Aller au contenu

Twyman

Tu as déjà repéré une courbe spectaculaire, un chiffre qui "saute aux yeux", un résultat trop beau (ou trop bizarre) pour être vrai ? Un pic soudain dans des analytics, une performance hors norme, une métrique qui explose du jour au lendemain… et ton premier réflexe est de t'enthousiasmer - avant de réaliser que c'était juste un bug, un artefact, un mauvais import ?

Bienvenue dans la loi de Twyman.

Any figure that looks interesting or different is usually wrong - Tony Twyman

Autrement dit : Si un chiffre attire ton attention, commence par suspecter une erreur - les données spectaculaires sont souvent des illusions.

Mais nuance importante : Twyman ne dit pas que ces chiffres sont faux. Il dit qu'ils doivent être vérifiés avant d'être interprétés. La surprise n'est pas une victoire. C'est un signal d'enquête.

Pourquoi la loi de Twyman est si parlante

  • Une donnée « wow » n'est pas un cadeau, c'est un risque d'erreur à contrôler.
  • Les chiffres surprenants cachent souvent :

  • une erreur de calcul,

  • un bug de collecte,
  • un mauvais filtrage,
  • un échantillon biaisé,
  • un graphique trompeur,
  • une interprétation trop rapide.
  • Les anomalies attirent l'œil, mais ce sont les éléments à vérifier en premier.
  • Le cerveau adore "compléter" l'histoire trop vite : c'est notre biais.

En résumé : une donnée spectaculaire peut être soit un bug… soit une opportunité. Ce n'est pas le chiffre qui décide, c'est l'enquête.

Exemple simple… et ses deux issues

Tu analyses les ventes d'un site e-commerce. Tout est stable, puis soudain : +500 % en un jour.

Incroyable ?
Oui.
Crédible ?
Pas sans enquête.

🧯 Le faux signal

  • problème de fuseau horaire,
  • duplication d'entrées,
  • tracking dégradé,
  • mauvais tag campagne,
  • agrégation erronée.

Dans ce cas : on corrige, on nettoie, on documente.

💎 Le vrai signal

  • un influenceur a parlé du site,
  • une campagne a explosé en viralité,
  • une promo a touché un public inattendu,
  • un élément produit a boosté la conversion.

Dans ce cas : on exploite, on scale, on investit.

Twyman ne coupe pas l'enthousiasme. Il lui crée un filtre.

Comment appliquer Twyman (check-list opérationnelle)

Pour tout chiffre "trop beau pour être vrai" :

  1. Vérifier la source (tracking, tagging, instrumentation).
  2. Rejouer le calcul (même formule, autre outil).
  3. Tester les filtres (par segment, device, canal, période).
  4. Comparer au baseline (moyenne, médiane, saisonnalité).
  5. Chercher l'explication externe (campagne, actu, promo).
  6. Chercher l'erreur avant l'histoire.

Si le chiffre résiste à cette check-list, ce n'est plus un "bug probable". C'est un insight exploitable.

D'où vient la loi de Twyman ?

La loi porte le nom de Tony Twyman, spécialiste britannique de la mesure d'audience. Twyman a passé sa carrière à disséquer les fluctuations d'audience dans les médias. Il observe systématiquement que :

Les chiffres les plus "spectaculaires" étaient, dans la majorité des cas, des erreurs de mesure.

La phrase n'a pas été publiée comme loi scientifique formelle, mais elle est devenue un principe méthodologique partagé, aujourd'hui enseigné en :

  • dataviz,
  • data science,
  • marketing,
  • A/B testing,
  • recherche,
  • prise de décision data-driven.

Twyman n'est pas une vérité absolue. C'est une règle parmi d'autres, dans une boîte à outils de "survie intellectuelle".

  • Twyman : si une donnée attire l'œil, vérifie-la avant de l'interpréter.
  • Goodhart : une métrique perd sa valeur si on en fait un objectif.
  • Brandolini : réfuter l'erreur coûte plus cher que la créer.
  • Hanlon : l'erreur est plus probable que la malveillance.
  • Murphy : ce qui peut mal tourner… finira par mal tourner.

Toutes rappellent que les données ne disent pas quoi penser. Elles indiquent où chercher.

Les chiffres ne parlent pas. Ils chuchotent. Et quand ils crient, il faut vérifier s'ils mentent… ou s'ils nous préviennent.

Références