Points clés
Transformer les questions métier en décisions mesurables avant de choisir un algorithme
Commencez par la décision. La science des données consiste à utiliser systématiquement les données pour en extraire des connaissances, dans le but pratique d’éclairer les décisions de l’entreprise. Un modèle n’a pas de valeur simplement parce qu’il prédit quelque chose: ses prédictions doivent améliorer un choix réel. Walmart illustre la découverte plutôt que la confirmation: avant l’ouragan Frances, l’analyse des achats effectués lors de tempêtes passées a révélé que les Pop-Tarts à la fraise se vendaient à un rythme environ sept fois supérieur à la normale. Ce résultat inattendu pouvait guider les stocks d’une manière que la seule intuition n’aurait peut-être pas permis.
Distinguez les outils de leur finalité. L’ingénierie des données stocke et déplace les informations, tandis que l’exploration de données y recherche des motifs utiles. Une étude citée dans l’ouvrage associait une hausse d’un écart-type de la prise de décision fondée sur les données à une productivité supérieure de 4 à 6 %. Cette association justifie d’investir, mais ne signifie pas que chaque jeu de données ou chaque modèle sera rentable.
L’histoire de Walmart illustre une division du travail utile : le jugement humain repère une décision qui mérite d’être améliorée, tandis que le calcul explore un volume de données qu’aucune personne ne pourrait examiner manuellement. Cela rappelle l’économie des organisations, où la technologie ne crée de valeur que si elle s’accompagne de processus complémentaires et d’une autorité habilitée à agir. Le résultat sur la productivité est suggestif, mais ne garantit pas un rendement universel. Les entreprises qui mesurent l’activité analytique plutôt que la qualité des décisions risquent de devenir expertes dans la production de tableaux de bord qui ne changent rien.
Considérer les données et les expériences comme des actifs qui méritent un investissement réfléchi
Il peut être nécessaire de créer des données. Signet Bank voulait fixer le prix de ses offres de crédit en fonction de la rentabilité de ses clients, mais ses données historiques ne reflétaient que les conditions proposées jusque-là. La banque a testé différentes conditions auprès de ses clients afin de produire les éléments manquants. Son taux de pertes sur créances est passé de 2,9 % à près de 6 % à mesure que les pertes s’accumulaient, mais les données obtenues ont contribué à la création de modèles qui ont soutenu une stratégie bien plus rentable. L’activité de cartes de crédit de Signet est devenue Capital One.
Investissez dans les compléments. Les données seules sont peu utiles sans les personnes et les systèmes capables de les exploiter. En 2000, Capital One aurait mené 45 000 tests scientifiques. La leçon générale est de comparer l’espérance mathématique d’une information de meilleure qualité au coût et au risque qu’implique son acquisition. Un projet pilote ou un test contrôlé peut constituer un investissement dans l’apprentissage, et non simplement une dépense liée à une campagne infructueuse.
C’est un exemple frappant de l’apprentissage considéré comme un actif stratégique. En économie expérimentale, un test contrôlé peut révéler comment les gens réagissent à des options que les données d’observation ne permettent pas de distinguer. Le risque est réel : des offres aléatoires peuvent imposer des coûts aux clients ou exposer une entreprise à des pertes ; l’expérience doit donc être assortie de limites, de garanties et d’une règle d’arrêt raisonnée. L’idée profonde de l’ouvrage n’est pas d’expérimenter à la légère, mais de reconnaître que refuser de recueillir des éléments probants peut enfermer une entreprise dans des décisions fondées sur les options d’hier.
Laisser la découverte itérative faire évoluer le problème plutôt que d’imposer un plan figé
Suivez un cycle reproductible. CRISP-DM (processus standard interindustriel pour l’exploration de données) organise le travail en six étapes: compréhension du métier, compréhension des données, préparation des données, modélisation, évaluation et déploiement. Il s’agit d’un cycle, et non d’une chaîne de montage: ce que révèlent les données peut conduire l’équipe à redéfinir la question ou à chercher de meilleurs éléments probants.
Adaptez la tâche aux étiquettes disponibles. L’apprentissage supervisé utilise des exemples dont la valeur cible est connue, par exemple pour savoir si un client a résilié son contrat. L’apprentissage non supervisé recherche une structure sans cible définie. La fraude à la carte de crédit se prête souvent à l’apprentissage supervisé, car les transactions frauduleuses sont identifiées après leur découverte. La fraude à la facturation de Medicare est plus difficile à traiter: les prestataires soupçonnés exercent aussi des activités légitimes, et il se peut qu’on ne dispose pas d’étiquettes fiables indiquant la fraude. Des étiquettes métier similaires peuvent recouvrir des problèmes de données très différents.
