Biais de mesure

Maîtriser les biais de données

Konstantinos Kattidis

Data Analytics Lead

Comprendre le biais de mesure

Survient lorsque la procédure de mesure introduit des distorsions ou des résultats trompeurs

Principaux types de biais :

  • Biais d’instrument
  • Biais d’observateur
  • Biais de rappel
  • Biais de désirabilité sociale

 

Personne mesurant un histogramme

Maîtriser les biais de données

Biais d’instrument

Survient lorsque les outils de mesure (enquêtes, logiciels d’analytics) introduisent des inexactitudes

  • Par exemple :
    • Un logiciel d’analytics n’enregistre pas correctement certains comportements ou attributs d’utilisateurs
    • Des questions d’enquête mal conçues biaisent les réponses

Personnes menant une enquête et mesurant

Maîtriser les biais de données

Biais d’observateur

Écart systématique entre ce que l’on observe (selon l’observateur) et la valeur réelle

  • Survient lorsque les collecteurs de données apportent leurs biais ou attentes

  • Par exemple :

    • Des chercheurs observent une classe avec des idées préconçues de « l’engagement »
    • Biais personnels dans les évaluations de performance

Personne observant la performance d’un employé

Maîtriser les biais de données

Biais de rappel

Personnes se remémorant

Survient lorsque les participants se rappellent mal des événements passés, ce qui nuit à la fiabilité des données

  • Fréquent quand des clients évaluent des expériences passées ou des préférences
  • Peut venir d’oubli, d’altération de la mémoire ou d’influences externes
Maîtriser les biais de données

Biais de désirabilité sociale

Deux personnes recherchant la désirabilité sociale

Survient lorsque les répondants donnent des réponses socialement acceptables plutôt que véridiques

  • Dans les enquêtes de satisfaction, ils peuvent exagérer le positif pour ne pas paraître critiques
  • Dans les enquêtes internes, ils peuvent gonfler leurs notes pour soigner leur image
Maîtriser les biais de données

Impact du biais de mesure

Flux avec entrées et sorties incorrectes

  • Illustre le principe « garbage in, garbage out »
  • Des méthodes de mesure imprécises produisent des données d’entrée biaisées
  • Cela mène à des sorties peu fiables et à de mauvaises décisions
Maîtriser les biais de données

Passons à la pratique !

Maîtriser les biais de données

Preparing Video For Download...