Note : 6 ; Aller au fond du « data sense making ».

Stephen Few n’aime pas le terme « Data Scientist ». Il lui préfère le terme « Data sensemaker ». Et pour donner du sens aux données, il faut certes un socle de connaissances, mais aussi et surtout une culture, une démarche et des « soft skills » qui s’avèrent indispensables. C’est de cela qu’il est question dans cet ouvrage, qui est en quelque sorte le « pragmatic programmer » du Data Sensemaker.

L’ouvrage est court : il ne compte que 120 pages découpés en 7 chapitres. Le premier compte une dizaine de pages et sert d’introduction pour aboutir à la notion de sensemaker. Elle n’est pas franchement passionnante, cette introduction. Heureusement, le reste du texte est mieux !

Les deux fondamentaux que nous assène l’auteur sont la pensée critique et la démarche scientifique, sur lesquels le reste du livre est construit. Le second chapitre est dédié à la pensée critique. C’est un chapitre qui fait force référence à Kahneman, mais surtout aux biais cognitifs et autres erreurs et illusions. Chacune d’entre elle est expliquée et souvent illustrée dans le cadre du sensemaking. Un chapitre très solide. Bien sûr, c’est à la démarche scientifique qu’est consacré le chapitre 3. C’est une démarche empirique, basée sur l’infirmation d’hypothèses, la transparence et la relecture de pairs. Une approche qui se décline très bien sur le travail sur la donnée comme le démontre l’auteur.

Sur ces deux piliers, Stephen Few nous propose de questionner la data, sujet du chapitre 4. Est-elle à propos ? Quelle est la fiabilité de sa source ? Quelle est sa précision ou le contexte de son obtention ? Ce ne sont pas moins de 11 questions fondamentales que l’auteur nous propose d’approfondir. Car avant de chercher à la donnée, il faut la comprendre et la connaitre pour en jauger la pertinence. S’il s’agit de questions simples, l’auteur souligne qu’elles ne sont pas souvent posées de manière systématique. Pour faire écho à ce propos, le chapitre 5, « mesurer judicieusement » s’attache à définir ce qu’est une mesure représentant effectivement le problème posé. Un propos qui reprend celui de Douglas Hubbard dans « How to measure anything ». La seconde partie du chapitre attire notre regard sur la nature même d’une mesure, en ne confondant pas moyenne et médiane, par exemple. Ou encore en prenant en compte la courbe de distribution. Bref, on y attaque quelques notions assez sérieuses même si finalement elles semblent assez élémentaires.

La chapitre 6 a une tonalité différente : il évoque la nécessité de faire évoluer nos habitudes de réflexion. Ne pas se laisser distraire et penser en flux, donc pouvoir s’isoler et n’âtre pas déranger vient en tête. L’auteur défend l’idée de pouvoir prendre son temps et de « pouvoir dormir dessus » afin de faire fonctionner notre pensée « système 2 ». D’ailleurs il nous signale au passage que l’on ne dort pas assez. Prendre des notes afin de partager nos réflexions arrive aussi en bonne position. Ce sont finalement des habitudes de vie plus que des habitudes de pensée dont il est question. Enfin le dernier chapitre est dédié à la « sensemaking culture », avec des valeurs telles que : se concentrer sur la substance, exprimer l’incertitude et questionner correctement les données. C’est en quelque sorte l’aboutissement des chapitres précédents, construit sur la penser scientifique et la pensée critique, mais aussi sur les habitudes de réflexions que l’auteur nous a partagé.

Perplexe au début de ma lecture, j’ai finalement apprécié l’invitation de l’auteur au voyage initiatique pour devenir un vrai (sinon un bon) Data Sensemaker. Une lecture qui pourra être révélatrice à nombre de candidats data scientists. En fait, elle devrait faire partie de leur cursus.

Référence complète : The Data Loom – Stephen Few – Analytics Press 2019 – ISBN: 978 1 938377 11 2