La plupart des organisations performantes traitent la prise de décision guidée par les données comme un objectif principal et la poursuivent avec un zèle religieux. Cependant, la prise de décision guidée par les données, les étapes qui y mènent et la façon dont l’IA la modifie ne sont pas bien définies.

Dans une entreprise axée sur l’IA, la prise de décision guidée par les données signifie

  • Les décisions stratégiques sont prises par un groupe diversifié, y compris des cadres, qui s’appuient sur un ensemble d’informations suffisamment complet et de haute qualité. Par définition, une mauvaise décision stratégique doit être suffisamment importante pour entraîner la faillite de l’entreprise.
  • Il y aura des décisions opérationnelles avec des implications commerciales importantes où les solutions toutes faites ne produisent pas de résultats satisfaisants. Ceux-ci sont générés par des modèles d’apprentissage automatique construits sur mesure. Ces modèles peuvent être construits en organisant des concours de science des données, par des équipes internes ou en travaillant avec des leaders du secteur.
  • La plupart des autres décisions opérationnelles sont traitées par des modèles d’apprentissage automatique en continu qui produisent des décisions explicables. Les décisions opérationnelles sont fréquentes (une fois par semaine ou plus) et non critiques (il est peu probable qu’une seule erreur entraîne la faillite de l’entreprise).
  • Les décisions opérationnelles qui ne peuvent pas être automatisées avec une bonne précision sont déléguées aux humains.
    • Si les données manquent, des décisions basées sur l’opinion sont prises.
    • Si les données existent et ont été analysées, le décideur se fie à l’analyse.
    • Si les données existent mais ne sont pas encore analysées, le coût de l’analyse détermine si une décision basée sur l’opinion ou sur les données sera prise.

Avant de s’installer sur ce cadre de prise de décision pour les entreprises modernes, nous devons identifier comment nous pouvons évaluer les différents modèles de prise de décision. Cependant, si vous le souhaitez, vous pouvez directement passer aux sections qui vous intéressent :

Pourquoi est-ce important ?

Même s’il est évident que la prise de décision guidée par les données est importante, il serait dommage que nous ne soyons pas guidés par les données pour le prouver. Bien que les données quantitatives sur la prise de décision guidée par les données soient difficiles à trouver, il existe des preuves significatives que

  • le volume de données générées augmente. Chaque jour, nous créons 2,5 quintillions d’octets de données selon l’analyse de Domo en 2017. 90 % des données présentes dans le monde aujourd’hui ont été créées au cours des deux dernières années.
  • Les entreprises investissent davantage dans les données et la technologie d’apprentissage automatique pour obtenir des informations à partir de ces données.

Une enquête pertinente, a été menée par New Vantage Partners sur les investissements Big Data des entreprises. Les résultats soulignent que les entreprises tentent de prendre l’avantage les unes sur les autres en mettant en œuvre le Big Data dans toute l’entreprise. Voici les chiffres de l’enquête :

Comment évaluer les différents modèles de prise de décision ?

La prise de décision a 3 indicateurs clés de performance : La rapidité, la qualité, l’auditabilité. Le manque de l’un d’entre eux peut conduire à des échecs critiques.

  • La lenteur de la prise de décision paralyse les organisations et permet aux concurrents de gagner des parts de marché.
  • Les mauvaises décisions conduisent à l’échec. Une mauvaise décision, aussi bien exécutée soit-elle, a peu de chances de générer de la valeur. Par exemple, la décision de Motorola de continuer à investir dans les satellites Iridium, qui ont coûté des milliards de dollars, a entraîné une grosse radiation pour l’entreprise. Une excellente exécution n’a pas pu changer le résultat car la communication mobile offrait une alternative moins chère et de meilleure qualité aux téléphones par satellite au moment où les téléphones Iridium ont été lancés.
  • Si les décisions ne peuvent pas être auditées, il est difficile de les améliorer. La qualité d’une décision est difficile à mesurer au moment de la décision mais peut être estimée plus tard en considérant d’autres alternatives et les conditions actuelles du marché. Une telle analyse post-mortem devrait conduire à de meilleures décisions

Quels sont les différents modèles de prise de décision ?

Les modèles de prise de décision en commençant par le niveau de sophistication le plus bas sont :

1- Opinion based

Bien qu’il fournisse des décisions rapides, la qualité de la décision peut être faible, ce qui est dangereux pour les décisions stratégiques. Cependant, il peut être appliqué pour la prise de décisions rapides dans les cas où :

  • Des données de haute qualité ne sont pas disponibles
  • Le coût de l’analyse est plus que la valeur d’une bonne décision

2- Dirigé par une quantité limitée de données

Les organisations ayant des problèmes de qualité ou de disponibilité des données sont susceptibles de s’appuyer sur des quantités limitées de données pour prendre des décisions. Il s’agit potentiellement du modèle de prise de décision le plus dangereux car les décideurs pourraient utiliser des données limitées pour soutenir leurs opinions, ce qui conduirait à des décisions largement soutenues mais basées sur des opinions.

Une part importante des projets de conseil relève de cette catégorie où les consultants pourraient être incités à trouver des points de données limités pour soutenir des hypothèses basées sur des opinions.