Ce cycle reflète une caractéristique fondamentale de la recherche et du développement : les éléments probants modifient la question, et pas seulement la réponse. Les plans de projet classiques, qui supposent des exigences stables, conviennent donc mal aux travaux de modélisation incertains. La comparaison entre les fraudes liées aux cartes de crédit et celles liées à Medicare est particulièrement éclairante, car elle met au jour un préalable souvent invisible : les étiquettes sont produites par des institutions et des enquêtes, elles ne sont pas données par la nature. Un cadre méthodologique renforce la rigueur, mais ne remplace pas l’expertise du domaine et ne détermine pas quels risques méritent l’attention.
Optimiser la valeur additionnelle, et pas seulement le risque prédit d’un client
Traduisez les prédictions en valeur. L’espérance mathématique est la moyenne pondérée des résultats possibles, les pondérations correspondant à leurs probabilités. Pour un envoi postal d’une association caritative, la décision dépend de la probabilité d’une réponse, du montant probable du don et du coût de l’envoi. Une personne qui a une forte probabilité de répondre peut tout de même être une cible peu intéressante si le don attendu ne couvre pas les frais.
Demandez-vous ce que l’offre change. Pour prévenir les résiliations, prédire qui risque de partir ne suffit pas. La question utile est de savoir si une incitation modifie le résultat pour ce client par rapport à l’absence d’offre, et si la valeur ainsi préservée dépasse le coût de l’incitation. Il faut pour cela envisager deux situations possibles, avec et sans intervention. Si l’offre est nouvelle, les données historiques ne permettent pas toujours de répondre à la question: l’entreprise peut alors devoir mener un test contrôlé ou reconnaître explicitement qu’elle s’appuie sur une hypothèse simplificatrice.
Cette approche relie l’analyse prédictive à la théorie de la décision et à l’inférence causale. Un score de risque décrit un résultat dans les conditions observées ; il n’indique pas si une intervention modifiera ce résultat. Cette distinction évite un gaspillage classique : dépenser pour retenir des clients qui seraient restés de toute façon. La difficulté tient au fait qu’on ne peut pas observer simultanément, pour une même personne, les résultats correspondant à ces deux situations contrefactuelles. Des groupes de comparaison randomisés aident à estimer l’effet moyen, tandis que le ciblage au niveau individuel repose sur des hypothèses plus fortes et exige une validation rigoureuse.
Un score d’entraînement parfait peut révéler un modèle qui n’a rien appris d’utile
L’ajustement ne garantit pas la généralisation. Le surapprentissage se produit lorsqu’un modèle retient les particularités de ses exemples d’entraînement au lieu d’apprendre des motifs valables pour de nouveaux cas. Un modèle de résiliation volontairement absurde peut mémoriser le dossier de chaque client passé et classer parfaitement ce jeu de données. Il ne peut alors rien répondre d’utile au sujet d’un nouveau client.
Testez le modèle sur des cas mis de côté. Les données de validation simulent une utilisation future: le modèle prédit des exemples dont les valeurs cibles ont été masquées pendant l’entraînement. La validation croisée répète ce processus sur plusieurs partitions, ou plis, afin d’estimer la performance moyenne et sa variabilité. Dans un exemple de résiliation, un arbre a obtenu un score de 73 % lorsqu’il a été évalué sur les données ayant servi à le construire, mais sa moyenne est tombée à 68,6 % en validation croisée à dix plis. L’élagage des arbres, la limitation du nombre de caractéristiques ou la régularisation des paramètres peuvent réduire la complexité, sans toutefois supprimer la nécessité d’une évaluation rigoureuse.
Le modèle qui mémorise rend concrète une subtilité statistique : un score élevé peut mesurer la capacité d’une méthode à tirer parti du protocole d’évaluation, et non sa capacité à comprendre la population. La recherche répétée de modèles comporte un danger similaire : essayer de nombreuses solutions et ne présenter que la meilleure revient à sélectionner celle qui a bénéficié d’un bruit aléatoire favorable. Des jeux de validation et de test distincts sont utiles, à condition que le jeu de test reste intact pendant le choix du modèle. Une fuite de données peut rendre trompeuse même une validation qui semble soigneusement menée.
Évaluer les modèles selon les erreurs importantes et le budget disponible
La précision peut masquer un échec. Dans une population où une classe est mille fois plus nombreuse qu’une autre, prédire systématiquement la classe majoritaire donne une précision de 99,9 % tout en ne repérant aucun cas rare. Une matrice de confusion distingue les vrais et faux positifs des vrais et faux négatifs, et rend ainsi visibles les différents types d’erreur. Leurs conséquences peuvent être très différentes: ne pas détecter un cancer est plus grave que prescrire un examen de suivi inutile.
