Gestion de la communication

Machine Learning pour le business

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Groupes de travail

Planifiez des réunions récurrentes pour suivre l’avancement et définir :

Définir les besoins métier
Revoir le modèle de ML et les produits métier
Inférence vs. prédiction
Résultats du modèle de référence et plan des mises à jour
Tests de marché
Mise en production

Exigences métier

Quelle est la situation métier ?
- Le taux d’attrition augmente
Quelle est l’opportunité métier et quelle est sa taille ?
- Réduire l’attrition de X % à Y %
Quelles actions métier allons-nous mener ?
- Lancer des campagnes de rétention ciblant les clients à risque

Produits de machine learning

De quels produits de ML l’entreprise a-t-elle besoin ?

$$

Exemple 1 - Prédire l’attrition. L’entreprise veut 1) une inférence sur les moteurs de l’attrition, mise à jour trimestriellement, et 2) une classification quotidienne des clients : perdus, à risque, sans risque

$$

Exemple 2 - Détection de fraude. L’entreprise veut 1) une inférence sur les indicateurs forts d’attrition, et 2) une liste en temps réel des transactions très risquées pour examen manuel et des risques moyens pour demande de données supplémentaires

Performance et améliorations du modèle

Définissez la tolérance aux erreurs du modèle (rappel : tous les modèles sont faux) :

Classification
- Quelle classe est la plus coûteuse à mal classer ?
- Exemple : il est probablement plus coûteux de classer une fraude en non-fraude que l’inverse
Régression
- Quelle est la tolérance d’erreur de prédiction ?
- Exemple : en prévision de la demande, une forte erreur oblige l’entreprise à acheter trop de stock

Tests de marché

Test A/B

Machine learning en production

Les tests apportent-ils des gains positifs constants ?
Le modèle est-il suffisamment stable ?
Avons-nous des systèmes et outils où intégrer le modèle ?

Passons à la pratique !

Machine Learning pour le business

Preparing Video For Download...