La qualité de la décision peut être meilleure que la prise de décision basée sur l’opinion si les décideurs sont ouverts à de nouvelles informations, prennent en compte les biais psychologiques, varient leur approche pour faire des prédictions (vue intérieure vs vue extérieure) et cherchent des réponses plutôt que de chercher des données pour soutenir leur opinion.

3- Prise de décision basée sur les données via une analyse manuelle

Pour ce modèle, les données doivent être disponibles, de haute qualité et il doit y avoir un consensus sur l’exactitude des données. C’est l’approche préférable pour les décisions importantes où le timing n’est pas critique et où le coût de l’automatisation est prohibitif par rapport à ses avantages.

Pour permettre cela, les entreprises doivent :

  • gérer leurs données de manière efficace et efficiente
  • assurer la qualité de leurs données
  • s’appuyer sur des outils analytiques/de business intelligence puissants

4- Prise de décision automatisée basée sur les données

Les données sont disponibles et de haute qualité et il y a un consensus sur l’exactitude des données et elles ont été traitées de sorte que les décisions sont prises automatiquement. Sur la base des résultats, le modèle de prise de décision s’améliore continuellement au fil du temps. Cependant, l’audit est difficile lorsque les raisons des décisions ne sont pas fournies.

Pour y parvenir, les entreprises doivent appliquer les dernières approches d’apprentissage automatique et d’IA pour construire des modèles automatisés et opérationnels basés sur leurs données.

5- Prise de décision explicable automatisée pilotée par les données

En plus de la prise de décision automatisée pilotée par les données, des modèles d’apprentissage automatique explicables sont utilisés pour prendre des décisions. Les explications aident à vérifier les décisions et à améliorer continuellement le modèle sous-jacent via des interventions manuelles en plus de l’apprentissage continu automatisé.

Pourquoi j’ai écrit cela ?

J’ai passé la majeure partie de ma carrière professionnelle chez McKinsey où la prise de décision basée sur les données est l’un des principes fondamentaux. C’était un grand principe mais assez difficile à réaliser en tant que consultant sans accès aux données internes. Compte tenu de mon expérience actuelle avec l’IA, je voulais réfléchir à la façon dont nous pouvons mieux définir la prise de décision axée sur les données.

Comment votre entreprise peut-elle devenir une entreprise axée sur les données à l’ère de l’IA ?

  1. Les entreprises doivent réaliser une transformation numérique pour s’assurer qu’elles ont des processus numériques. Par exemple, nous avons un guide détaillé sur l’utilisation de la RPA pour numériser et automatiser les processus répétitifs. La transformation numérique permet à l’entreprise de générer des données qui seront utilisées pour construire des modèles et opérationnaliser la prise de décision. Les données doivent être de haute qualité et accessibles pour permettre une transformation plus poussée.
  2. La transformation de l’IA peut commencer lorsque les processus sont numérisés. Les processus à haute valeur ajoutée pour lesquels il existe des solutions matures prêtes à l’emploi sont les premiers domaines de transformation de l’IA.
  3. A mesure que les entreprises déploient davantage de solutions basées sur l’apprentissage automatique/l’IA, il y aura des domaines où les solutions prêtes à l’emploi seront inadéquates. Les entreprises doivent commencer à déployer des solutions d’IA personnalisées pour automatiser la prise de décision dans ces domaines.
  4. A mesure que les modèles sont plus fréquemment utilisés dans la prise de décision, les entreprises doivent s’assurer qu’ils sont explicables et exempts de biais.
  5. Au cours de ce voyage, la direction doit également adopter la prise de décision basée sur les données. Des compromis conscients doivent être faits entre l’effort d’analyse des données et la qualité de la décision. Ce changement culturel n’est pas une étape distincte mais doit être développé à mesure que les capacités analytiques de l’entreprise arrivent à maturité. Une entreprise avec des processus numériques matures peut se permettre de prendre davantage de décisions en fonction des données vs une entreprise avec des processus hors ligne car cela demande un effort important pour analyser en détail les résultats de ces processus.

Après ces étapes, l’entreprise aura atteint le niveau de maturité décrit au début de l’article. Les étapes exactes pour y parvenir dépendront de la maturité actuelle de l’entreprise. Les entreprises peuvent travailler avec différents partenaires pour obtenir un soutien dans ce parcours :

  • sociétés de conseil en transformation numérique pour identifier la feuille de route dx et mettre en œuvre des initiatives clés
  • consultants en analyse pour mettre en place le cadre analytique de l’entreprise qui permet de compléter les décisions critiques avec un mélange d’analyses automatisées et manuelles
  • consultants en science des données / IA pour opérationnaliser les données de l’entreprise en . construisant des modèles personnalisés qui prennent de manière autonome des décisions commerciales telles que le traitement des prêts ou des réclamations
  • Organisateurs de concours de science des données pour aider les entreprises à tirer parti de la sagesse des foules pour construire des modèles efficaces à un coût limité

Si vous avez des données pertinentes pour résoudre vos problèmes d’apprentissage automatique, mais que vous avez besoin du soutien de partenaires pour construire des modèles d’apprentissage automatique, nous pouvons vous aider :

Identifier des partenaires pour construire des solutions d’IA personnalisées

Si vous avez d’autres questions, nous sommes heureux de vous aider :

Laissez-nous trouver le bon fournisseur pour votre entreprise.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.