Ma grand-mère était une analyste de données ; elle ne le savait tout simplement pas

Ma mamie, comme je l'appelle affectueusement, n'a jamais eu d'ordinateur portable. Elle n'a jamais touché à un tableur. Elle n'aurait pas pu vous dire ce que signifiait SQL, et pourtant elle pouvait regarder un bol de haricots, le temps qu'il faisait dehors, et le bruit du marché trois rues plus loin... et vous dire exactement combien vendre, économiser ou cuisiner.

\ Elle gérait sa maison avec précision. Gérait les ressources avec intuition. Faisait des prédictions sans aucun "modèle" mais avec sa mémoire, ses sens et des années d'expérience.

\ Avec le recul, je réalise quelque chose d'étrange : ma grand-mère était une analyste de données — sans jamais le savoir.

\ Elle n'avait pas de tableaux de bord, mais elle avait du contexte

En grandissant, je l'ai vue prendre des notes mentales en temps réel :

• Le prix des tomates a augmenté. Cela signifie que les pluies étaient en retard.
• La voisine vient deux fois cette semaine. Cela signifie qu'un mariage approche, c'est le moment d'acheter du riz avant que les prix ne grimpent.
• Les poules sont plus silencieuses que d'habitude ? La pluie arrive bientôt. Mieux vaut ne pas étendre le linge dehors.

Elle n'appelait pas cela "analyse de signaux" ou "prévision de tendances". Elle appelait cela vivre les yeux ouverts. \n Mais ne vous y trompez pas : elle lisait des modèles, identifiait des variables et ajustait ses décisions, tout cela en temps réel.

\ Ses outils étaient des conversations, pas du code

Là où nous nous appuyons maintenant sur des API et des tableaux de bord, elle s'appuyait sur la conversation.

Les promenades matinales n'étaient pas seulement pour l'exercice ; c'étaient ses tournées de collecte de données. Elle saluait le vendeur de poivrons, échangeait rapidement des nouvelles avec le boucher, et observait qui avait ouvert sa boutique tôt et qui ne l'avait pas fait.

Elle a construit et maintenu un réseau de données humain bien avant que les graphes sociaux et LinkedIn n'existent. \n Et quand venait le moment de prendre des décisions, qu'il s'agisse d'économiser de l'argent, de planifier des repas ou de se préparer à recevoir des invités, elle faisait ce que fait tout bon analyste : elle triangulait les histoires, filtrait le bruit et cherchait la vérité dans les modèles.

Je me souviens qu'elle m'envoyait au marché quand j'étais enfant, liste en main, pièces en poche. Elle me donnait le prix exact de chaque article, souvent jusqu'au dernier centime. Et si je revenais avec moins de monnaie, elle n'hésitait pas à prendre la liste et à aller réclamer son dû, non pas avec colère, mais avec une confiance fondée sur des données ; tout le monde savait que j'étais sa petite-fille, et ils avaient intérêt à ne pas me chercher des ennuis.

Dix ans plus tard : elle avait toujours cette même liste d'il y a vingt ans, pliée et rangée dans un vieux carnet. Annotée. Ajustée. Suivie. Ce n'était pas juste de la nostalgie ; c'était son ensemble de données vivant, un enregistrement des modèles économiques, des changements saisonniers et des comportements des vendeurs.

Elle n'appelait pas cela un ensemble de données. Mais c'est exactement ce que c'était ; elle appelait cela le suivi des prix.

\ Des probabilités, pas des certitudes

Rien n'était exact. Mais ce n'était pas nécessaire.

Quand elle disait : "Nous n'aurons peut-être pas de visiteurs aujourd'hui, mais laissez-moi cuisiner un peu plus au cas où", elle calculait la tolérance au risque. \n Quand elle insistait pour acheter du bois de chauffage avant que l'harmattan n'arrive complètement, elle modélisait un comportement saisonnier.

Ce n'étaient pas des suppositions aléatoires. C'étaient des décisions basées sur des hypothèses soutenues par des données vécues, éprouvées par le temps, profondément locales et constamment mises à jour.

Elle n'avait peut-être pas d'intervalles de confiance, mais elle avait une confiance acquise grâce à des boucles de rétroaction qui lui disaient quand elle avait raison et l'humiliaient quand elle avait tort.

\ Ce que le monde moderne pourrait apprendre d'elle

Nous vivons à une époque de tableaux de bord, de métriques et de modèles d'apprentissage automatique qui prédisent tout, de la perte de clients aux épidémies de grippe.

Mais souvent, dans la course à plus de données, nous oublions le pouvoir de connaître profondément son environnement, d'écouter avant de calculer, et de l'intelligence contextuelle qui ne peut pas être extraite du web.

La façon de travailler de ma grand-mère me rappelle que l'analyse des données n'est pas toujours numérique. Elle est d'abord humaine.

Elle m'apprend que les bons analystes ne se contentent pas de traiter des chiffres, ils comprennent les gens. Ils lisent le silence. Ils savent quand les données semblent correctes, mais que quelque chose ne va toujours pas.

Ils font confiance à leurs outils, mais ils font aussi confiance à leur instinct.

\ L'héritage d'une analyste non technique

Maintenant, en tant que personne qui travaille quotidiennement avec l'apprentissage automatique, l'automatisation et l'intelligence artificielle, je me pose la question :

Que penserait ma grand-mère de l'analyse prédictive ? \n Ferait-elle confiance à un tableau de bord pour lui dire combien dépenser ? \n Laisserait-elle un modèle d'IA déterminer quand planter ou vendre ?

Peut-être. Mais seulement s'il faisait ses preuves.

Elle ne se soucierait pas des scores de précision ou des courbes ROC. Elle voudrait savoir : \n "S'est-il déjà trompé ?" \n "Comprend-il cette terre ?" \n "Peut-il s'expliquer ?"

Et si ce n'était pas le cas, elle le jetterait. Parce qu'au final, les outils ne valent que par les personnes qui les utilisent et la sagesse qu'elles apportent.

\ Réflexion finale : Nous avons toujours été des analystes

La science des données n'est pas nouvelle. Elle vient juste d'être nommée. \n Dans les marchés, dans les cuisines, dans l'agriculture, dans l'éducation des enfants, nous avons toujours été guidés par les données. Nous appelions simplement cela l'expérience.

Alors, voici pour les analystes cachés : \n Les grands-mères, les marchands, les enseignants et les agriculteurs qui lisaient des modèles, faisaient des prédictions, ajustaient des stratégies et nous transmettaient les instincts que nous modélisons maintenant en code.

Mes algorithmes sont formés sur des ensembles de données. \n Mais j'ai été formé par elle.