Published

Impact Score - Méthodes de scoring disponibles

Goulven
Goulven

Impact Score - Méthodes de scoring disponibles

Ce document décrit les méthodes de normalisation disponibles dans le système et leurs usages recommandés. Il complète :

  • IMPACT_SCORE_CONFIGURATION_YAML.md pour la structure des champs YAML.
  • IMPACT_SCORE_STATISTIQUE.md pour les formules et la théorie statistique.

1) Vue d'ensemble

Un attribut scorable (asScore: true) est normalisé sur une échelle scale.min..scale.max (par défaut 0..5). Le sens d'évaluation impact est ensuite appliqué via impactBetterIs (inversion si LOWER).

La méthode est définie dans scoring.normalization.method :

  • SIGMA
  • PERCENTILE
  • MINMAX_FIXED
  • MINMAX_OBSERVED
  • MINMAX_QUANTILE
  • FIXED_MAPPING
  • BINARY
  • CONSTANT

2) Méthodes et paramètres

2.1 SIGMA (écart-type)

Principe

  • Normalisation linéaire dans l'intervalle [μ − kσ, μ + kσ].
  • Les valeurs hors bornes sont clampées aux extrêmes de l'échelle.

Paramètres

  • sigmaK (par défaut 2.0)

À utiliser quand

  • La distribution est continue et suffisamment stable.
  • On veut comparer des produits sur une base relative, centrée sur la moyenne.

À éviter quand

  • Très peu de valeurs distinctes.
  • Outliers forts qui écrasent la variance utile.

2.2 PERCENTILE (rang relatif)

Principe

  • Score basé sur le rang (mid-rank) dans la distribution observée.

Paramètres

  • Aucun paramètre obligatoire.

À utiliser quand

  • Les valeurs sont discrètes ou très répétées.
  • On veut une comparaison purement ordinale.

À éviter quand

  • Peu d'observations disponibles.

2.3 MINMAX_FIXED (bornes fixes)

Principe

  • Projection linéaire entre deux bornes connues [fixedMin, fixedMax].

Paramètres

  • fixedMin
  • fixedMax

À utiliser quand

  • L'attribut a une échelle normative stable (ex : note 0-10, valeur 0-100).
  • On veut un score absolu, stable dans le temps.

À éviter quand

  • Les bornes ne sont pas connues ou trop variables.

2.4 MINMAX_OBSERVED (bornes observées)

Principe

  • Projection linéaire entre les bornes observées dans le batch [min, max].
  • Les valeurs hors bornes sont clampées aux extrêmes de l'échelle.

Paramètres

  • Aucun paramètre obligatoire.

À utiliser quand

  • On veut une relativisation " marché " stricte (meilleur produit = score max, pire = score min).
  • Les bornes fixes sont inconnues, mais la couverture est suffisante.

À éviter quand

  • Trop peu de valeurs ou distribution instable (risque d'effet “yoyo” dans le temps).
  • Présence d'outliers forts (préférer MINMAX_QUANTILE).

Paramétrage recommandé

  • La méthode est définie par attribut : on ajuste par vertical si la distribution devient instable.
  • En cas de distribution dégénérée, activer un degenerateDistributionPolicy explicite pour basculer sur une méthode de secours.

2.5 MINMAX_QUANTILE (bornes par quantiles)

Principe

  • Projection linéaire entre deux quantiles (ex : p5/p95) pour limiter l'effet des outliers.

Paramètres

  • quantileLow
  • quantileHigh

À utiliser quand

  • La distribution est étalée ou contient des outliers.
  • On veut stabiliser le scoring sans figer des bornes absolues.

2.6 FIXED_MAPPING (barème fixe)

Principe

  • Mapping direct d'une valeur discrète vers un score.

Paramètres

  • mapping (table valeur → score)

À utiliser quand

  • L'attribut est catégoriel (ex : classes énergétiques, labels).

