Peter _pipelersPeter Pipelers, alors étudiant en dernière année, a participé à une sélection « Dataminer ». Il l’a réussie et a été engagé au SPF Finances.

Le data mining, ou l’exploration de données, qu’est-ce que c’est exactement ?

Un dataminer recherche avant tout des modèles présents à l’état latent dans de grands groupes de données. Nous pouvons ainsi structurer et détecter des anomalies, rédiger un profil et élaborer un modèle prédictif pour une utilisation future.

Les techniques de data mining sont utiles pour sélectionner les informations les plus intéressantes à partir d’une grande quantité de données. Elles permettent aussi d’étayer des règles connues et de les perfectionner.

La tâche du dataminer est d’interpréter ces analyses et de les automatiser. Étant donné qu’un modèle de data mining est choisi sur la base des données disponibles, la qualité de ces données est donc d’une importance cruciale.

Quelles études avez-vous suivies ?

Vu ma passion pour les maths, je me suis orienté pendant mes études vers l’informatique numérique, une option qui se concentre surtout sur les algorithmes numériques.

Une fois mes études terminées, j’ai commencé ma carrière à la faculté de bio-ingénierie à l’Université de Gand. J’y ai d’abord travaillé en tant que collaborateur scientifique et ensuite comme assistant, tout en me chargeant des travaux pratiques pour certains cours d’informatique et de statistiques. J’y ai aussi mené des recherches sur le développement de méthodes statistiques pour l’analyse du génome. Désireux de parfaire mes connaissances en statistiques, j’ai simultanément suivi un master en » statistical data analysis » à l’Université de Gand.

Comment êtes-vous arrivé à votre fonction actuelle ?

Le travail d’un dataminer m’attire énormément du point de vue du contenu de la fonction. Je voulais donc moi aussi en devenir un ! Après m’être plongé durant quelques années dans la théorie, j’ai vu la possibilité de mettre en pratique mes connaissances en statistiques.

L’utilisation des techniques de data mining pour la détection de fraudes est un développement récent que je soutiens à 100 %.

L’administration, et spécifiquement le SPF Finances, dispose d’une myriade de données, dont la majorité est sensible sur le plan de la vie privée. Ce qui ne fait qu’accroître le défi de détecter des modèles et rédiger des profils à l’aide de techniques et d’outils performants. En outre, le data mining est une spécialité qui se réinvente sans cesse.

Comment voyez-vous votre avenir au SPF Finances ?

Dans le cadre de la lutte contre fraude fiscale, le data mining offre une plus-value prédictive et descriptive. Vu que la fraude évolue continuellement et devient toujours plus inventive, le data mining devra lui aussi se montrer de plus en plus innovant. Nous espérons collecter un nombre toujours croissant de données dans le but d’améliorer constamment la qualité et de produire des modèles prédictifs toujours plus précis.

Le SPF nous donne également l’opportunité de participer à des formations supplémentaires et met des outils à notre disposition afin que nous continuions à nous développer.×