Quel crédit donner au Machine Learning et à la prédiction en contexte de crise ?

Quel crédit donner au Machine Learning et à la prédiction en contexte de crise ?

Il y a des sujets qui nous laissent parfois un peu perplexes. Alors que nous vivons, tout du moins en France et en Europe, une situation inédite, la communication autour des nouvelles technologies érigées en réponses à la crise se multiplie. Parmi ces technologies, l’Intelligence Artificielle semble apporter un espoir en vue de la reprise. Perspectives de reprises, scénarios de déconfinement, prédictions économiques, sanitaires… de nombreux sujets semblent se prêter au jeu de la modélisation.

Pourtant, si l’on considère que l’intérêt du Machine Learning repose dans le fait d’analyser le passé pour prédire l’avenir, alors n’y aurait-il pas un hic ?

La situation que nous vivons est inédite et donc difficilement comparable. Comment, dans ce contexte, le Machine Learning peut-il apporter des réponses efficaces et permettre de prendre des décisions, si délicates ?

Décryptage avec Serge Emteu, Data Scientist senior chez Invenis.

 

Peu de données, mais des données quand même

« Tout d’abord, il faut garder en tête que ce sont des situations extrêmement rares, tout du moins en France, mais qui sont déjà beaucoup plus fréquentes dans d’autres pays, par exemple dans certains pays d’Asie. » Ainsi, certains pays sont beaucoup plus habitués à ce genre de crises. Mais dans le cas de l’Europe, cette situation, exceptionnelle est considérée comme une « anomalie » dans le panorama global des données disponibles. En théorie, un algorithme de Machine Learning isolera ce qu’il considèrera comme un comportement anormal, et n’entrainera pas son modèle sur ces données. Il ne prendrait donc pas en compte cette période de crise pour faire des prédictions.

Mais en pratique, si certaines données sont récentes, elles sont tout de même exploitables et peuvent même être combinées à des données dont on dispose déjà.« Il est tout à fait légitime d’utiliser des algorithmes de Machine Learning pour prédire par exemple les taux d’occupation dans les hôpitaux, en analysant les données dont nous disposons à date sur le comportement de remplissage des hôpitaux et en le combinant avec tous les paramètres que nous connaissons : densité de population, âge de la population … Ces données permettent de modéliser de premières prédictions sur les capacités futures des hôpitaux afin de mieux anticiper la suite de la crise. »

 

Le retour des experts métiers

Et si cette période de crise remettait sur le devant de la scène les experts métiers ?

Plus que jamais, experts techniques et experts métiers doivent travailler de concert. « Les experts métiers connaissent leur marché, ils connaissent les forces et les faiblesses de leur périmètre d’action. Ils seront les plus à même de formuler des hypothèses sur un retour d’activité par exemple. Si l’on prend l’exemple d’une banque qui souhaiterait anticiper les défauts de paiement suite à une crise comme celle que nous vivons, on peut envisager plusieurs hypothèses. La première consiste à isoler tous les clients qui ont déjà eu des difficultés de paiement, en analysant l’historique des données. L’autre façon est de demander à chaque expert d’indiquer les métiers les plus à risques, car les plus touchés par l’arrêt de l’activité. » Ainsi, la connaissance des experts métiers est clé dans la mise en place d’un modèle prédictif dans un contexte d’exception. Ce sont eux qui seront capables d’identifier les différentes problématiques qui permettront d’affiner un modèle de prédiction.

Dans notre exemple, cette façon de procéder permettra d’avoir de premières prédictions afin d’accompagner au mieux les différents profils de clients. Et surtout, au fur et à mesure de la reprise, elle permettra de récolter de nouvelles données, comparer les hypothèses et affiner les prédictions futures.

 

Segmenter, classer, grouper

Autre sujet qui a son importance : le Machine Learning ne sert pas uniquement à faire des prédictions ! Et oui, on l’oublie parfois peut-être mais de nombreux algorithmes de Machine Learning ont pour vocation de catégoriser, segmenter, créer des groupes. Dans ce cas, le Machine Learning est totalement adapté à un contexte d’analyse et de prise de décisions en situation de crise. « Le Machine Learning permet de faire des segmentations. Avec les données dont nous disposons, nous pourrions par exemple catégoriser les entreprises en France selon leur niveau de réactivité pendant la crise, notamment sur la mise en place du télétravail. Certaines entreprises ont eu du mal à anticiper le confinement et ont mis du temps à s’organiser et mettre en place des pratiques de télétravail pour leurs salariés. » On pourrait aujourd’hui catégoriser les entreprises et déterminer ce qu’elles ont en commun. Cela permettrait de mieux communiquer auprès des entreprises en fonction de leur groupe et les inviter à mieux anticiper, plus en amont, si l’on était amené à vivre de nouveau un confinement. De manière plus générale, on peut aussi segmenter ses clients ou ses boutiques pour travailler différents scénarios de reprise de l’activité, et ainsi mieux cibler l’approche commerciale. Cela permet d’être plus pertinent dans les offres que l’on crée ou la priorité que l’on se donne selon des typologies de clients. Les efforts à fournir pour cette reprise économique sont considérables. Un coup de pouce technologique sera un accompagnement intéressant pour prioriser ses actions et ses budgets.

 

Le vivre au niveau global, le modéliser au niveau local

Enfin, la situation exceptionnelle que nous vivons est globale : à l’échelle des continents, à l’échelle des pays, à l’échelle des régions. Ce qui fait que cette situation est inédite repose sur le caractère international : la quasi-totalité du monde est suspendue. On peut effectivement espérer que cette situation ne se reproduira pas ! Peut-on alors estimer que l’on doit « jeter » ces données ? Non, nous dit Serge Emteu : « Si le caractère exceptionnel réside dans son aspect global, il y a toujours eu et il y aura toujours des crises. Ces nouvelles données sont précieuses comme base de données en situation de crises. Il est fort à parier qu’elles constitueront une base de données précieuse dans l’analyse de comportements dans le cas de crises plus locales. Elles apporteront de la finesse dans des analyses plus micro lorsque la crise du COVID sera passée. »

 

L’analyse prédictive est dont totalement légitime et parfaitement performante pour accompagner le business dans ce retour à la vie «normale ». C’est une manière d’exploiter ses forces et ses acquis et d’envisager différents plans d’action pour accompagner son retour au business dans les meilleures conditions. Et cela n’est pas réservé qu’aux grandes entreprises ! PME, ETI, vous avez aussi votre business à faire tourner ! Alors, prêts à repartir d’un bon pied ?

Fermer le menu