Predictive Analytics

Comment construire un modèle utile

Définissez d’abord la décision que le score doit déclencher, sinon vous produisez un joli chiffre inactionnable. Réunissez au moins douze mois d’historique et quelques centaines d’événements positifs, séparez apprentissage et validation, puis comparez toujours le modèle à une règle simple. Si la règle métier fait aussi bien, gardez-la : elle est plus lisible et gratuite.

Ce que ça change en opérations

Un score de churn ne sert à rien sans geste associé ni budget de rétention. Idem pour le lead scoring : il doit changer l’ordre d’appel des commerciaux, pas décorer un tableau de bord. Fixez un seuil d’action, mesurez l’écart entre groupe traité et groupe témoin, et réévaluez le modèle chaque trimestre. Sans groupe témoin, vous ne saurez jamais si le modèle a servi à quelque chose.

Les pièges statistiques

La fuite de données, quand une variable connue seulement après l’événement entre dans le modèle, gonfle les scores puis s’effondre en production. Le déséquilibre des classes rend l’exactitude trompeuse : privilégiez précision et rappel. Enfin, un modèle entraîné sur une période promotionnelle vieillit mal dès que la stratégie tarifaire change. Réentraînez donc sur une fenêtre glissante et documentez chaque version du modèle utilisée.

Termes associés