Chiffrez le coût de la décision. Le profit attendu combine les taux d’erreur et les coûts et bénéfices de chaque résultat. Comparez les modèles candidats à des références réalistes, comme la sélection aléatoire, la classe majoritaire ou une règle métier existante. Les courbes ROC (caractéristique de fonctionnement du récepteur) montrent, selon les seuils, le compromis entre détection et fausses alertes. Le lift (surcroît de fréquence) compare la sélection au hasard, tandis que les courbes de profit prennent en compte les coûts et peuvent aider à déterminer le meilleur modèle pour un budget donné.
L’insistance du chapitre sur les coûts est une application pratique de la théorie de la décision : un modèle ne vaut que par la règle d’action qu’on construit autour de lui. Un seuil adapté à une équipe bien financée peut être inutilisable pour une petite unité de lutte contre la fraude, même si le classement est identique. Les courbes ROC aident à distinguer la qualité du classement de la prévalence des classes, mais ne déterminent pas à elles seules la politique à suivre. L’estimation des coûts est également un choix politique, car les clients et les employés concernés peuvent subir des conséquences absentes du tableur de l’entreprise.
Définir la ressemblance dans les données avant de se fier aux voisins ou aux groupes
La similarité se construit. Les méthodes des plus proches voisins prédisent à partir de cas jugés proches du nouveau cas; le regroupement rassemble des cas jugés proches les uns des autres sans étiquette cible. Les deux méthodes reposent sur une représentation et une mesure de distance: aucune ne découvre donc une similarité abstraite. Dans un exemple portant sur les whiskies écossais, le goût était représenté par 68 descripteurs binaires. Une personne qui aimait Bunnahabhain pouvait alors trouver des whiskies proches en comparant ces caractéristiques.
Vérifiez l’étalon de mesure. Des caractéristiques numériques exprimées sur des échelles différentes peuvent dominer un calcul de distance, tandis que des caractéristiques non pertinentes peuvent le fausser. La sélection et la mise à l’échelle des caractéristiques, ainsi que la connaissance du domaine, influent sur ce qui est considéré comme proche. Les groupes formés doivent également être interprétés: des articles d’actualité peuvent partager un vocabulaire ou un format sans porter sur un sujet commun significatif. Un groupe est un point de départ pour l’analyse, pas automatiquement un segment commercial.
C’est une leçon de théorie de la mesure : les définitions opérationnelles déterminent le phénomène qu’une analyse peut mettre au jour. Une mesure de distance peut être mathématiquement élégante tout en étant sémantiquement inadéquate, comme lorsqu’on mesure une ville uniquement par la distance de ses rues sans tenir compte des obstacles et du temps de trajet. Les descripteurs de whisky rendent les hypothèses particulièrement visibles. Dans les grands jeux de données clients, elles sont plus difficiles à repérer, d’où l’importance d’une expertise et de tests de sensibilité. Les groupes exploratoires deviennent utiles lorsque leurs différences suggèrent une décision, et pas seulement un graphique attrayant.
Choisir des représentations du texte qui préservent le signal nécessaire à la décision
Convertissez les mots en caractéristiques. Le texte étant écrit pour les humains, sa structure est variable et il comporte de l’ambiguïté, des fautes d’orthographe et du contexte. La représentation en sac de mots est un point de départ courant: elle traite un document comme un ensemble de termes et ignore leur ordre. La fréquence du terme compte le nombre d’occurrences d’un mot; TF-IDF (fréquence du terme–fréquence inverse du document) augmente le poids des termes fréquents dans un document mais rares dans l’ensemble du corpus. La racinisation et la suppression des mots vides courants peuvent réduire le bruit, mais une suppression malavisée risque d’effacer le sens.
Ajoutez de la structure si nécessaire. Les n-grammes préservent de courtes séquences de mots, l’extraction d’entités nommées repère des expressions telles que les noms d’organisations, et les modèles thématiques infèrent des sujets cachés. Dans un exemple portant sur des articles financiers, des modèles ont trouvé un signal dans environ 16 000 articles étiquetés en fonction de l’évolution ultérieure des cours. Une représentation simple peut constituer une première étape utile, mais ses limites dépendent de la tâche.
Le chapitre sur le texte illustre un principe général de la science des données : la représentation est souvent aussi importante que l’algorithme. TF-IDF fonctionne parce que les termes rares peuvent distinguer les documents, mais ces termes peuvent aussi être des fautes de frappe ou des artefacts accidentels. L’ajout de structures phrastiques peut restituer le contexte, mais augmente l’espace des caractéristiques et le risque de surapprentissage. On retrouve le même compromis en vision par ordinateur et en reconnaissance vocale : des représentations plus riches saisissent davantage de nuances, mais exigent plus de données et une évaluation plus rigoureuse.