2.7 BINARY (seuil)

Principe

  • Score min ou max selon un seuil.

Paramètres

  • threshold
  • greaterIsPass (par défaut false si absent)

À utiliser quand

  • L'attribut est une conformité oui/non.

2.8 CONSTANT (score constant)

Principe

  • Score constant (ou neutre par défaut).

Paramètres

  • constantValue (optionnel)

À utiliser quand

  • On veut neutraliser un attribut ou figer temporairement un score.

3) Application du sens d'impact

Après normalisation, l'inversion est appliquée si impactBetterIs: LOWER :

score_final = scale.max + scale.min - score_normalisé

Cela permet d'utiliser la même normalisation (ex: MINMAX_FIXED) tout en indiquant que " plus bas = meilleur ".

4) Recommandations par attribut scorable (audit rapide)

Objectif : vérifier la pertinence de la méthode actuelle et proposer des alternatives.

Durabilité / support / disponibilité

  • MINAVAILABILITYSOFTWAREUPDATESYEARS : MINMAX_OBSERVED.
  • MINAVAILABILITYSPAREPARTSYEARS : MINMAX_OBSERVED.
  • MINGUARANTEEDSUPPORTYEARS : MINMAX_OBSERVED.
  • WARRANTY : MINMAX_OBSERVED.

Pourquoi : les durées sont discrètes et bornées ; on veut un score relatif au marché actuel.

Consommations électriques (W)

  • POWER_CONSUMPTION_TYPICAL : MINMAX_OBSERVED.
  • POWER_CONSUMPTION_SDR : MINMAX_OBSERVED.
  • POWER_CONSUMPTION_HDR : MINMAX_OBSERVED.
  • POWER_CONSUMPTION_STANDBY : MINMAX_OBSERVED.
  • POWER_CONSUMPTION_STANDBY_NETWORKD : MINMAX_OBSERVED.
  • POWER_CONSUMPTION_OFF : MINMAX_OBSERVED.

Pourquoi : on cherche une sobriété relative à l'offre actuelle ; la méthode reste ajustable par attribut si la distribution devient instable.

Classe énergétique (catégoriel)

  • CLASSE_ENERGY : FIXED_MAPPING avec barème A-G.
  • CLASSE_ENERGY_SDR : FIXED_MAPPING avec barème A-G.
  • CLASSE_ENERGY_HDR : FIXED_MAPPING avec barème A-G.

Pourquoi : les classes énergétiques sont des paliers réglementaires.

Indice de réparabilité (0-10)

  • REPAIRABILITY_INDEX : MINMAX_OBSERVED pour refléter le marché actuel.

Taille / poids

  • DIAGONALE_POUCES : MINMAX_OBSERVED.
  • WEIGHT : MINMAX_OBSERVED.

ESG / Sustainalytics

  • ESG : MINMAX_OBSERVED avec plus haut = mieux.
  • BRAND_SUSTAINALYTICS_SCORING : MINMAX_OBSERVED avec plus haut = mieux.

Pourquoi : on conserve une lecture relative au marché actuel avec un sens " performance " (plus haut = mieux).

Qualité de la donnée

  • DATA_QUALITY : MINMAX_OBSERVED, et utilisé comme pénalisation globale quand les données sont incomplètes.

Pourquoi : on conserve une lecture relative, tout en faisant porter la pénalisation au niveau global.

5) Note sur la relativisation (Score.relativ)

Le champ Score.relativ est calculé dans le batch à partir des méthodes ci-dessus. Il utilise :

  • la méthode explicite si scoring.normalization.method est définie,
  • sinon un comportement legacy SIGMA (ou PERCENTILE si la distribution est trop discrète).

Autrement dit : la relativisation est déjà “calculée” via ces méthodes. Pour obtenir un score " relatif au marché ", privilégier MINMAX_OBSERVED (bornes observées) ou MINMAX_QUANTILE si la distribution contient des outliers.