Notre glossaire, méticuleusement élaboré, est votre boussole dans l’univers complexe et dynamique du marketing, de la communication et du digital. Ici, chaque terme est une clé que nous vous aidons à décrypter pour vous ouvrir a des concepts innovants et des stratégies éprouvées. Plongez dans nos thématiques pour éclairer votre chemin vers l’excellence et la créativité.
Un dataset, ou jeu de données, est un ensemble organisé de données réunies dans un but précis, utilisé notamment pour entraîner, valider ou tester un modèle d’intelligence artificielle et pour en mesurer la performance.
Un dataset se compose d’observations, par exemple des clients, des messages ou des images. Chaque observation est décrite par des attributs, ou variables, et parfois par une étiquette qui indique la réponse attendue. Des métadonnées précisent l’origine, la période et le mode de collecte. Il peut être constitué de textes, d’images, de sons, de vidéos ou de données numériques selon le domaine d’application. Ses sources possibles sont la collecte directe, l’open data, l’achat auprès de tiers, la génération de données synthétiques ou l’annotation manuelle.
Pour un projet d’apprentissage automatique, le dataset est en général divisé en trois sous-ensembles. Les données d’entraînement servent à ajuster les paramètres du modèle. Selon le règlement européen sur l’IA, les données de validation servent à évaluer le système entraîné et à régler ses paramètres non entraînables, notamment pour prévenir le sous-apprentissage ou le surapprentissage. Les données de test fournissent une évaluation indépendante, qui confirme la performance attendue avant la mise en service.
Le dataset se distingue du corpus d’entraînement, qui n’en désigne que la partie servant à l’apprentissage. Il se distingue aussi d’une base de données, outil de stockage et de gestion permanent : un dataset en est souvent un extrait figé, préparé pour un usage et identifié par une version. En marketing, il alimente le scoring prédictif, la segmentation, la prévision des ventes ou la comparaison de solutions d’IA proposées par des fournisseurs.
La qualité du dataset détermine la qualité du modèle, mais son découpage détermine la fiabilité de la mesure. Un découpage aléatoire convient lorsque les observations sont indépendantes et que l’avenir ressemble au passé. Pour un modèle qui prédit un comportement futur, nous recommandons un découpage dans le temps : entraîner sur une période, tester sur la suivante. C’est la façon la plus fidèle de reproduire la situation réelle d’utilisation. Le même principe vaut pour les clients : un client présent dans les deux sous-ensembles fait paraître le modèle meilleur qu’il ne l’est.
Pour les systèmes à haut risque, le règlement (UE) 2024/1689 impose que les jeux de données d’entraînement, de validation et de test soient pertinents et suffisamment représentatifs (article 10). Ils doivent aussi être, dans toute la mesure du possible, exempts d’erreurs et complets au regard de la finalité. Ils doivent enfin présenter des propriétés statistiques appropriées, y compris à l’égard des personnes ou des groupes concernés. Hors haut risque, nous recommandons de reprendre ces critères comme cahier des charges. Le RGPD s’applique dès que le dataset contient des données personnelles. La CNIL a finalisé en juillet 2025 des recommandations sur l’annotation des données d’entraînement, qu’elle juge déterminante pour la qualité du modèle.
Un dataset sans documentation devient vite inutilisable : personne ne sait plus d’où viennent les données ni ce qu’elles excluent. La proposition « Datasheets for Datasets » (Gebru et al., 2018) recommande d’accompagner chaque jeu de données d’une fiche qui décrit sa motivation, sa composition, son processus de collecte et ses usages recommandés. Nous recommandons d’y ajouter un numéro de version et la date de gel des données.
Advalians repère avec vous les cas d’usage de l’IA à forte valeur, puis organise un déploiement progressif, avec des tests mesurables à chaque étape.
Une base de données stocke et met à jour des informations en continu ; un dataset est un ensemble figé, préparé pour une analyse ou l’entraînement d’un modèle. La base de données sert l’activité courante : commandes, contacts, stocks. Le dataset en est souvent un extrait, nettoyé, enrichi de variables calculées et parfois d’étiquettes.
Règle pratique : donnez à chaque dataset un numéro de version et une date de gel. Vous pourrez ainsi reproduire un résultat ou comparer deux modèles sur exactement les mêmes données, même si la base a évolué depuis.
Réservez la plus grande part à l’entraînement et deux parts plus petites, de taille comparable, à la validation et au test. À titre indicatif, une répartition de 70, 15 et 15 % est courante, à adapter au volume disponible.
Le mode de découpage compte davantage que les proportions. Pour un modèle qui prédit le futur, découpez dans le temps. Pour des clients observés plusieurs fois, placez toutes les observations d’un même client dans un seul sous-ensemble. Isolez le jeu de test dès le départ et ne le consultez qu’à la fin.
Contrôlez la complétude, la cohérence et la représentativité avant tout entraînement. Mesurez le taux de valeurs manquantes par variable et le taux de doublons. Comparez la répartition des observations à celle de la population visée, par exemple par région, par âge ou par canal.
Si le dataset est étiqueté, faites annoter un même échantillon par deux personnes et mesurez leur taux d’accord. Un accord faible signale des consignes d’annotation floues. Consignez ces résultats dans la fiche de documentation du dataset.
La plus grave est la fuite d’information : le modèle a accès, pendant l’entraînement, à une information qu’il n’aura pas en situation réelle. Cela arrive quand une variable est calculée après l’événement à prédire, ou quand des observations du test figurent aussi dans l’entraînement.
Autre erreur : choisir le modèle en consultant le jeu de test à chaque essai. Le score final devient optimiste. Pour vous en prémunir, vérifiez la date de chaque variable et contrôlez l’absence de doublons entre sous-ensembles.
Constituez le vôtre lorsque la tâche porte sur vos clients, vos produits ou vos contenus : aucun jeu externe ne les reflète fidèlement. Un dataset externe se justifie pour une tâche générique, pour enrichir vos données ou pour démarrer avant d’avoir un historique suffisant.
Avant tout achat, vérifiez l’origine des données, la licence et les usages autorisés, la date de collecte et la base légale si des données personnelles sont incluses. Testez ensuite un échantillon sur votre propre cas avant de vous engager.
Par Thomas Bizot – Président du cabinet Advalians