La prédiction repère des associations; les expériences vérifient si une action modifie les résultats
La corrélation ne prouve pas l’influence. Un modèle peut repérer les personnes susceptibles d’acheter, sans pour autant montrer qu’une publicité a causé leur achat. Dans les réseaux sociaux, les gens se lient souvent à des personnes qui leur ressemblent; des amis peuvent donc faire des choix similaires sans s’influencer mutuellement. Les travaux évoqués dans l’ouvrage ont montré que les analyses classiques du marketing viral pouvaient surestimer l’influence d’au moins 700 % lorsqu’elles ne tenaient pas compte de cette similarité.
Comparez les contrefactuels. L’analyse causale cherche à savoir ce qui changerait si une intervention avait lieu plutôt que de ne pas avoir lieu. Les expériences randomisées créent des groupes de traitement et de contrôle comparables, tandis que les méthodes d’observation reposent sur des hypothèses concernant la manière dont les cas ont été sélectionnés. Ces méthodes éclairent les décisions relatives à la publicité, aux incitations et aux autres interventions, mais leurs conclusions ne sont crédibles que dans la mesure où leur conception et leurs hypothèses le sont.
L’exemple des réseaux sociaux relie l’analyse à un problème classique de sociologie : l’homophilie, c’est-à-dire la tendance des personnes semblables à nouer des liens, peut donner l’illusion d’une influence réciproque. Il ne s’agit pas d’une correction technique mineure. Si une entreprise confond préférence partagée et persuasion, elle risque de dépenser beaucoup pour lancer des campagnes qui ne se seraient pas propagées. La randomisation offre une méthode solide lorsqu’elle est réalisable, mais les expériences doivent aussi tenir compte des effets de débordement, du consentement et des personnes exclues du test.
Examiner la production des données avant de traiter les motifs observés comme des faits
Les données ont une histoire. Dans un projet de détection de fraude, les appels apparemment passés depuis la cellule zéro prédisaient fortement la fraude. Les enquêteurs ont fini par découvrir que ces appels avaient été stockés dans une base de données distincte, sans information de localisation; les valeurs manquantes avaient été remplacées par zéro. Le motif observé décrivait une procédure de base de données, et non un lieu suspect. Il s’agit d’une forme de fuite de données ou d’un décalage entre la caractéristique enregistrée et la grandeur du monde réel qu’elle semble représenter.
Gardez les personnes dans la boucle. Le jugement humain est nécessaire pour définir la décision, sélectionner des données utiles, examiner les résultats surprenants et déterminer ce qui constitue une réussite. La recherche automatisée peut repérer des motifs à grande échelle, mais ne peut établir qu’un champ signifie bien ce qu’indique son libellé ni qu’une variable de substitution est équitable. Le déploiement compte également: le modèle en production est façonné par les choix d’ingénierie et les processus métier.
L’histoire de la cellule zéro est une étude de cas concise sur l’erreur de mesure et la conception institutionnelle. Les données ne sont pas la réalité brute : elles sont des traces produites par des formulaires, des logiciels, des incitations et des omissions. C’est particulièrement important lorsque des décisions automatisées affectent des personnes, car une erreur technique peut reproduire à grande échelle un angle mort administratif. L’examen par des spécialistes du domaine n’est pas une simple formalité de fin de parcours. Il permet de vérifier que l’explication apparente du modèle résiste à l’examen du système qui a produit les éléments observés.
Laisser Bayes combiner des indices faibles, tout en se méfiant de probabilités trop affirmées
Combinez les éléments probants simplement. Le théorème de Bayes met à jour la probabilité a priori d’un résultat en fonction de la probabilité d’observer les éléments constatés si l’une ou l’autre de plusieurs hypothèses est vraie. Le classificateur naïf bayésien rend cette méthode pratique en supposant que les caractéristiques sont conditionnellement indépendantes étant donné la classe. Un annonceur sur le Web pourrait combiner les informations sur les sites visités par une personne pour classer les prospects; la même approche est courante dans le filtrage des courriels indésirables et peut être mise à jour efficacement à mesure que de nouveaux exemples étiquetés sont disponibles.
Connaissez l’hypothèse. Les sites visités sont souvent liés les uns aux autres; les considérer comme indépendants peut donc conduire à compter plusieurs fois le même signal. Le classificateur naïf bayésien peut tout de même bien classer les cas, mais ses estimations de probabilité peuvent devenir excessivement extrêmes. Cette méthode est utile parce qu’elle est rapide, simple et souvent efficace, et non parce que sa représentation simplifiée du monde serait littéralement vraie.
