Transformer un score : quand l’ordre est conservé et quand il change

Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 15 novembre 2026.

En bref

Une transformation conserve le classement si elle applique la même règle à toutes les notes et maintient chaque note supérieure au-dessus des autres, sans arrondi supplémentaire. Cette propriété se nomme la croissance stricte ; une fonction simplement croissante peut réunir des notes différentes au même niveau. Pour une direction qui utilise le score afin de fixer des priorités, la distinction concerne aussi les dossiers retenus par un seuil. Dans Scoring Without the Engine, prépublication de TW3 Partners déposée sur arXiv le 7 septembre 2026, les auteurs transforment les composantes avant leur somme pondérée ; ces composantes sont plafonnées à 100. L’ordre des opérations devient alors un choix de construction du score. Pour valider une modification, consigner son emplacement dans le calcul et vérifier les décisions obtenues après conversion du seuil.

1. Qu’est-ce qu’une transformation strictement croissante ?

Une transformation strictement croissante désigne une fonction qui préserve chaque comparaison stricte entre les valeurs de son domaine. Si des scores a et b vérifient a < b, leur transformation par la même fonction g vérifie g(a) < g(b). Cette définition fournit le raisonnement : en conservant toutes les comparaisons, on conserve le classement des observations.

Le mot « monotone » demande davantage de précision. Il peut désigner une fonction croissante ou décroissante. Une fonction strictement décroissante inverse le sens des comparaisons ; une fonction croissante au sens large autorise des paliers. Sur un palier, des valeurs initialement distinctes deviennent égales. La conservation de l’ordre strict exige donc une condition plus forte que l’absence de baisse.

Dans son explication publiée par SAS le 3 avril 2023, Rick Wicklin rappelle l’invariance de la corrélation de rang sous transformation croissante. Nous retenons ici l’hypothèse stricte, qui conserve aussi les groupes d’ex æquo existants. Les éventuels arrondis sont une opération supplémentaire à examiner.

La propriété suppose enfin que la même fonction s’applique à toutes les notes comparées. Il faut fixer son domaine et vérifier que chaque valeur y appartient. Pour une racine carrée réelle, ce domaine comprend les valeurs positives ou nulles. Dans un dossier de validation, préciser ce domaine permet de traiter les entrées incompatibles avant le calcul.

2. Que devient une corrélation de rang ?

Une corrélation de rang reste inchangée lorsque la transformation laisse les rangs identiques, à observations et conventions de calcul constantes. La documentation de SciPy sur Spearman, sans date de publication affichée, définit ce coefficient comme une mesure de l’association monotone entre des séries. Son interprétation porte sur leur ordre relatif.

Le raisonnement précédent s’applique directement : appliquer la même fonction strictement croissante aux notes finales conserve leurs comparaisons. Les rangs qui entrent dans le calcul sont donc inchangés. La valeur du coefficient avec une variable de référence reste la même, sous réserve qu’il soit défini.

Cette réserve compte lorsque les valeurs deviennent toutes égales. SciPy indique alors que le coefficient est indéfini et renvoie une valeur manquante. Si un écrêtage crée seulement certains ex æquo, les rangs peuvent déjà changer. Pour les égalités, la documentation SciPy de rankdata, sans date de publication affichée, décrit notamment l’attribution du rang moyen aux valeurs concernées.

La significativité statistique constitue une autre question. SciPy réserve la précision de sa valeur p asymptotique aux très grands échantillons et propose un test de permutation pour les petits échantillons. Pour comparer des versions d’un score, conserver aussi le même traitement des valeurs absentes : l’option d’exclusion proposée par SciPy peut modifier les observations effectivement comparées. Une comparaison documentée indique le coefficient, les égalités et les règles de sélection des données.

3. Pourquoi transformer avant la somme change-t-il le problème ?

Transformer les composantes avant leur somme modifie la façon dont elles contribuent au résultat. Dans la prépublication Scoring Without the Engine, déposée sur arXiv le 7 septembre 2026, TW3 applique une fonction fondée sur la racine carrée à chaque composante, puis calcule une somme pondérée. Les poids sont non négatifs et leur somme vaut un. Le protocole compare aussi des familles d’agrégation linéaire et par quantiles.

