Prédire ou prévoir ?

Nous avons tendance à confondre « prédire » (« predict » en anglais) et prévoir (« forecast ») . Prédire relève de l’augure au sens antique du terme et de l’intuition. Prévoir est plus basé sur le calcul, l’anticipation et a une base plus factuelle, plus expérimentale. Ceux qui ont lu le livre de Michael Lewis, « Moneyball » ou vu le film qui en a été tiré « Le stratège »  avec Brad Pitt ont découvert le rôle des statistiques dans le monde du sport. Issu d’un fait réel, l’entraîneur d’une équipe de baseball a conduit au succès une équipe sans grands moyens financiers en choisissant des joueurs peu connus sur la base de calculs statistiques. 

Quelques années plus tard, un statisticien américain, Nate Silver, a sorti un livre, « The signal and the noise » qui étend cette utilisation à de nombreux autres domaines. Même si le livre date maintenant d’une douzaine d’années,  sa lecture est toujours d’actualité pour celui qui veut prévoir plutôt que prédire… avec son doigt mouillé. 

Que nous dit-il ? 

D’abord que nous avons encore beaucoup de chemins à faire pour améliorer nos prévisions. Nous vivons au milieu d’un trop plein d’informations et nous avons tendance à confondre les informations pertinentes  (le signal) des bruits de fond inutile, avec tous les biais associés. 

Ensuite, nous utilisons ces informations de manière fragmentaire, sans donner trop de détails, ce qui rend difficile l’analyse. Ainsi dire lors de sondages d’opinion que la cote de telle personne a baissé ou monté sans indiquer l’intervalle de confiance permet de dire n’importe quoi. La qualité des données doit primer sur la quantité. 

De plus, il nous invite à beaucoup d’humilité. Même les experts sur des sujets maîtrisés peuvent se tromper. Les sondeurs sur les élections politiques en savent quelque chose. 

 Enfin, il recommande d’utiliser des méthodes de probabilités comme les méthodes bayésiennes, pour sans cesse améliorer ses prévisions et ne pas s’en tenir aux premières conclusions. 

Je ne cache pas que c’est un livre long (450 pages), difficile pour ceux qui ne sont pas statisticien (c’est mon cas), mais il reste néanmoins d’actualité pour mieux comprendre les analyses d’aujourd’hui et leurs erreurs. 

Pour ceux qui voudraient aller plus loin,  je suggère « Factfulness, penser clairement cela s’apprend » d’Hans Rosling (Flammarion, 2019)  ou « Superforecasting, comment être visionnaire » de Philip E. Tetlock (Les Arènes, 2020)