Le classificateur naïf bayésien illustre un compromis scientifique fécond : accepter une hypothèse irréaliste lorsqu’elle fournit une approximation utile, puis tester le résultat en fonction de l’usage prévu. La distinction entre classement et probabilité bien calibrée est importante. Une campagne peut parfois tolérer des probabilités imparfaites si les prospects les mieux classés sont effectivement les plus intéressants, tandis que les décisions aux coûts asymétriques peuvent exiger un calibrage fiable. La simplicité du modèle facilite le diagnostic, mais son apparente assurance ne doit jamais être confondue avec la certitude.
Créer un avantage grâce aux données, aux talents et à une culture qui met les affirmations à l’épreuve
Les capacités se renforcent mutuellement. Les données prennent une valeur stratégique lorsqu’une entreprise sait les relier à des décisions que ses concurrents ne peuvent pas facilement améliorer. L’historique d’achats d’Amazon a permis de personnaliser les recommandations, tandis que Capital One a bâti son activité de crédit sur des tests répétés et des modèles de rentabilité. Un tel avantage repose sur des actifs complémentaires: des données pertinentes, des compétences analytiques, de l’ingénierie et un processus métier qui donne suite aux résultats.
Gérez la recherche, pas seulement la livraison. Les projets de science des données sont exploratoires; les équipes ont donc besoin de marge pour mener des projets pilotes, comparer les résultats à des références et tirer des enseignements des approches infructueuses. Les responsables doivent comprendre suffisamment l’analyse pour poser des questions sur les étiquettes, l’évaluation et le déploiement, tandis que les spécialistes des données ont besoin d’une connaissance du contexte métier. L’ouvrage considère la vie privée et l’éthique comme de sérieuses responsabilités, car des données personnelles détaillées peuvent améliorer les prédictions tout en aggravant les conséquences d’un usage abusif.
L’argument stratégique rappelle la théorie des ressources de l’entreprise : un actif compte lorsqu’il est précieux, difficile à imiter et soutenu par des pratiques propres à l’organisation. Un modèle, à lui seul, constitue rarement un avantage défendable ; les concurrents peuvent souvent reproduire un algorithme plus facilement qu’un pipeline de données fiable, une culture de l’expérimentation ou une équipe qui comprend l’activité. Un avantage durable n’est toutefois pas automatiquement bénéfique à la société. La gouvernance doit se demander qui reçoit les bénéfices, qui subit les erreurs et si la collecte des données est proportionnée.
Analyse
La contribution la plus forte de l’ouvrage consiste à présenter la science des données non plus comme un catalogue d’algorithmes, mais comme une discipline de conception des décisions. La question récurrente n’est pas simplement de savoir si un modèle repère des motifs, mais si le problème, les données, l’évaluation et le déploiement sont cohérents entre eux. Cette approche rend les idées techniques accessibles aux responsables sans prétendre que les mathématiques ou l’ingénierie sont secondaires. Les exemples narratifs jouent eux aussi un rôle essentiel: le comportement d’achat inhabituel avant l’ouragan illustre la découverte, Capital One montre les données comme investissement, et la cellule zéro révèle comment une convention de base de données peut se faire passer pour un fait du monde réel.
Le cadre est particulièrement puissant lorsqu’il oblige les analystes à expliciter leurs hypothèses. L’espérance mathématique met au jour des coûts cachés, la validation croisée révèle la mémorisation, et le raisonnement causal distingue la prédiction d’un résultat de sa modification. Il ne s’agit pas de simples perfectionnements de la modélisation, mais de garde-fous contre l’auto-illusion des organisations. L’approche anticipe également un problème souvent appelé aujourd’hui fixation sur les indicateurs: lorsqu’une variable de substitution devient une cible, les équipes peuvent l’optimiser en négligeant la finalité sous-jacente. La solution n’est pas de rejeter la mesure, mais de vérifier si la grandeur mesurée représente toujours la décision qui importe.
Certaines affirmations appellent à la prudence dans leur interprétation. Les associations observées avec la productivité ne garantissent pas que l’investissement analytique d’une entreprise donnée sera rentable, et de meilleures performances prédictives peuvent accroître les risques pour la vie privée ou les traitements injustes. De même, la réussite passée d’un modèle ne garantit pas sa stabilité lorsque les comportements évoluent, que les marchés changent ou que les pipelines de données sont modifiés. L’approche méthodologique de l’ouvrage apporte une réponse solide: surveiller le contexte d’utilisation, préserver l’examen humain et considérer le déploiement comme une partie intégrante du problème analytique. Sa leçon la plus durable est que la science des données fiable associe la recherche computationnelle à la responsabilité humaine de décider quelles questions poser, ce qui constitue une preuve et quelles conséquences sont acceptables.
