J’ai toujours été curieux de comprendre comment fonctionne le monde qui m’entoure.
Pourquoi les individus prennent-ils certaines décisions plutôt que d’autres ? Comment des milliers de comportements individuels finissent-ils par produire des phénomènes collectifs ? Pourquoi certaines politiques fonctionnent-elles, tandis que d’autres produisent des effets inattendus ?
Et surtout, peut-on mesurer tout ça ?
C’est en grande partie pour répondre à ces questions que je me suis tourné vers l’économie.
Après plusieurs années d’études, une licence, puis un master, je me retrouve pourtant à m’intéresser de plus en plus à un autre domaine : la data science.
Un changement de direction ?
Pas vraiment.
J’ai plutôt l’impression de découvrir de nouveaux outils pour répondre aux questions qui m’intéressent depuis le départ.
Tout a commencé par une envie de comprendre#
Ce qui m’a toujours plu dans l’économie, c’est sa capacité à proposer des explications aux phénomènes de société.
Derrière un prix, un taux de chômage, une décision d’investissement ou un comportement de consommation, il existe des mécanismes que l’on peut essayer de comprendre.
Et puis, il y a les mathématiques.
J’aime l’idée de mettre des chiffres sur des relations réelles. Passer d’une intuition à une hypothèse, construire un modèle, puis confronter celui-ci aux observations.
Non pas parce que les chiffres disent toute la vérité, mais parce qu’ils nous obligent à préciser ce que l’on cherche à comprendre.
J’ai également toujours aimé les simulations.
Définir quelques règles, faire évoluer des paramètres et observer les résultats. C’est une manière assez fascinante d’explorer un système sans prétendre reproduire parfaitement la réalité.
La théorie des jeux m’intéresse particulièrement.
Prenons le célèbre dilemme du prisonnier : deux individus peuvent prendre des décisions rationnelles de leur propre point de vue et aboutir, ensemble, à un résultat qui n’est optimal pour aucun des deux.
Il y a quelque chose de passionnant dans cette contradiction.
Une décision individuelle peut sembler parfaitement logique sans produire un bon résultat collectif.
Et ce raisonnement dépasse largement l’économie. On le retrouve dans la coopération, les négociations, la concurrence et jusque dans certaines décisions de notre quotidien.
C’est cet univers que j’avais envie d’explorer en choisissant mes études.
L’université : beaucoup de découvertes, quelques interrogations#
J’ai commencé par une licence d’économie à l’Université de Bourgogne, avant de poursuivre avec un master d’économie comportementale et décisionnelle à l’Université de Montpellier.
Ces années m’ont apporté beaucoup.
La microéconomie, la macroéconomie, les probabilités, les statistiques, l’économétrie, l’optimisation, la théorie des jeux… Autant de matières qui proposent différentes façons d’étudier le monde.
J’ai particulièrement apprécié l’économétrie, cette rencontre entre théorie économique, mathématiques et statistiques qui permet de confronter des hypothèses aux données.
C’était exactement ce que je recherchais : ne pas s’arrêter à une explication théorique, mais essayer de la vérifier.
Pour mon mémoire de master, je me suis par exemple intéressé à une question assez quotidienne : l’utilisation du smartphone est-elle associée à davantage d’impatience ?
Un sujet à la croisée de l’économie comportementale et de la statistique.
À partir de données recueillies par questionnaire, j’ai cherché à identifier et à quantifier certaines relations entre comportements déclarés et indicateurs d’impatience.
Ce travail m’a notamment rappelé une distinction fondamentale : observer une association statistique ne signifie pas avoir démontré une relation de cause à effet.
Un coefficient peut être significatif sans raconter toute l’histoire.
C’est précisément ce regard critique que j’apprécie dans ma formation.
Mais parallèlement à cet intérêt, certaines interrogations sont apparues.
Que fait-on réellement, professionnellement, avec une formation d’économiste ?
La question peut sembler étrange tant l’économie intervient dans de nombreux domaines.
Pourtant, entre les connaissances acquises à l’université et les métiers auxquels elles donnent accès, le chemin n’est pas toujours évident.
On peut travailler dans la finance, le conseil, l’évaluation, les études économiques ou l’analyse de données. Mais accéder à certains postes, notamment ceux d’économiste au sens strict, peut demander une spécialisation supplémentaire ou un parcours académique différent.
Je me suis parfois demandé si j’aurais dû tenter une grande école, HEC par exemple, plutôt que de suivre exclusivement un parcours universitaire.
Aurais-je eu accès à d’autres opportunités ? Sans doute à certaines. Aurais-je préféré cette formation ? Je n’en sais rien.
Ce sont des questions légitimes lorsqu’on commence à réfléchir à son avenir professionnel.
Mais je ne regrette pas mon choix.
L’université m’a donné une base intellectuelle que je considère comme précieuse. Elle m’a appris à construire un raisonnement, à questionner des hypothèses et à me méfier des conclusions trop rapides.
En revanche, je commence à comprendre qu’il me manque certaines compétences pour exploiter pleinement ces connaissances.
Et notamment sur un point : l’informatique.
Quand l’économie rencontre la data science#
Sur le papier, un problème statistique peut être relativement élégant.
On dispose de variables, d’observations, d’un modèle et d’une question à résoudre.
Dans la pratique, c’est rarement aussi simple.
