La collecte de données consiste à rassembler des informations provenant de diverses sources. Enquêtes, capteurs, journaux web, historiques de transactions, réseaux sociaux et bases de données publiques alimentent ce processus. La méthode employée influence les données. Une enquête comportant des questions orientées produit des réponses biaisées. Un capteur dont l'étalonnage est défectueux génère des mesures inexactes. Un outil d'extraction de données web qui ignore les limitations de débit est bloqué. La collecte n'est pas neutre. Chaque choix a un impact sur les informations recueillies.

La première question à se poser est : de quoi avez-vous besoin et pourquoi ? Collecter toutes les données est tentant, mais généralement source de gaspillage. Le stockage, le traitement et le nettoyage des données ont un coût. Les données inutilisées constituent un fardeau, et non un atout. La deuxième question est : comment les collecter de manière éthique et légale ? Le consentement est essentiel. Les lois sur la protection des données, comme le RGPD, exigent une base légale pour la collecte de données personnelles. Les conditions d’utilisation de nombreuses plateformes interdisent le web scraping. La troisième question concerne la qualité. La source est-elle fiable ? L’échantillon est-il représentatif ? Présente-t-il des lacunes ? Une collecte sans contrôle qualité produit des jeux de données qui s’avéreront inutilisables par la suite. Le meilleur moment pour détecter un problème est avant que les données n’entrent dans le processus de traitement, et non après la construction d’un modèle.

Méthodes de collecte

• Sondages — questions structurées, sujettes aux biais de réponse
• Capteurs — automatisés, continus, sensibles à l'étalonnage
• Le web scraping (extraction de données publiques) est soumis à des limites légales.
• Journaux de transactions — enregistrent automatiquement le comportement des utilisateurs
• Documents publics — sources de données gouvernementales et ouvertes

La collecte de données est un choix de conception. Ce que vous collectez détermine ce que vous pouvez apprendre. Ce que vous ne collectez pas détermine ce que vous ne saurez jamais.