Architecture Scoring & Data

Couche 1 — Données brutes (Ingestion)

Données institutionnelles stockées par pays et par source dans une table de données brutes. Chaque enregistrement porte le nom de la source, le code indicateur, l'année et la valeur brute. Les sources vont de l'accessible via API (World Bank, Open-Meteo) au seed manuel depuis des rapports publiés (IMD, InterNations, Pew, PISA).

Couche 2 — Scores normalisés (Transformation)

Toutes les valeurs brutes converties sur une échelle 0-100 via normalisation min-max sur le dataset de 60 pays, avec « plus haut = mieux » systématique. Les inversions interviennent à l'étape de normalisation — les scores bruts GPI vont de 1,0 à 3,5 (plus bas = plus pacifique), inversés en 0-100 (plus haut = plus pacifique). Les bornes min-max sont stockées dans une table de paramètres et recalculées quand des pays sont ajoutés. Résultat stocké dans une table de scores normalisés.

Couche 3 — Composite (Côté Client)

Somme pondérée calculée entièrement dans le navigateur. Les utilisateurs règlent des sliders de 0 à 100 par dimension. Les poids se normalisent en interne pour sommer à 1,0. Un slider à 0 exclut la dimension ; les poids restants se re-normalisent. Tous les sliders à 0 déclenche un état d'erreur. Les dimensions NULL sont exclues du composite avec re-normalisation automatique.

Décision : tout le scoring est côté client. Le volume de données est 60 × 10 = 600 scores — tient dans un seul petit payload JSON. Chargé une seule fois au chargement de la page depuis une materialised view. Recalculé à chaque changement de slider sans aucun aller-retour API. Ce choix d'architecture rend le re-classement en temps réel gratuit.

Healthcare (V2) — Formule à Trois Piliers

healthcare = weighted_blend(UHC, HAQ, capacity)

capacity = weighted_blend(physicians_norm, beds_norm, nurses_norm)

• ◆ Le système existe-t-il ? → WHO Universal Health Coverage Service Coverage Index
• ◆ Produit-il de bons résultats ? → IHME GBD Healthcare Access & Quality Index (mortalité évitable sur 32 causes)
• ◆ Dispose-t-il de ressources structurelles ? → OECD/WHO physicians, hospital beds, nurses pour 1 000 habitants

Décision produit : cette formule a subi 3 itérations. La version UHC-only classait les USA #1 (score UHC 90 — les services existent, mais l'accès requiert une assurance). Ajouter le % OOP ne corrigeait pas (11 % de 4 500 Mds $ = 1 472 $/personne, mais 11 % paraît trompeur en pourcentage). La formule à trois piliers différencie correctement : les services existent (UHC) ≠ les résultats sont bons (HAQ) ≠ les ressources sont suffisantes (capacity). Si les données HAQ ou capacity sont NULL, la formule bascule en mode dégradé — les piliers restants absorbent le poids.

Civic Culture — Gouvernance à Deux Niveaux + Sécurité de rue

civic_culture = weighted_blend(governance, street_safety)  — à dominante gouvernance

governance = weighted_blend(WGI_rule_of_law, WGI_corruption_control)

street_safety = 100 − numbeo_crime_index

• ◆ Qualité institutionnelle → World Bank Worldwide Governance Indicators (issus de 35 sources de données cross-pays — enquêtes, évaluations d'experts, rapports d'ONG). Rule of Law mesure l'exécution des contrats, les droits de propriété, la qualité police/justice. Corruption Control mesure l'exercice du pouvoir public à des fins privées.
• ◆ Sécurité vécue → Numbeo Crime Index (gratuit, scrapé). Capture l'expérience quotidienne de la sécurité personnelle dans l'espace public, que la focale institutionnelle de WGI ne capte pas.

Décision : la pondération à dominante gouvernance reflète que la qualité de gouvernance institutionnelle est un signal plus profond et plus durable que la perception de la criminalité de rue (qui peut basculer sur un seul fait divers médiatisé). Mais un pays avec d'excellentes institutions et une criminalité de rue élevée ne devrait pas scorer aussi bien qu'un pays où les deux niveaux sont alignés.

Climate — Profils Discrets avec Paramètres Calibrés

climate = f(avg_temp, rain_days, sunshine_hours, profile_params)

Cinq profils — Warm & Sunny, Hot & Tropical, Mild & Green, Cold & Crisp, No Preference — chacun avec une température de référence, une courbe de pénalité par écart, un seuil de pluie et un seuil d'ensoleillement distincts. Les profils sont calibrés pour que les multiplicateurs de pénalité correspondent à la tolérance réelle de l'utilisateur : un profil tropical tolère une forte pluviométrie avec une pénalité minimale, tandis qu'un profil ensoleillé pénalise lourdement la même pluviométrie.

Décision produit : profils discrets plutôt que sliders continus. Un utilisateur tropical ne voit aucun problème à 200+ jours de pluie — le profil ne pénalise que 5 points. Un utilisateur warm-and-sunny perd 15 points pour la même pluviométrie. Cette asymétrie encode un savoir métier. Un slider continu avec un seul multiplicateur de pénalité ne peut pas la capturer. Les composantes climatiques brutes sont stockées en base ; les profils sont appliqués entièrement côté client sans requêtes supplémentaires.