Data Science Artisanale
Applications pédagogiques : quatre terrains pour apprendre à modéliser la complexité
La méthode présentée sur ce site ne vise pas à construire une théorie abstraite des systèmes complexes. Elle cherche à montrer comment une même démarche peut être appliquée à des situations concrètes, très différentes en apparence, mais traversées par des structures communes : régimes, mémoire, fluctuations, transitions, compétition, propagation, seuils et fragilités.
Les quatre applications proposées ici ont une fonction pédagogique. Elles ne sont pas choisies seulement pour leur intérêt technique, mais parce qu’elles illustrent chacune un aspect essentiel de la méthode.
Le CAC 40 permet d’introduire la notion de série temporelle complexe, de régime de marché, de mémoire longue, de volatilité et de potentiel effectif.
Le fouillis de mer radar montre comment un signal physique apparemment bruité peut être compris comme la trace d’une surface fractale, intermittente et multi-échelle.
Les modèles de compétition permettent de relier plusieurs familles de modèles — attracteurs de magasins, Lotka-Volterra, théorie des jeux — autour d’une même question : comment des acteurs en interaction convergent-ils vers des équilibres ou des régimes de dominance ?
La gestion de projet permet enfin de transposer la démarche à un système organisationnel : un projet devient un système complexe sous contrainte, traversé par des tensions, des retards, des dépendances et des risques de basculement.
Ces quatre exemples montrent que la physique de la complexité n’est pas enfermée dans un domaine particulier. Elle fournit une grammaire pour lire les systèmes réels à partir de leurs données.
Découvrir les 4 méthodes
Cac 40
Le clutter de mer
Les modèles de compétition
La gestion de projet
Lecture transversale des quatre applications
|
Application
|
Données observées
|
Phénomène dominant
|
Variable réduite
|
Modèle possible
|
Ce que l’on interprète
|
|---|---|---|---|---|---|
|
CAC 40
|
Série temporelle financière
|
Régimes, volatilité, mémoire, crises
|
Log-prix centré, volatilité lente
|
Potentiel + mémoire + bruit
|
Régimes de marché, crises, transitions
|
|
Clutter de mer
|
Signal radar complexe
|
Intermittence, queues lourdes, multi-échelle
|
Texture, pente latente, amplitude
|
Speckle × texture, surface fractale
|
Glints, masquage, Doppler, états de mer
|
|
Modèles de compétition
|
Parts, populations, fréquentations, stratégies
|
Concurrence, convergence, équilibre
|
Vecteur d’état, parts relatives
|
Lotka-Volterra, jeux, attracteurs
|
Équilibres, dominance, coexistence
|
|
Gestion de projet
|
Indicateurs projet, risques, retards
|
Tension, propagation, saturation
|
Tension projet, rapport S/R
|
Potentiel, diffusion/réaction, mémoire
|
Seuils, dérives, résilience, décisions
|
Conclusion
Ces quatre applications montrent que la méthode n’est pas liée à un seul domaine. Elle peut s’appliquer à un marché financier, à un signal radar, à des modèles de compétition ou à un projet industriel, parce qu’elle ne part pas d’une technique particulière, mais d’un processus de raisonnement.
Dans chaque cas, les données sont considérées comme les traces d’un système complexe. L’objectif n’est pas seulement de prédire, mais de comprendre ce qui organise les comportements observés.
Le CAC 40 montre comment lire les régimes et la mémoire d’un système collectif.
Le clutter de mer montre comment relier un signal non gaussien à une géométrie physique fractale.
Les modèles de compétition montrent comment unifier des dynamiques d’acteurs autour de la notion d’équilibre.
La gestion de projet montre comment appliquer ces outils à un système organisationnel sous contrainte.
Ces exemples ont donc une fonction pédagogique : ils montrent comment passer d’une data science des données à une data science des systèmes.
Ils illustrent la finalité de la méthode :
transformer des données complexes en modèles réduits, interprétables et transmissibles.