Savoir challenger la donnée

• Savoir prendre du recul par rapport à la donnée
• Savoir juger de la performance d’un modèle
• Savoir contribuer à une démarche d’amélioration continue

• Les données utilisées sont-elles celles dont j’ai vraiment besoin pour piloter ?
• Adéquation stratégie et leviers opérationnel vs création de valeur
• Simulation : à partir de scénarii d’évolution du business model, comment les données fondamentales sont-elles impactées ?

La fiabilité et la pertinence de la donnée

• Origine de la donnée, quand et comment elle a été obtenue, pourquoi et par qui elle a été créée, et éviter le biais de collecte
• Mise à jour des données prédictives sur les résultats réels et boucles d’apprentissage, machine learning
• Niveau de confiance et conclusions par rapport à la volumétrie et à la mesure, notion d’overfitting
• Résultats sous forme d’intervalle de confiance et prévisions dans une vision intervalle de prédiction avec un fan chart

L’interprétation des résultats

• Enjeu de la prise de décision
• Le paradoxe de Simpson (facteur de confusion)
• Ne pas confondre corrélation et causalité

Performance du modèle et boucle d’amélioration

• Metrics d’évaluation, vrais et faux résultats positifs ou négatifs
• Matrice coûts/bénéfices et matrice de confusion
• Représentation visuelle de la performance du modèle (ROC curve)
• Valeur attendue et aversion au risque (risk utility curve)

Pendant la session : alternance de développements théoriques et d’illustrations tirées de situations réelles. Des cas pratiques et des quiz interactifs permettent de s’assurer de l’acquisition des connaissances tout au long de la formation.
En aval : l’animateur est disponible pour répondre à toute question relevant de la formation.