Pour expliciter cette distinction, écrivons S = Σ wᵢfᵢ, où fᵢ représente une composante et wᵢ son poids. Une transformation finale donne g(S). Une transformation préalable donne Σ wᵢg(fᵢ). Ces expressions ne sont généralement pas égales. Avec une transformation non linéaire, le second calcul peut dépendre de la répartition des valeurs entre composantes que la somme S avait effacée.

Le papier décrit une fonction concave : à mesure qu’une composante augmente, un même accroissement apporte un supplément transformé plus faible. C’est une propriété de la courbure. La croissance de chaque composante prise séparément ne suffit donc pas à conserver le classement global de profils dont les forces se situent sur des composantes différentes.

Le guide de l’OCDE, de l’Union européenne et du JRC, paru en 2008, explique que les poids expriment des arbitrages dans une agrégation linéaire : un surplus peut compenser un déficit ailleurs. Pour une adaptation métier, TW3 recommande d’expliciter les compensations acceptables avant de choisir la transformation. Cette recommandation adapte au choix d’un score métier la question des compensations exposée dans le guide.

4. Que changent les plafonds et les arrondis ?

Les plafonds et les arrondis peuvent réunir des valeurs différentes et réduire la précision du classement. La documentation de scikit-learn sur QuantileTransformer, sans date de publication affichée, fournit un cas explicite : les nouvelles valeurs situées hors de la plage apprise sont ramenées aux bornes de la distribution de sortie.

Cette règle a une conséquence directe. Plusieurs valeurs distinctes au-dessus de la plage peuvent recevoir la même valeur transformée. La fonction ne permet alors plus de retrouver leur ordre initial à partir de sa seule sortie. Les quantiles de référence et les bornes font donc partie de la définition opérationnelle de la transformation.

Un arrondi final présente une difficulté analogue : il peut effacer un écart. Arrondir les composantes avant de les additionner peut aussi modifier le total autrement qu’un arrondi effectué après la somme. Cette distinction découle de l’ordre des opérations ; elle doit être vérifiée dans l’implémentation utilisée, sans supposer que le nom de la formule suffit.

Pour vérifier le calcul avant sa mise en service, le cabinet propose de conserver côte à côte les valeurs calculées et affichées, en précisant lesquelles commandent le tri. Une note arrondie à l’écran peut rester associée à une valeur de calcul distincte. Documenter cette convention évite qu’un affichage identique soit interprété comme une égalité dans la décision. Si le tri utilise les notes arrondies, prévoir explicitement le traitement des dossiers devenus ex æquo.

5. Faut-il déplacer les seuils de décision ?

Pour conserver les mêmes décisions sous une transformation finale strictement croissante, appliquer aussi cette transformation au seuil. Sous l’hypothèse d’une fonction strictement croissante, la règle S ≥ t équivaut à g(S) ≥ g(t), à condition que le score S et le seuil t appartiennent au domaine. Il s’agit d’une conséquence de la définition de la croissance stricte, avec la même convention d’inclusion de l’égalité.

Conserver le nombre qui servait de seuil dans l’ancienne échelle peut changer les décisions, même si le classement reste identique. Cette modification n’est toutefois pas systématique : la transformation peut laisser le seuil inchangé. Pour vérifier la conversion, comparer les décisions produites, en plus des rangs.

Un palier demande un examen particulier. Si des valeurs situées de part et d’autre du seuil initial reçoivent la même sortie, cette sortie seule ne permet plus de reproduire la séparation. La question opérationnelle devient celle de l’information à conserver pour décider. Selon la règle métier, on peut maintenir la comparaison sur le score antérieur ou définir un traitement explicite des égalités.

Le guide OCDE, Union européenne et JRC de 2008 demande d’inscrire la construction d’un indicateur dans sa finalité d’usage. L’application proposée ici consiste à écrire séparément la note calculée, le rang utilisé et la condition de décision. Le passage du seuil à g(t) est un raisonnement mathématique sous hypothèses ; le choix du seuil métier reste une décision à documenter.

