WEBINAIRE Gérer un projet data au quotidien - 9 avril 2019 - Ayming
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
WEBINAIRE
Gérer un projet data
au quotidien
9 avril 2019
Intervenants
2
Denis Oblin Romain Jouin
Data Scientist Data Scientist
Avez-vous un projet
en cours ou planifié
de valorisation des
données ?
Faire parler la donnée est un art difficile (extrait du dernier numéro HBR)
4
Les cadres se plaignent du montant qu’ils investissent dans les projets data, sans en obtenir le résultat
escompté.
Ils n’observent pas de résultats tangibles, tout simplement parce que les résultats ne sont pas
communiqués dans leur propre langage.
Partie 1
5
A quoi sert
un projet Data ?
Webinaire | Gérer un projet data au quotidian | 09/04/2019
La data … pour quoi faire ?
6
Prédire : business as usual, en plus …
• Améliorer des process existants ciblé (client le plus intéressé, le dossier
(marketing, production, RH, frauduleux, …) …
comptabilité, management
commercial …) …
Expliquer : comprendre le monde pour
le changer (pourquoi un client résilie,
développe plus de valeur, …) …
• Fournir de nouveaux services aux …
Quel
clients / partenaires grâce aux
objectif ?
données recueillies …
Des questions que tout le
monde en entreprise doit se
poser, localement
• Mettre la donnée au centre : …
vendre la donnée ou l’exploiter
dans un nouveau cadre …
Comment choisir
7
Foisonnement Sélection
Enjeu métier
Usecase 2
Usecase 3
Usecase 1
Usecase 4
Usecase 5
Faisabilité / Disponibilité des données
Un risque de court circuit !
8
Data
• Cadrage • Feature
engineering
• Court
circuit
Décision Information
Deep
•
learning
• Machine
• Optimisation • learning
Connaissance
Reference
- Stéphane Mallat
- Conférence BCG gamma à l’IFA
La data … pour quoi faire ?
3 niveaux de bénéfices
9
Leviers Résultats statistiques Exemples de résultats opérationnels
Une meilleure visibilité de Reconstituer des coûts complets de gestion par
gestion grâce à un accès sinistre habitation
large à toutes les sources Compréhension
Accès large aux données
de données
internes externes
Un scoring de Identifier les profils de clients sur le point de
(machine learning)
comportement : « que va- résilier pour les retenir
Modélisation
t-il se passer ? » Action curative - continue
Dépouillement
du modèle
Un diagnostic Modéliser la performance opérationnelle des agences :
opérationnel poussé : en déduire les leviers locaux d’action
« pourquoi cela se produit Comprendre les ressorts principaux du churn
il ? » Action préventive – one shot
Aucun algorithme ne dit la vérité : il est une aide à la décision pour les experts métiers
Quel est votre profil ?
Partie 2
11
Un projet data
au quotidien
Webinaire | Gérer un projet data au quotidian | 09/04/2019Enjeu de l’apprentissage supervisé : repérer des liens entre des données de contexte et une cible
12
Features / variables / …
Age Sexe Revenu Dernier contact Type logement…. Achète / N’achète pas
Observation 1
Interactions
Cible
Observation n
Une corrélation ? (suffisant pour cibler)
Une causalité : requis ppour agir sur le processus 12La data est un proxy de la question business, et celle-ci n’est qu’un proxy de l’enjeu business
13
Trouver la bonne question à poser à un data scientist est aussi difficile que de choisir
les questions qu’on pourrait poser à un Génie !
Espace infini de possibilités, impossibles à hiérarchiser, difficiles à formuler
précisément ;
Heureusement avec un data scientist vous pouvez (et même devez) tester vos
questions et les adapter au fur et à mesure que vous obtenez des réponses.
Ne pas confondre l’enjeu et l’indicateur
« C’est juste un outil, ce n’est pas un remède contre
l’inefficacité du management… la gestion par objectif
fonctionne si vous connaissez vos objectifs. 90% du temps
vous le les connaissez pas »Exemple de cadrage projet amont (atelier pluridisciplinaire) : détection de résiliation
14
Enjeu : réduire le churn
Quelle est la question ?
Que va-t-on faire avec
Veut-on identifier tous ce modèle ?
les churners ? A quelle échéance veut-on les
détecter ? Veut-on prévenir (rentabiliser
une campagne fidélisation) ou
Et si on modélisait la guérir (changer le process) ?
durée de vie / LTV / ..
Plutôt que le churn ? Qu’est ce qu’un churner ? (Une
résiliation ou un acte de
distanciation détectable en
Comment conquière-t-on nos clients ? (nos amont ? )
concurrents font pareil) : un acte volontaire
client ou le résultat d’un démarchage
14La donnée analysée loin du terrain est dangereuse
15
The best data scientists have strong imaginative skills for not just “thinking outside the box” – but actually redefining the box – in trying to find
variables and metrics that might be better predictors of performance.
Bill SchmarzoDes sprint agiles ?
16
L’enjeu de chaque cycle de production est d’apporter une information
nouvelle utile au métier
A chaque fin de cycle la question posée est challengée et souvent
réajustée : sinon signal d’alerte d’un projet qui va dans le mur !
Au bout de 3 à 5 cycles la question et la réponse dont stabilisées
A chaque étape le dialogue datascience métier est outillé pour favoriser la 3 - Visualisation
compréhension mutuelle & Story telling
2 semaines
1 - formulation 2-
problème Modélisation
Structure de sprint dataDes sprint agiles
A chaque étape le dialogue datascience métier est outillé pour favoriser la compréhension mutuelle
17
Intégrer progressivement les données, de sprint en sprint, commençant par les Back to the features !
données les plus naturelles et les plus accessibles jusqu’aux données les plus (plus important que le choix d’un
complexes (non structurées, nouvelles sources, ..) modèle)
Partir de la modélisation la plus simple (régression linéaire / logistique) et monter en
Etre amoureux du problème,
puissance progressivement : mesurer le gain réel d’un modèle complexe
pas de la solution !
Une trajectoire d’apprentissage
3
1
2
3
3 1
2
Périmètre data
1
2
3
1
2
3
1
2
3
1
2
L’enjeu de chaque cycle de production est
d’apporter une information nouvelle utile au métier
Complexité des algorithmesUn projet data est comme une enquête policière : affichez vous indices et partagez les !
18
Créer une zone d’attraction qui incite
les métiers à venir au contact des
enquêteurs data même en dehors des
sprint review !Partie 3
19
Et après ?
Webinaire | Gérer un projet data au quotidian | 09/04/2019Vers une démarche active learning
20
Les données disponibles à un instant donnée dans une entreprise révèlent son SI, pas son ambition de contrôle sur son activité
Les premiers tests de machine learning exploitent la donnée disponible : c’est légitime et pertinent dans une première étape
L’enjeu est devient très rapidement d’organiser la collecte de données qui auront pour objectif
Des données disponibles Des données collectées en fonction
de besoins identifiésDes questions ?
Nos prochains évènements
22
Les 10 & 11 avril – stand W123
Cité Internationale de Lyon
Salon SIDO
Accueil Terreaux - Forum 1/2/3 - 4/5/6 au 50 Quai Charles de Gaulle | Lyon 06
Le Sommet Ayming est partenaire de la 9ème édition du Sommet des Leaders de la Finance
des Leaders Jeudi 11 avril 2019 au Pavillon d’Armenonville, à Paris.
de la FinanceDenis OBLIN Data Scientist doblin@ayming.com Romain Jouin Data Scientist rjouin@ayming.com
Vous pouvez aussi lire
