À l’heure du Big Data, nombre d’entreprises font de gros efforts pour devenir data driven. Aujourd’hui, l’apprentissage automatique associé à la data sait optimiser des décisions déjà formulées. Ce n’est pas un outil de disruption capable de proposer de nouveaux scénarios ou un virage stratégique. Alors, jusqu’où peut-on laisser le volant aux données ?

Pour l’entreprise, la donnée sert à prendre des décisions. Le plus souvent des décisions opérationnelles quotidiennes, à l’occasion des décisions stratégiques. La transformation de la donnée en décision passe par une phase d’analyse, guidée par l’observation et le bon sens.
Depuis quelques années une part croissante de ce raffinage de la donnée en décision est assurée par des méthodes d’apprentissage automatique.
Il peut s’agir de décisions complètement automatisées : dans un ciblage de campagne, personne ne vérifie la liste finale client par client et personne ne peut expliquer simplement les critères de décision de l’algorithme.
Il peut aussi s’agir de construire une information agrégée pour des décisions plus structurantes : Quels facteurs influencent tel comportement client ? Comment ? Peut-on agir sur ces facteurs ? Par exemple, un modèle de prédiction de résiliation permet d’aller au delà de la prédiction des futurs départs en identifiant les situations à risque et en guidant un plan de prévention.

Pour que l’apprentissage automatique ait une chance de fonctionner, il lui faut quelques ingrédients fondamentaux :

  • concerner un process récurrent déjà bien établi – répondre à un client, cibler une campagne…
  • avoir un historique de gestion un peu chaotique afin que la donnée soit riche d’enseignements – en clair on n’a pas toujours ciblé les mêmes clients, on s’est souvent trompé, on a régulièrement réussi…
  • s’insérer dans un contexte extérieur stable – extérieur = tout ce qui n’est pas décrit dans les données disponibles
  • disposer de données un tant soit peu pertinentes vis à vis de la question posée – avoir plus qu’une adresse IP pour évaluer l’intérêt de cibler un client.

On peut rarement vérifier en amont d’un projet que ces ingrédients sont présents. Le plus souvent on teste et on regarde si ça marche.
Il est cependant des décisions à instruire qui ne respectent pas ces conditions. Les décisions stratégiques sont de celles là. En prendre conscience permet de rester lucide sur ce que peut faire la donnée.
Il est courant de dire que la signature du “Big Data” est d’identifier les signaux faibles : cela devrait en faire un outil idéal pour alimenter la réflexion stratégique. C’est un leurre dangereux.

Exploiter la data peut être stratégique pour l’entreprise, mais le machine learning ne peut être un outil de décision stratégique.

Les virages stratégiques sont basés sur l’observation de phénomènes nouveaux, de faible amplitude. Avec les mêmes observations, certains prendront le virage, d’autres pas. Il s’agit d’une question d’interprétation, souvent de ressenti. Il s’agit de saisir un fil ténu pour créer un changement qui n’est encore qu’une possibilité. Une décision stratégique ne prédit pas l’avenir : elle le change. Elle cherche une rupture, pas la répétition d’un process optimisé.
L’algorithme lui ne sait pas formuler de question ouverte. L’apprentissage automatique optimise des décisions déjà formulées en les éclatants en une myriade de micro-décisions (adapter pour un client, un patient, un dossier..). La question qu’on lui pose n’est pas “quelle action réaliser ?”. Ce qu’on laisse à l’algorithme se limite la plupart du temps à : ”pour qui ?”.

Pour être honnête, il est aussi possible de poser des questions ouvertes : “Qu’est ce qui est nouveau, différent des autres observations ?” Cette recherche dite “non supervisée” détecte aussi des signaux faibles, très faibles même. Ces signaux ont deux défauts majeurs :

  • être nombreux, par construction, et une forêt dense de signaux faibles sans vision est un brouillard dangereux pour piloter une entreprise.
  • donner le sentiment qu’ils sont objectifs, car non liés à une demande précise. C’est un leurre car les signaux détectés sont intimement liés au choix des données utilisées. La donnée brute, objective, n’existe pas.

On le voit, exploiter la data ne peut pas être un outil de décision stratégique. C’est une stratégie de la micro-décision.
Développer l’apprentissage automatique dans son entreprise, c’est travailler au quotidien des leviers d’action qui sont en nombre limité et souvent bien identifiés. Et c’est déjà beaucoup.

Peut-on aller jusqu’à développer un pilotage automatique entre deux coups de volant stratégique ?
À suivre !