Jusqu’où personnaliser ses modèles prédictifs
Expertise

Jusqu’où personnaliser ses modèles prédictifs ?

Google+ LinkedIn

Comment aborder son projet d’analyse prédictive ? Peut-on mettre en place une plate-forme prédictive packagée, sans l’aide de data scientists ? Décryptage de Romain Chailan, Data scientist chez Twin Solutions.

 

Le 9 octobre dernier, la cour d’appel de Rennes rendait un jugement sous forme de communiqué de presse sans appel. Après plusieurs mois de tests, l’institution déclarait que le logiciel standard d’analyse prédictive déployé depuis mai n’avait pas porté ses fruits. La solution inventée par une start-up entendait fournir des estimations des indemnités de chaque dossier. Cependant, elle ne prenait pas compte toutes les subtilités du travail de la cour d’appel. « Les plates-formes d’analyse prédictive ont généralement besoin d’être enrichies par le travail des data scientists pour prendre en compte toutes les caractéristiques des différents métiers », détaille Romain Chailan, Data scientist chez Twin Solutions.

 

Les entreprises ont des besoins croissants en matière de décisionnel et de data science. Dès lors, il faut pouvoir décliner les modèles prédictifs mis en place pour les étendre à tout un catalogue de produits.

Jean-Michel Estibals, Directeur général, Twin Solutions

 

De l’analyse prédictive « from scratch » ?

Pour autant, peut-on se passer entièrement de ces plates-formes pour développer des modèles prédictifs « from scratch » ? « Sans une solution de data science, les entreprises se privent de capacités précieuses comme celle de faciliter l’industrialisation des modèles prédictifs, en particulier lorsqu’ils sont entraînés de façon concurrente », précise Romain Chailan. C’est qu’un projet d’analyse prédictive ne peut se penser de manière isolée, pour une fonction ou un produit seul. « Les entreprises ont des besoins croissants en matière de décisionnel et de data science. Dès lors, il faut pouvoir décliner les modèles prédictifs mis en place pour les étendre à tout un catalogue de produits par exemple. Cela ne peut se faire qu’avec l’aide des solutions de data science », complète Jean-Michel Estibals, Directeur général de Twin Solutions.

Du sur-mesure pour davantage de performance

Dès lors, où placer le curseur ? « Tout dépend du niveau de précision dont l’entreprise a besoin. Aujourd’hui, les technologies de deep learning par exemple – qui nécessitent un développement plus fin et donc plus long – permettent d’obtenir, dans certains cas, plus de 90 % de précision dans une classification d’images, là où les algorithmes plus conventionnels n’ont jamais atteint une précision supérieure à 70 %. Pour le dire autrement, faire appel à des experts pour explorer finement les données et développer des modèles prédictifs plus personnalisés permet d’accroître considérablement les performances finales de la solution », détaille le Data scientist.

 

E-book analyse prédictive