Techniques de data mining pour le journalisme

Le terme de fouille de données, ou data mining, désigne l’ensemble des méthodes qui servent à extraire du sens d’un gros volume de chiffres. Dans un contexte scientifique ou commercial, il évoque des algorithmes complexes. Pour un journaliste, les techniques de data mining pour le journalisme se jouent à un niveau plus accessible : savoir explorer un fichier, repérer une tendance, isoler une anomalie, sans se laisser piéger par de fausses évidences. Ces réflexes s’apprennent et font toute la différence entre une enquête solide et un article trompeur.

Explorer avant d’analyser

La première technique est la plus simple et la plus négligée : regarder ses données avant de calculer quoi que ce soit. Trier une colonne du plus grand au plus petit, compter les valeurs distinctes, repérer les cellules vides. Cette exploration initiale révèle la forme du jeu de données, ses trous et ses surprises, avant même qu’on formule une hypothèse.

Un tableau croisé qui regroupe et compte les lignes est ici l’outil roi. Il montre d’un coup d’œil les catégories dominantes et les cas rares. C’est souvent lors de cette phase qu’on trouve le vrai sujet, celui qu’on n’attendait pas, caché dans une catégorie surreprésentée ou une valeur étonnamment élevée.

Repérer les tendances et les ruptures

Une grande partie du travail consiste à comparer dans le temps ou dans l’espace. Une dépense qui augmente d’année en année, un taux qui s’écarte de la moyenne nationale, une commune qui sort du lot de ses voisines : ce sont ces écarts qui font l’information. La technique consiste à établir un point de comparaison pertinent, faute de quoi un chiffre isolé ne veut rien dire.

Attention à la rupture qui n’en est pas une. Une hausse soudaine peut refléter un simple changement de méthode de comptage, pas un phénomène réel. Avant de titrer sur une explosion, on vérifie que la donnée a été collectée de la même façon sur toute la période. Cette vigilance sépare le fait solide de l’illusion statistique.

Un exemple concret aide à voir la manœuvre. Supposons une série d’infractions relevées qui bondit d’une année sur l’autre. Avant d’y lire une flambée de la délinquance, on regarde si le nombre de dispositifs de mesure a changé, si le périmètre géographique a été élargi, ou si une nouvelle catégorie a été ajoutée au décompte. Bien souvent, la « hausse » n’est qu’un effet d’optique dû à un compteur qu’on a modifié. Rapporter le chiffre à une base stable, par exemple pour mille habitants et à périmètre constant, désamorce ce piège avant qu’il n’atterrisse dans un titre.

Le piège de la corrélation

C’est l’erreur la plus destructrice en journalisme de données. Que deux courbes évoluent au même rythme n’établit aucun lien de cause à effet entre elles. Le nombre de coups de soleil et les ventes de glaces augmentent en même temps, mais l’un n’explique évidemment pas l’autre : c’est la chaleur, un troisième facteur, qui agit sur les deux.

Un data journaliste sérieux traque cette confusion en permanence. Face à un lien apparent, il se demande toujours s’il n’existe pas une cause commune cachée, ou si la coïncidence n’est pas le fruit du hasard sur un petit échantillon. Présenter une corrélation comme une causalité, c’est mentir avec des chiffres, et cela ruine la confiance dès qu’un lecteur averti le remarque.

Les valeurs qui trompent

Certaines mesures induisent en erreur si on les prend au pied de la lettre. La moyenne écrase les écarts : dans une population très inégale, elle ne représente personne. On lui préfère parfois la médiane, qui indique la valeur centrale réelle. De même, une valeur aberrante, une donnée extrême due à une erreur de saisie ou à un cas exceptionnel, peut fausser tout un calcul si on ne l’a pas repérée.

Travailler proprement suppose donc de questionner chaque agrégat. D’où vient cette moyenne ? Combien de cas la composent ? Y a-t-il des extrêmes qui la tirent ? Ces questions simples évitent des conclusions fausses présentées avec l’apparence de la rigueur, ce qui est plus dangereux qu’une opinion assumée.

Garder la trace de ses traitements

Une technique souvent oubliée est la traçabilité. Chaque filtre appliqué, chaque ligne écartée, chaque calcul effectué devrait être documenté. Non seulement pour pouvoir refaire le travail, mais pour l’expliquer honnêtement au lecteur et résister à une contestation. Sans trace des traitements, impossible de défendre le chiffre face à une contestation.

Ces techniques n’ont rien de réservé aux experts. Elles constituent l’hygiène de base de tout travail sérieux sur les données. Pour les mettre en pratique dans un projet complet, du choix du sujet à la publication, le guide du data journalisme réunit toutes les étapes, et notre panorama des outils du data journalisme vous indique avec quoi les appliquer concrètement.