Dans l’article “Big Data mais microdécision” je développais l’idée que le machine learning n’est pas un outil de décision stratégique mais une stratégie de la microdécision. L’objectif est ici de préciser, de manière plus concrète, ce que l’entreprise peut y gagner.

Le premier mot qui vienne à l’esprit quand on parle machine learning est « prédiction ». Pour autant il ne s’agit pas de prédire la prochaine crise économique ou un retournement du marché. La prédiction portera sur ce qui se produit déjà tous les jours, depuis un certain temps et qui est un peu documenté dans vos systèmes.

Le machine learning ne créée pas d’information nouvelle. Il relie entre elles les informations déjà connues.

Concrètement : un univers quasi illimité de projets à traiter ! L’entreprise est en effet un assemblage de milliers de processus à peu près stables (acheter, vendre, entretenir du matériel, faire les comptes, recruter., .. ). Il serait surprenant de considérer que tous ces process sont déjà au top.

La question n’est donc pas de savoir si l’entreprise a des besoins de prédiction, mais de savoir les prioriser. Voici deux chemins possibles :

  • approche intuitive : quel problème vous est venu spontanément à l’esprit ce matin après le réveil ?
  • approche consultant : lister vos objectifs d’amélioration à échéance entre 6 mois et 2 ans et les classer en terme d’enjeu et de disponibilité de données.

Quelle que soit votre culture, on voit bien que le point de départ n’est pas la donnée, c’est votre besoin.

Sommes nous sûr cependant que cette démarche aie un sens ? Que la prédiction, fut elle juste, serve durablement l’entreprise ? Petite expérience de pensée. Vous avez fait un modèle prédictif des clients qui résilient leur abonnement et mis en place une belle opération de rétention qui fonctionne très bien. 6 mois plus tard vous observez une baisse de performance du modèle et vous l’actualisez. Problème : les clients qui ne résilient plus grâce au dispositif de rétention ne seront plus repérés par le nouveau modèle. Comment identifier les clients qui n’ont plus besoin d’être retenus ? Suspendre l’opération pendant 6 mois et recommencer ensuite ? Isoler une population témoins significative ? Le dispositif devient complexe.

Ces difficultés n’invalident pas la démarche, elles montrent juste qu’exploiter une prédiction est toujours plus compliqué qu’on ne le croit.

Le modèle prédictif peut cependant être exploité d‘une autre manière. A la fois plus humble et plus ambitieuse. Il est toujours possible (et même recommandé) de demander à l’algorithme quelles étaient les informations les plus pertinentes parmi toutes les données mises à disposition : rendre lisible que tels profils clients, dans telle circonstance ont un risque de résiliation très élevé. Cette information est inestimable pour l’entreprise : plutôt que traiter la liste des clients concernés le mois prochain, elle permet de repérer et peut-être corriger des failles. Du long terme.

Dès lors que vous aurez corrigé vos process internes, l’algorithme prédictif devient obsolète. Est ce grave ? Non. La radio d’une fracture du tibia aussi devient obsolète quand la jambe est réparée. Elle a joué son rôle, pleinement. Une démarche d’apprentissage machine peut donc être perçue comme une succession de radiographies de l’entreprise, réalisées sous différents angles, différentes focales, permettant à chaque fois de réaliser un diagnostic et corriger le tir.

Deux exemples opérationnels parmi d’autres :

  • Pour une compagnie d’assurance, prédire les clients qui vont accepter de faire réparer leurs voitures dans le réseau de réparateurs agréés : l’analyse du modèle fait émerger des parcours clients qui augmentent le taux d’acceptation (canal, délai depuis l’accident, …)
  • Pour une administration médicale connaissant un important turn over (induisant les coûts de formation très élevé) : identifier les parcours professionnels qui fragilisent le salarié : adapter pour mieux fidéliser.

L’apprentissage automatique (machine learning) est une aide précieuse pour le pilotage quotidien de tous les services internes de l’entreprise. Elle ne devient pas “data driven” (c’est à dire lâchant le volant au profit d’algorithmes abscons), mais plutôt “data aware”, sachant repérer toute l’information disponible et utile pour prendre, en responsabilité, les meilleures décisions.

À ce stade, il vous reste encore un peu de travail avant de laisser les experts data jouer avec vos données : challenger la question que vous allez leur poser. La première question posée dans ce genre de projets est en effet rarement la bonne.

À suivre !