6. Comment documenter la transformation ?

Documenter une transformation consiste à décrire toute la chaîne qui conduit des composantes à la décision. Le tableau suivant est une proposition de fiche de validation du cabinet. Il reprend la distinction entre transformation finale et transformation des composantes, puis y ajoute les étapes d’affichage et de décision proposées ici.

Pour chaque flèche, consigner la fonction exacte, son domaine et la conduite à tenir aux limites. Si la transformation dépend des données, archiver aussi ce qui a été appris. Selon la documentation de scikit-learn sur QuantileTransformer, sans date de publication affichée, cet outil estime une fonction de répartition pour chaque variable : celle-ci situe une valeur par rapport aux observations de référence. La documentation décrit les quantiles de référence et le nombre de points utilisés pour discrétiser cette fonction. Ces éléments doivent accompagner la version du calcul.

Il est utile de prévoir une vérification centrée sur les conséquences attendues : mêmes comparaisons strictes lorsque l’opération est finale, égalités repérées après plafonnement, mêmes décisions après conversion du seuil. Lorsqu’une transformation est déplacée avant l’agrégation, l’examen porte aussi sur les profils dont le classement change.

La fiche de validation peut se conclure par une phrase précise sur l’usage autorisé. Elle indique quelle valeur sert au tri, laquelle est affichée et laquelle est comparée au seuil. Cette discipline rend la règle de décision relisible par le métier et reproductible par l’équipe data.

FAQ

Une racine conserve-t-elle toujours le classement ?
Une racine carrée appliquée au score final conserve l’ordre sur les valeurs positives ou nulles, en calcul exact. Cette propriété suppose la même fonction pour toutes les observations. Appliquée aux composantes avant leur somme, elle change leur contribution au total ; un arrondi ultérieur peut aussi créer des égalités.

Pourquoi Pearson peut-il changer ?
La documentation de SciPy sur Pearson, sans date de publication affichée, définit ce coefficient par la relation linéaire entre les valeurs. Une transformation non linéaire modifie leur espacement et peut donc modifier ce coefficient. La documentation de scikit-learn sur QuantileTransformer signale expressément cette possibilité pour cet outil.

Qu’arrive-t-il après écrêtage ?
Les valeurs au-delà du plafond sont réunies au même niveau. Les différences correspondantes ne sont plus disponibles dans le score écrêté. Pour un classement, il faut fixer une convention d’ex æquo ou conserver une autre information permettant de départager les dossiers.

Faut-il recalculer un seuil ?
Pour préserver la décision sous une transformation strictement croissante, traduire le seuil avec la même fonction que le score. Conserver également le sens de la comparaison et la place de l’égalité. Si un palier réunit des valeurs de part et d’autre du seuil initial, la valeur transformée seule devient insuffisante.

Peut-on déplacer la transformation dans la formule ?
Ce déplacement exige une justification algébrique ou une nouvelle validation. Une transformation de la somme et une somme de composantes transformées constituent généralement des calculs différents. La croissance de la fonction, à elle seule, ne démontre pas leur équivalence.

Pour aller plus loin

• Normalisation par quantiles : ce qu’une ECDF change dans une métrique.
• Effet plafond : diagnostiquer une métrique qui ne distingue plus les observations.
• Ex æquo dans un classement : conventions, coefficients et décisions.

Sources

• TW3 Partners, Elisha Bajemon et André-Louis Rochet, Scoring Without the Engine, prépublication déposée sur arXiv le 7 septembre 2026, notice, texte intégral HTML et PDF consultés le 9 octobre 2026.
• SAS, Rick Wicklin, Why use rank correlation?, 3 avril 2023, consulté le 9 octobre 2026.
• SciPy, scipy.stats.spearmanr, documentation sans date, consulté le 9 octobre 2026.
• SciPy, scipy.stats.rankdata, documentation sans date, consulté le 9 octobre 2026.
• SciPy, scipy.stats.pearsonr, documentation sans date, consulté le 9 octobre 2026.
• scikit-learn, QuantileTransformer, documentation sans date, consulté le 9 octobre 2026.
• OCDE, Union européenne et JRC, Handbook on Constructing Composite Indicators: Methodology and User Guide, 2008, consulté le 9 octobre 2026.