Résumé des avis
Data science pour l'entreprise reçoit majoritairement des critiques positives. Les lecteurs saluent son approche pratique et ses explications claires des concepts de la science des données et de leurs applications commerciales. Beaucoup le trouvent utile tant aux débutants qu’aux professionnels expérimentés et soulignent qu’il aide à combler le fossé entre les aspects techniques et commerciaux. Certains lecteurs estiment que le livre peut être dense et difficile, mais, dans l’ensemble, il est considéré comme une introduction complète à la science des données dans un contexte commercial. Quelques critiques le trouvent trop superficiel ou verbeux dans certaines sections.
Les lecteurs ont aussi lu
Glossaire
CRISP-DM
processus itératif d’exploration de donnéesLe processus standard interindustriel pour l’exploration de données, un modèle de processus qui organise un projet en plusieurs étapes : compréhension des objectifs métier, compréhension des données, préparation des données, modélisation, évaluation et déploiement. Les étapes sont itératives plutôt que strictement linéaires. Les résultats de la modélisation ou de l’évaluation peuvent révéler qu’il faut reformuler le problème, acquérir d’autres données ou modifier la solution proposée.
surapprentissage
apprentissage de particularités propres à l’échantillonTendance d’une procédure de modélisation à s’ajuster à des détails des données d’entraînement qui ne représentent pas des schémas stables dans la population générale. Un modèle en surapprentissage peut obtenir d’excellents résultats sur les exemples ayant servi à le construire, et de mauvais résultats sur de nouveaux exemples. L’évaluation sur des données mises de côté et les mesures de contrôle de la complexité, comme l’élagage, la sélection des variables et la régularisation, aident à détecter ou à réduire le problème.
espérance mathématique
valeur des résultats pondérée par leurs probabilitésCalcul qui répertorie les résultats possibles, multiplie la valeur de chacun par sa probabilité, puis additionne les produits. En analyse métier, il relie les estimations d’un modèle aux décisions en combinant les probabilités issues des données avec les coûts et les avantages propres à l’application. Il peut révéler quels sous-problèmes nécessitent des modèles et quelles valeurs doivent provenir des connaissances métier.
validation croisée
évaluation répétée sur des données mises de côtéProcédure permettant d’estimer les performances d’un modèle en répartissant les données étiquetées en plis, puis en entraînant le modèle à plusieurs reprises sur tous les plis sauf un et en le testant sur le pli restant. Chaque pli sert à son tour d’ensemble de test. Les scores obtenus fournissent une estimation moyenne et donnent une idée de la variabilité, tout en utilisant plus efficacement les données limitées qu’une seule séparation.
lift (surcroît de fréquence)
avantage par rapport au hasardMesure dans quelle proportion un résultat ou un schéma est plus fréquent dans un groupe sélectionné que ne le laisserait prévoir une référence, souvent la sélection aléatoire ou l’indépendance statistique. Pour le ciblage, le lift compare le taux de réponse parmi les cas sélectionnés au taux de réponse global. En exploration d’associations, il compare la cooccurrence observée à la fréquence attendue si les éléments étaient indépendants.
TF-IDF (fréquence du terme–fréquence inverse du document)
pondération de la pertinence des termesProduit de la fréquence du terme par la fréquence inverse du document, une représentation textuelle qui pondère un terme en fonction de sa fréquence dans un document et de sa rareté dans l’ensemble des documents. Les termes fréquents dans un document reçoivent un poids, tandis que ceux qui sont courants dans tout le corpus en reçoivent un moindre. Les documents peuvent ensuite être représentés sous forme de vecteurs de caractéristiques pour la recherche d’information, la classification ou le regroupement.
classificateur naïf bayésien
classificateur fondé sur des éléments de preuve indépendantsMéthode de classification générative qui applique la règle de Bayes et estime la probabilité des caractéristiques observées sous chaque classe. Elle repose sur l’hypothèse simplificatrice que les caractéristiques sont conditionnellement indépendantes sachant la classe. Cela rend l’apprentissage et la prédiction efficaces et permet souvent d’obtenir des classements utiles, mais des caractéristiques corrélées peuvent être comptabilisées plusieurs fois, ce qui nuit au calibrage des estimations de probabilité.
courbe ROC (caractéristique de fonctionnement du récepteur)
détection par rapport aux fausses alertesGraphique représentant le taux de vrais positifs d’un classificateur en fonction de son taux de faux positifs à mesure que varie le seuil de décision. Chaque point correspond à un compromis différent entre la détection des cas positifs et le déclenchement de fausses alertes. Comme chaque taux est calculé au sein d’une classe réelle, la courbe dissocie les performances de classement de la prévalence des classes, sans toutefois intégrer à elle seule les coûts métier.
ingénierie analytique
conception de solutions fondées sur les donnéesTravail qui consiste à traduire un problème métier réel en tâches analytiques pouvant être résolues, en s’appuyant sur les données, les méthodes, les contraintes et les connaissances du domaine disponibles. Il comprend la décomposition d’un problème en composantes pouvant être modélisées, l’évaluation de la capacité des données à les étayer, ainsi que la recombinaison des résultats des modèles avec les coûts et les décisions métier. La formulation peut devoir être révisée à mesure que l’équipe découvre ce que les données permettent ou non de déterminer.
