Une entreprise possède des centaines de modèles analytiques destinés à appuyer la prise de décisions. Toutefois ces modèles d’analyse des données sont-ils automatisés et performants ? Témoignage didactique par Upper-Link.
Table des matières
Laissez-moi vous conter une histoire :
Une entreprise possède des centaines de modèles analytiques intégrés à ses systèmes de production et destinés à appuyer la prise de décisions dans les domaines du marketing, de la tarification, du risque de crédit, du risque opérationnel, de la fraude et des finances.
Les analystes des divers départements développent leurs modèles sans processus préalablement formalisé ou normalisé pour les stocker, les déployer et les gérer. Certains modèles ne sont accompagnés d’aucune documentation indiquant le nom de leur propriétaire, leur objectif métier, leurs consignes d’utilisation ou d’autres informations nécessaires pour les gérer ou les expliquer aux organismes de réglementation.
Ainsi, les résultats communiqués aux décideurs proviennent de modèles qui ont fait l’objet de peu de contrôles et d’exigences, et dont l’exactitude a été évaluée au travers de procédures de validation ou de « backtesting » minimales. De plus, comme ces modèles ont été créés à partir de variables et d’ensembles de données différents, les résultats sont disparates.
Les décisions sont alors prises en fonction de ces résultats, chacun espérant que tout se passe au mieux.
Et maintenant ?
Est-ce l’effet de mon imagination ou de nombreuses entreprises se reconnaissent dans la confusion qui règne en matière de modélisation.
Ainsi, dans un environnement de modélisation hétérogène et géré de manière peu rigoureuse, il peut s’avérer difficile de répondre à des questions essentielles sur les modèles analytiques prédictifs employés dans votre entreprise.
Des questions du type :
- Qui a créé les modèles et pourquoi ?
- Quelles variables d’entrée sont utilisées pour effectuer des prévisions et, au final, prendre des décisions ?
- Comment sont utilisés les modèles ?
- Comment les modèles fonctionnent-ils, et à quand remonte leur dernière mise à jour ?
- Où se trouve la documentation associée ?
- Pourquoi la mise en production de modèles nouveaux ou actualisés est-elle si longue ?
L’entreprise qui n’est pas en mesure de répondre avec assurance à ces questions n’a aucune garantie que ses modèles analytiques apportent une réelle valeur ajoutée.
Or, les modèles analytiques sont au cœur des décisions métier critiques. Ils permettent d’identifier de nouvelles opportunités, d’établir de nouvelles relations avec les clients ou de les améliorer, et de gérer l’incertitude et le risque. Pour toutes ces raisons, et pour bien d’autres encore, ils doivent être créés et traités comme des atouts précieux de l’entreprise.
Oui, mais comment améliorer l’analyse des données ?
Utiliser vos modèles d’analyse des données pour automatiser la prise de décisions
Les décisions opérationnelles se présentent à l’identique de façon récurrente, et sont souvent prises plusieurs fois par jour.
Elles peuvent provenir de personnes (par exemple, des employés de centre d’appels qui effectuent par téléphone des ventes croisées ou incitatives), ou être totalement automatisées, reproduisant la logique décisionnelle humaine (par exemple, le rejet d’un achat par carte de crédit). Cependant, une décision opérationnelle ne porte pas nécessairement sur un seul client ; elle peut concerner l’envoi d’une offre ciblée à un groupe de clients. Des décisions de ce type sont remontées toutes les semaines ou tous les mois dans les outils de gestion de campagne.
À partir du moment où des modèles d’analyse prédictive sont intégrés aux systèmes de production et où un processus métier utilise les résultats pour produire des réponses instantanées, on considère que vos modèles analytiques ont été efficacement déployés.
Pour commencer
Pour commencer, vous avez besoin de solutions puissantes et faciles à utiliser qui vous aideront à mettre en forme vos données et à créer rapidement de nombreux modèles prédictifs pertinents.
Puis il vous faut de solides processus intégrés pour gérer vos modèles analytiques afin que leur performance reste optimale tout au long de leur cycle de vie.
Les équipes informatiques et analytiques exigent des processus efficaces et répétables, ainsi qu’une architecture fiable pour gérer les données, communiquer les principes de base et suivre les modèles d’analyse prédictive pendant tout le cycle de déploiement.
Enfin, dernier point et non des moindres, la clé de la réussite consiste à transformer rapidement les données en connaissances puis en actions, ce qui implique d’intégrer efficacement aux systèmes de production des modèles prédictifs précis permettant d’automatiser la prise de décisions.
L’aube d’une révolution
Face à la complexité et à l’ampleur croissantes que représente la gestion de centaines voire de milliers de modèles potentiels en constante évolution, les entreprises sont à l’orée d’une véritable révolution en matière d’information.
L’ancienne approche artisanale doit laisser la place à un processus automatisé plus efficace.
