Data Science

Pour aider à ces objectifs ambitieux, la Data science a besoin de données de qualité accessibles et surtout de s’interfacer en amont avec les détenteurs de la Data et en aval avec les utilisateurs des conclusions qui auront été tirées. Valoriser les données pour les entreprises requiert donc des transformations vers une stratégie data-driven qui permettent d’exploiter au mieux le travail des Data Scientists.

Cette science de la donnée consiste à explorer et exploiter les gisements de données. Pour la mettre en œuvre, au-delà du nécessaire interfaçage avec les détenteurs de la donnée et le business, chaque Data Scientist est confronté à plusieurs enjeux, dont le premier est de faire comprendre ce qu’est la Data science et ses limites.

Quelles opportunités la Data science peut-elle générer pour mon activité ? Comment mieux valoriser cette activité dans mon entreprise ?

Cette étape cruciale de tout processus de Data science conditionne la réussite de l’analyse au niveau technique mais aussi sa valeur au niveau interprétatif. Elle peut nécessiter de faire des choix afin d’augmenter le ratio signal sur bruit qui peut conduire à éliminer une partie du signal. En particulier, le domaine de la Data science focalisé sur l’analyse de données textuelles, le Natural Langage Processing, ou NLP, peut nécessiter un nettoyage particulièrement important des données en fonction de la source utilisée. La récolte d’informations sur les réseaux sociaux par exemple requiert un travail important si l’on veut réussir à détecter et à interpréter des mots mal orthographiés ou des abréviations.

Quelles données sont suffisamment riches pour que leur analyse apporte de la valeur ? Comment tirer de la valeur de bases de données internes ou externes que l’on possède ?

La qualité et la représentativité des données d’entrée est clé pour pouvoir tirer des conclusions pertinentes. En particulier, des données mal équilibrées ou « imbalanced », peuvent biaiser l’apprentissage. Si on cherche à entraîner un algorithme à classifier des images de chats et de chiens sur la base de 1000 images de chats et 100 de chiens, la notion d’une plus grande fréquence d’occurrence de chats va ressortir dans la classification des nouvelles images. Ce déséquilibre peut être facile à identifier s’il concerne l’objectif principal de détection mais beaucoup moins s’il s’agit d’un élément parmi d’autres, par exemple une surreprésentation de chatons parmi les images. Les bases de données historiques peuvent être biaisées, comme par exemple les bases de données d’essais cliniques dans lesquels les hommes caucasiens sont surreprésentés par rapport au ratio de la population générale. Il s’agit de repérer ces biais et de les corriger en diminuant la taille de l’échantillon sur-représenté (undersampling) ou en augmentant artificiellement celle de l’échantillon sous-représenté (oversampling).

Comment par exemple mieux cibler les centres cliniques pour atteindre une bonne représentativité de la population incluse ?

Dans la mise en place de modèles de machine learning, un autre enjeu technique est lié au fait de ne pas suradapter le modèle au jeu de données existant, qu’on appelle le phénomène d’overfitting. En effet, la qualité du modèle est testée par différents indicateurs qui rendent compte de la fiabilité de la prédiction telle que la précision (taux de détection correcte), la sensibilité (capacité à bien détecter les « vrais ») et la spécificité (capacité à bien détecter les « faux »). Essayer de maximiser ces indicateurs peut conduire à inclure énormément de variables dans l’analyse ou d’utiliser des modèles toujours plus complexes. Il est important de garder un échantillon de son jeu de données non pas pour entraîner le modèle mais pour le tester. Sachant que les données d’entraînement sont souvent plus homogènes que les données réelles, il est aussi important de limiter la complexité du modèle de machine learning choisi au minimum requis. Assembler les résultats de plusieurs modèles est aussi une technique pour limiter les biais inhérents à chacun des modèles.

Comment adapter un modèle de forecast pour anticiper des scenarios avec des évènements n’ayant jamais eu lieu dans le passé ?

Enfin, l’interprétabilité des résultats des modèles est un enjeu crucial. Certains modèles de machine learning parmi les plus puissants, les modèles de Deep Learning, ne permettent pas de remonter aux paramètres qui ont permis à la machine de proposer par exemple une classification donnée. Il peut parfois être préférable d’avoir une moins bonne précision du modèle mais de pouvoir l’expliquer. Par exemple si l’on veut créer une segmentation client, il est intéressant de savoir quels paramètres définissent les segments pour ensuite pouvoir créer des interactions et contenus adaptés. Enfin, une rigueur dans l’interprétation des données doit s’imposer et doit se transmettre aux destinataires des résultats. En particulier, il est souvent tentant d’interpréter la corrélation entre deux variables comme un lien de causalité de l’une sur l’autre, conclusion qui doit le plus souvent s’appuyer sur la connaissance métier ou des études spécifiques en plus des analyses déjà conduites.

Comment rendre les résultats des analyses Data Science utilisables et compréhensibles pour une diffusion en interne ?