeu de conformité. Un jeu de données nominales collecté par scraping web et un jeu de données nominales issu d’un formulaire déclaratif n’ont pas le même statut juridique, même si leur traitement statistique est identique.
La distinction entre nominale, ordinale, discrète et continue reste le socle de tout travail analytique. Elle conditionne les tests, les modèles et la fiabilité des résultats. Les obligations de transparence et de documentation imposées par les cadres réglementaires récents ajoutent une couche de gouvernance qui dépasse la seule nature statistique d’une variable. Tout projet data sérieux documente ces deux dimensions dès la phase de conception.