FAQ
De quoi parle Data science pour l'entreprise ?
- Vue d’ensemble complète : Data science pour l'entreprise, de Foster Provost, présente en détail les principes de la science des données et leur application dans un contexte commercial. L’ouvrage porte sur la compréhension des concepts de l’exploration de données, et pas seulement des algorithmes.
- Public visé : Le livre s’adresse aux professionnels du monde des affaires, aux développeurs et aux aspirants spécialistes des données qui souhaitent exploiter les données pour prendre des décisions et faire le lien entre les équipes techniques et commerciales.
- Exemples pratiques : Il propose des exemples concrets, comme l’attrition de la clientèle et le marketing ciblé, pour montrer comment la science des données peut résoudre des problèmes métier pratiques.
Pourquoi lire Data science pour l'entreprise ?
- Essentiel pour les entreprises modernes : Le livre souligne qu’aujourd’hui, les données sont indispensables aux entreprises et que la compréhension de la science des données est cruciale pour prendre des décisions éclairées.
- Accessible à tous les niveaux : Les sujets complexes sont présentés de manière accessible. Le livre convient donc à des lecteurs ayant des niveaux d’expertise variés et s’avère particulièrement utile aux cadres qui travaillent avec des spécialistes des données.
- Connaissances fondamentales : Il présente les notions fondamentales nécessaires à toute personne souhaitant comprendre les environnements fondés sur les données ou y travailler.
Quels sont les principaux enseignements de Data science pour l'entreprise ?
- Raisonnement analytique sur les données : Le livre insiste sur l’importance d’analyser les données pour améliorer la prise de décision et présente une approche structurée de la résolution de problèmes à l’aide des données.
- Comprendre le surapprentissage : Le surapprentissage, qui se produit lorsque les modèles fonctionnent bien sur les données d’entraînement, mais mal sur les données inédites, est un enseignement essentiel. Il souligne l’importance de la capacité de généralisation.
- Techniques d’évaluation des modèles : L’ouvrage aborde des méthodes telles que la validation croisée pour vérifier que les modèles fonctionnent bien sur de nouvelles données, condition essentielle à la construction de solutions fiables fondées sur les données.
Qu’est-ce que le surapprentissage et pourquoi est-il important dans Data science pour l'entreprise ?
- Définition du surapprentissage : Le surapprentissage se produit lorsqu’un modèle apprend trop précisément les données d’entraînement et en capture le bruit et les valeurs aberrantes plutôt que le schéma sous-jacent, ce qui entraîne de mauvaises performances sur des données inédites.
- Généralisation ou mémorisation : Un bon modèle doit bien généraliser à de nouvelles données, plutôt que de simplement mémoriser l’ensemble d’entraînement. C’est essentiel pour produire des prédictions exactes dans des applications réelles.
- Éviter le surapprentissage : Des techniques telles que la validation croisée, l’élagage des arbres et la régularisation des modèles de régression sont présentées pour éviter le surapprentissage et maintenir un équilibre entre la complexité du modèle et ses performances.
Comment Data science pour l'entreprise définit-il le raisonnement analytique sur les données ?
- Approche structurée : Le raisonnement analytique sur les données est présenté comme une manière structurée d’aborder les problèmes métier à l’aide des données. Il consiste à repérer les données pertinentes, à appliquer les méthodes appropriées et à interpréter les résultats.
- Cadre de prise de décision : Le livre propose des cadres qui aident les lecteurs à analyser systématiquement les problèmes et à prendre des décisions fondées sur les données, en alignant les stratégies commerciales sur les enseignements tirés des données.
- Association de la créativité et des connaissances du domaine : Un raisonnement analytique efficace sur les données associe compétences analytiques, créativité et connaissances du domaine, pour obtenir de meilleurs résultats dans la résolution de problèmes.
Qu’est-ce que le processus CRISP-DM dans Data science pour l'entreprise ?
- Cadre structuré : CRISP-DM signifie processus standard interindustriel pour l’exploration de données. Ce cadre structuré pour les projets d’exploration de données comprend six phases : compréhension des objectifs métier, compréhension des données, préparation des données, modélisation, évaluation et déploiement.
- Nature itérative : Le processus est itératif. Les enseignements tirés d’une phase peuvent conduire à revenir sur les phases précédentes, ce qui permet d’améliorer et d’affiner continuellement les projets de science des données.
- Applicabilité à tous les secteurs : CRISP-DM est conçu pour s’appliquer à divers secteurs et fournit un langage et une méthodologie communs aux professionnels qui travaillent dans différents domaines.
