Aller au contenu principal
Menu Rechercher

Vidéo

L'analyse prédictive en entreprise : une science exacte ?

Ernesto Macario, Chef de Projet Senior, vous présente en 2 minutes la démarche qui permettra d’assurer le succès de votre projet d’analyse prédictive.

L'analyse prédictive est désormais une démarche répandue dans les entreprises et techniquement mature. En effet, la communauté des spécialistes est très active dans le domaine de la programmation (R, Python, …) et la fonction de Data Scientist est maintenant bien connue sur le marché. De plus, les solutions packagées par les éditeurs (IBM, SAS, Microsoft, Dataiku, …) ont largement contribué à la démocratisation de ces techniques. Et enfin, de nombreuses applications métiers sont devenues courantes et organisées dans l’entreprise pour :

  • Prévoir l’impact d’une campagne marketing sur ses clients
  • Améliorer la segmentation clientèle
  • Conserver les clients les plus précieux
  • Gérer le risque lié à un contrat client
  • Détecter et prévenir la fraude
  • Etc.

Cependant, pour que les promesses de l’analyse prédictive soient tenues, et que l’entreprise puisse passer de la phase d’expérimentation (Proof of Concept) à une phase d’industrialisation, il y a des facteurs clés de succès à respecter, en particulier sur la façon de s’organiser et de communiquer sur le projet :

Anticiper

Premièrement, il faut anticiper les attentes fortes de l’humain et éviter l’effet « déception » des résultats obtenus par la machine en expliquant en amont les limites de la démarche.

  • En effet, un modèle prédictif sera par définition imparfait s’il s’appuie sur un apprentissage basé sur un échantillon de données faible ou non représentatif.
  • Il ne faut pas non plus confondre gain de temps de réponse avec gain de précision des modèles : la capacité de stockage et la puissance des infrastructures et des matériels modernes ont fortement réduit les temps de réponse par rapport aux années 90, mais les modèles sont les mêmes avec leurs limites intrinsèques (ce ne sont que des probabilités).
  • L’amélioration du modèle s’effectue aussi avec l’expérience : il faut du temps !

Co-construire

Deuxièmement, il faut co-construire le modèle prédictif avec le métier. Une bonne communication et de la pédagogie sont nécessaires pour comprendre et se faire comprendre par le métier afin de modéliser au mieux les règles de gestion.

Sensibiliser

Troisièmement, il est nécessaire de sensibiliser sur la faisabilité économique de l’industrialisation d’un modèle prédictif, en se demandant quel est le niveau d’investissement souhaitable au regard des résultats attendus.