Comment augmenter le taux de conversion des clients potentiels? Pour le savoir, Lasik MD a mené un projet d’apprentissage machine, épaulée par l’Institut pour la science des données. Michael Albo, président de cette firme-conseil, sera à la conférence Intelligence d’affaires et analytique, présentée le 14 mai à Québec par les Événements Les Affaires. À partir du cas de sa cliente, il parlera de l’utilisation de l’apprentissage machine (apprentissage automatique) pour trouver des solutions à des enjeux d’affaires.
Quand recourir à l’apprentissage automatique?
Michael Albo : Pour un problème complexe qu’on ne peut pas résoudre avec des techniques classiques, comme la visualisation de données. Par exemple, une usine peut chercher à déterminer la séquence de production optimale pour minimiser le nombre de réglages de ses machines. C’est complexe, car il faut tenir compte d’une multitude de paramètres. Cela nécessite une importante puissance de calcul. L’apprentissage automatique permet de trouver des modèles d’un niveau qui dépasse les capacités cognitives humaines. L’être humain les comprend, mais n’aurait pas pu les trouver, car il y a trop de combinaisons de variables possibles. L’apprentissage automatique, c’est des statistiques sous stéroïdes.
De quoi les entreprises ont-elles besoin pour l’utiliser?
M.A. : Les algorithmes apprennent à partir de données. Il faut donc disposer de données du passé pour que la machine les analyse et en déduise des connaissances. S’il manque des variables importantes, vous ne bénéficierez pas de toute la puissance statistique des algorithmes. Un peu comme lorsque vous êtes au téléphone et que le son est mauvais : vous essayez de comprendre les paroles de votre interlocuteur, mais vous en perdez des bouts. Cela dit, il n’est pas toujours possible d’obtenir toutes les données importantes. C’est notamment pourquoi j’estime que l’expertise de l’humain demeure essentielle.
Que voulez-vous dire?
M.A. : Il faut des personnes pour juger de la pertinence des modèles créés par les algorithmes et des critères qui influencent leurs choix. Bien sûr, on peut vérifier l’exactitude des prédictions d’un modèle après coup. Mais il vaut mieux le faire valider par des spécialistes du domaine concerné dans l’entreprise avant de l’utiliser : voici les variables que l’algorithme a identifiées comme influentes et voici comment il a bâti son modèle. L’humain sait ce qu’il sait, et il sait aussi qu’il y a des choses qu’il ne sait pas. L’algorithme, lui, apprend seulement du passé. C’est la combinaison des êtres humains et des machines qui donnent les meilleurs résultats. Je préconise l’utilisation d’algorithmes qui sont transparents quant aux raisonnements qui génèrent leurs décisions, car on peut les challenger. Ce qui n’est pas le cas de ceux qui fonctionnent de manière opaque.
Quel autre aspect est critique?
M.A. : La formulation du problème à résoudre. C’est au scientifique de données de décomposer le problème en une formule mathématique pour que ce soit clair pour l’algorithme. Cependant, certains font des erreurs, car il leur manque une expertise d’affaires. Une bonne pratique, c’est qu’à cette étape, les scientifiques de données et les spécialistes en apprentissage machine fassent équipe avec les gens d’affaires.
Un dernier conseil?
M.A. : Les entreprises qui veulent s’initier à l’apprentissage automatique devraient commencer par des projets sans risque et qui donnent de la valeur. Par exemple, des projets sur la segmentation ou la rétention des clients. Ou encore l’utilisation d’algorithmes qui suggèrent une offre de produits adaptée au client, comme le fait Amazon. D’ailleurs, saviez-vous qu’entre 30 et 35 % des produits vendus par Amazon sont proposés par des algorithmes? Ce genre de projets a été fait par de nombreuses entreprises et on sait que ça fonctionne. L’apprentissage machine, ça se prend une bouchée à la fois.
