Afin d’illustrer comment les solutions libre-service en analyse de données peuvent vous permettre d’accomplir des études dignes d’un expert en science des données, nous avons créé une étude de cas en 2 parties, qui porte sur une solution déployée pour l’entreprise Prudential.

Voici la partie 2 de l’étude de cas sur comment devenir data scientist. Également nous discutons de la création et du test des modèles et présentons les résultats.

Dans la première partie de l’étude de cas, nous avons présenté le contexte d’entreprise et l’objectif de l’analyse. Nous avons également abordé les étapes 1 et 2 de la solution, ainsi que les logiciels proposés pour accomplir celles-ci. Voici la suite :

SPSS Modeler accompagne l’analyste depuis la visualisation de données jusqu’à la modélisation :

L’étape 4 de la création et du test des modèles en est une autre qui est assez fastidieuse. Les modules automatiques de SPSS Modeler peuvent toutefois venir en aide ici aussi pour sélectionner les modèles les plus précis et obtenir une analyse post-modélisation plus rapidement. Du côté de Prudential, nous utilisions le module « Auto Classifier » afin de créer et tester les modèles.

Résultat :

Le résultat de notre solution présente une précision globale de 73.84%, qui se traduit par un « Quadratic unweighted kappa » de 65.1% (index mesurant la précision des résultats par rapport aux vraies réponses).

Sachant que les données ont été extraites d’une compétion Kaggle (plateforme de compétition en science des données). 65.1% en score kappa place notre modèle basée sur l’analyse automatique dans le top 40% des résultats soumis par plus de 2619 data scientists. Et cela en seulement quelques heures de travail.

Une fois ces résultats obtenus, il faut poursuivre avec le déploiement du modèle en API pour pouvoir l’intégrer. Pour ce faire, le module Watson Machine Learning[1] permet d’encapsuler le modèle créé ainsi que le flux de préparation et de manipulation de données. Il permet aussi de partager des clés d’accès API avec les développeurs de ton équipe. Ces derniers se chargeront de l’intégration avec la plateforme client. Notez que l’API est en REST et est configurable avec n’importe quel langage de programmation. L’encapsulage se fait par un simple téléversement du flux SPSS sur l’interface du service Watson Machine Learning créé sur Bluemix. (outil de « Platform as a service » d’IBM)

Conclusion

Grâce à SPSS Modeler, nous avons pu bâtir une solution prédictive complète et déployer celle-ci en API en un temps record. Cela fait contraste avec le temps nécessaire d’un expert en science des données. En somme, pour déployer des solutions raffinées de science des données, il suffit d’être outillé correctement et de s’entourer des bons experts. Pour en savoir davantage sur les produits SPSS et sur la science des données, ou encore pour une formation avancée, contactez les experts de Necando (lien vers la page contact du site). Il nous fera plaisir de supporter votre croissance!

[1]Watson Machine Learning (aka IBM SPSS Embedded Predictive Modeling API)

Accédez à au début de l’étude de cas: Comment devenir data scientist. Pour consulter la mise en contexte et la visualisation.

The post Devenir data scientist sans doctorat c’est possible – Partie II appeared first on La science des données au Québec.

Préparez le terrain

Soyez à l’écoute. Il est important de comprendre la source de résistance aux projets avant de faire son pitch pour être un  » data science evangelist  » efficace. Vous pourriez découvrir de vos collaborateurs et supérieurs qu’il s’agit simplement d’une mauvaise compréhension et/ou une méconnaissance de la science des données (e.g. « l’intelligence artificielle va remplacer les humains ! » ou encore « la science des données c’est seulement pour les multinationales ! »). Soyez attentif à ce qu’il se dit afin d’améliorer et personnaliser votre approche avec chaque intervenant dans l’entreprise lorsque viendra le temps de vendre votre idée.

Commencez petit pour finir grand

Avec les tendances dans le marché de la science des données il est facile de viser haut et de subir un échec. C’est le cas surtout à ce qui touche à l’intelligence artificielle. Utilisons le parallèle du nouveau conducteur automobile : généralement, on se tourne vers un véhicule d’occasion fonctionnel pour débuter. Pour ensuite s’offrir un véhicule neuf plus haut de gamme, une fois ayant acquis une certaine expérience de conduite.

Cette logique incrémentale s’applique aussi en entreprise. Si celle-ci n’a que peu ou pas de maturité en analytique descriptive («reporting », « alerte », « metrics »…) évitez de proposer des initiatives en analytique prédictive ou en système expert. Au-delà de la résistance face à un tel changement, vous exposerez l’entreprise à une forte probabilité d’échec dans la mise en place du projet. En tant que  » data science evangelist  » faites-vous les dents sur des projets de plus petite envergure. Par la suite lancez-vous dans des pratiques avancées comme l’analytique prédictive ou les systèmes experts.

Identifiez les champions

Dans chaque équipe ou ligne d’affaires, on retrouve un spécialiste du domaine. Ce Champion s’est établi comme la référence de son secteur grâce à ses connaissances approfondies de tous les processus d’affaires qui sont indispensables pour le bon fonctionnement de l’unité. Cette dynamique lui confère un pouvoir de persuasion sur ses collaborateurs qui vous sera nécessaire pour véhiculer votre message et vos initiatives au sein de son groupe.

Le  » data science evangelist  » commence donc par identifier et enrôler ce Champion. Cela grâce à l’organisant des démonstrations et des sessions de travail. Son support facilitera votre travail  » data science evangelist « .

Le temps est l’allié du « data science evangelist « 

Le quatrième élément clé à retenir pour la mise en place d’un projet en science des données est le suivant : le temps joue en votre faveur. Il est possible que votre initiative, aussi novatrice et bien intentionnée soit-elle, ne résonne pas à l’interne. Ne baissez pas les bras; tout est une question de temps. Peut-être votre entreprise a-t-elle des priorités rigides à respecter pour le trimestre en cours. Continuez à véhiculer votre message et votre enthousiasme, on finira par vous entendre. La patience est la qualité première d’un bon  » data science evangelist « .

Quels que soient votre champ d’action (migration vers l’infonuagique, robotique, DevOps…), vous pouvez mettre en application les quatre piliers proposés. Enfin, que votre projet ne soit encore qu’une idée ou que vous en soyez à la phase de déploiement, faites appel à notre équipe d’experts  pour vous accompagner dans vos démarches et jouer le rôle de facilitateur.

[1] http://www.gartner.com/newsroom/id/3130017

The post « data science evangelist « , comment devenir le moteur de changement dans votre entreprise : la clé du succès de vos projets avant-gardistes   appeared first on La science des données au Québec.