Les données peuvent manquer, être incohérentes, mal renseignées ou réparties entre plusieurs sources. Avant même de commencer une analyse, il faut parfois consacrer beaucoup de temps à les rendre exploitables.
Et une fois le modèle construit, encore faut-il pouvoir reproduire les résultats, automatiser les traitements ou les présenter de manière compréhensible.
Durant mes études, j’ai déjà travaillé avec R et SAS. Ces outils m’ont permis de réaliser des analyses statistiques, d’estimer des modèles et d’explorer des données.
Mais j’ai envie d’aller plus loin.
Apprendre à programmer davantage, manipuler des bases de données, automatiser des traitements et découvrir d’autres méthodes statistiques et algorithmiques.
C’est là que la data science prend tout son intérêt à mes yeux.
Le machine learning, par exemple, ouvre de nouvelles possibilités pour explorer des relations complexes, comparer des modèles et résoudre des problèmes de prédiction.
Mais je ne vois pas ces méthodes comme un remplacement de l’économétrie.
Selon la question posée, on peut chercher à expliquer un mécanisme, estimer un effet causal, prédire un résultat ou simuler un comportement.
Ces démarches ne sont pas interchangeables.
Un modèle capable de prédire correctement le comportement d’un consommateur ne nous explique pas nécessairement pourquoi il agit ainsi, ni comment il réagirait si l’on modifiait les conditions de son choix.
Et inversement, un modèle économique peut aider à comprendre un mécanisme sans être le meilleur outil de prédiction.
C’est précisément cette complémentarité qui m’intéresse.
Pourquoi choisir entre l’économie et la data science lorsqu’on peut apprendre à faire travailler les deux ensemble ?
Économiste et data scientist : une double compétence à construire#
En explorant cette idée, je suis tombé sur un article publié en mars 2019 dans Variances, la revue des anciens élèves de l’ENSAE.
Son titre m’a immédiatement interpellé : La famille des Data Scientists s’agrandit : bienvenue au data scientist économiste !
Les auteurs, Romain Aeberhardt et Philippe Février, y évoquent notamment le profil de data strategist.
Derrière cette expression, une idée assez simple : associer la maîtrise des outils quantitatifs et des données à une compréhension des mécanismes économiques et des enjeux stratégiques.
Ce qui me plaît dans cette approche, c’est qu’elle dépasse la simple question des algorithmes.
Savoir entraîner un modèle est une chose. Comprendre le problème auquel il doit répondre en est une autre.
Prenons une entreprise qui souhaite anticiper la demande pour ses produits.
On peut développer un modèle prédictif à partir de ses ventes historiques. Mais que se passera-t-il si elle modifie ses prix ? Si un concurrent entre sur le marché ? Si les comportements des consommateurs évoluent ?
Il devient alors intéressant de mobiliser à la fois les outils prédictifs et les raisonnements économiques.
Cette complémentarité me semble particulièrement prometteuse.
Je remarque également que les formations commencent à faire davantage de place à ces croisements entre économie, statistiques, informatique et machine learning. L’ENSAE en est une illustration, avec des enseignements associant ces disciplines.
Cela ne signifie pas que tous les économistes doivent devenir data scientists, ni que cette double compétence garantit un emploi.
Mais j’y vois un signal encourageant : les frontières entre ces domaines ne sont pas aussi rigides qu’on pourrait le penser.
Et finalement, je me reconnais assez bien dans cette idée de profil hybride.
Et maintenant, par où commencer ?#
J’ai donc envie de poursuivre dans cette direction.
Pas pour tourner la page de mes études d’économie, mais pour compléter ce que j’y ai appris.
La première étape sera de renforcer mes compétences en programmation, notamment avec Python et SQL. Je veux pouvoir travailler plus librement avec les données, automatiser mes analyses et ne pas dépendre uniquement des outils statistiques que je connais déjà.
J’aimerais aussi approfondir le machine learning, comprendre les méthodes au-delà de leur simple utilisation et apprendre à comparer leurs performances avec rigueur.
Enfin, je souhaite être capable de mener une analyse de bout en bout : partir d’une question, trouver les données nécessaires, les préparer, choisir une méthode adaptée et produire des résultats réellement exploitables.
Je veux également conserver une place pour les sujets qui m’ont initialement attiré vers l’économie : la modélisation des comportements, les mécanismes de décision, la théorie des jeux et les simulations.
Car au fond, ce sont toujours les mêmes questions qui m’intéressent.
Comment comprendre un phénomène ? Comment le quantifier ? Comment tester une hypothèse ? Et jusqu’où peut-on faire confiance à nos modèles ?
Je ne sais pas encore précisément vers quels métiers ou quels projets cette orientation me conduira.
Et ce n’est pas très grave.
J’ai encore beaucoup de choses à apprendre, des méthodes à découvrir et des expériences à mener.
Avec le recul sur mes études, je suis surtout content d’avoir choisi une discipline qui m’a donné envie de continuer à poser des questions.
La data science semble aujourd’hui m’offrir de nouvelles façons d’y répondre.
Finalement, je ne quitte pas vraiment l’économie. J’essaie simplement d’élargir ce que je peux en faire.
Article initialement publié en août 2020, puis réécrit en novembre 2026 pour mieux restituer mes réflexions et mes ambitions de l’époque.