En quoi consiste le cadre de l’espérance mathématique dans Data science pour l'entreprise ?
- Outil d’aide à la décision : Le cadre de l’espérance mathématique aide à évaluer les avantages potentiels et les coûts associés aux différentes décisions. Il permet aux entreprises de quantifier les résultats attendus à partir de données historiques.
- Composantes de l’espérance mathématique : Elle comprend les probabilités de différents résultats et les valeurs associées, calculées à partir des données, et contribue ainsi à prendre des décisions éclairées qui maximisent les profits ou minimisent les coûts.
- Application aux problèmes métier : Ce cadre peut s’appliquer à divers scénarios commerciaux, comme le marketing ciblé et les stratégies de fidélisation de la clientèle, afin de repérer les actions les plus rentables à partir de l’analyse des données.
Comment Data science pour l'entreprise aborde-t-il le surapprentissage dans les modèles de données ?
- Explication du surapprentissage : Le surapprentissage se produit lorsqu’un modèle capture le bruit présent dans les données d’entraînement plutôt que le schéma sous-jacent, ce qui entraîne de mauvaises performances sur les données inédites.
- Techniques d’évaluation des modèles : L’ouvrage met l’accent sur des techniques telles que la validation croisée pour évaluer les performances des modèles et atténuer le surapprentissage, afin de garantir leur capacité à généraliser.
- Contrôle de la complexité : Des méthodes de contrôle de la complexité des modèles, comme la régularisation et la sélection des caractéristiques, sont présentées pour construire des modèles conciliant ajustement et complexité et réduire ainsi le risque de surapprentissage.
Quelle est l’importance de la similarité en science des données, selon Data science pour l'entreprise ?
- Fondement de nombreuses techniques : La similarité sous-tend diverses méthodes de science des données, notamment le regroupement et la classification, et aide à regrouper les points de données et à en prédire les caractéristiques.
- Applications commerciales : La similarité est utilisée dans des applications pratiques telles que la segmentation de la clientèle et les systèmes de recommandation. Elle permet aux entreprises de cibler leurs efforts de marketing et d’améliorer l’engagement de la clientèle.
- Représentation mathématique : La similarité peut être quantifiée au moyen de mesures de distance, comme la distance euclidienne, permettant une analyse et une comparaison systématiques des points de données.
Quels sont les différents types de modèles abordés dans Data science pour l'entreprise ?
- Modèles prédictifs : Le livre présente des techniques de modélisation prédictive, notamment les arbres de classification, la régression logistique et les méthodes des plus proches voisins, adaptées à différents types de données et problèmes métier.
- Modèles de regroupement : Les techniques de regroupement rassemblent les points de données similaires et aident les entreprises à comprendre les segments et les comportements de la clientèle. Elles révèlent des pistes utiles pour les stratégies marketing et le développement de produits.
- Modèles d’exploration de textes : Les techniques d’exploration de textes, comme le modèle du sac de mots et le TF-IDF (fréquence du terme–fréquence inverse du document), sont essentielles à l’analyse des données non structurées et permettent aux entreprises d’extraire des informations précieuses de sources textuelles.
Qu’est-ce que la représentation en sac de mots en exploration de textes, selon Data science pour l'entreprise ?
- Concept de base : La représentation en sac de mots considère chaque document comme un ensemble de mots pris individuellement, sans tenir compte de la grammaire ni de l’ordre des mots. Elle simplifie ainsi les données textuelles pour leur analyse.
- Fréquence des termes : Chaque mot est représenté par sa fréquence d’apparition, ce qui permet de repérer les termes importants. Des techniques comme le TF-IDF améliorent cette représentation en pondérant les termes selon leur rareté.
- Applications : Largement utilisée pour la classification de textes, l’analyse des sentiments et la recherche d’information, cette représentation offre un moyen simple de convertir du texte en données numériques pour les algorithmes d’apprentissage automatique.
Quel rôle jouent les connaissances du domaine en science des données, selon Data science pour l'entreprise ?
- Améliorer la validité des modèles : Les connaissances du domaine sont essentielles pour valider les modèles et vérifier qu’ils sont cohérents avec le contexte commercial. Elles aident les spécialistes des données à interpréter les résultats et à affiner leurs analyses.
- Guider la sélection des caractéristiques : La compréhension du domaine permet aux spécialistes des données de sélectionner les caractéristiques pertinentes susceptibles d’influer sur la variable cible, améliorant ainsi les performances et la pertinence du modèle.
- Faciliter la communication : Les connaissances du domaine facilitent la communication entre les spécialistes des données et les parties prenantes de l’entreprise. Elles assurent une compréhension commune du problème et des données, et favorisent une collaboration efficace.
Télécharger le PDF
Télécharger l'EPUB
.epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.