Intelligence décisionnelle

L'intelligence décisionnelle (DI) est une discipline qui transforme les données en décisions gérables et en effets mesurables. DI combine la causalité, la prévision, l'économie des solutions, la conception des politiques et les MLOps/opérations en un seul cycle de vie.

1) Cadre DI : OODA/SSDL

Observateur (Signal) : événements standardisés, qualité/fraîcheur, dedup et contexte.
Orient (Sense) : interprétation : cohortes, segments, graphes causaux, profils de risque.
Decide : politique (règles/modèles/bandits), prise en compte des contraintes et du coût des erreurs.
Acte : orchestration d'actions, canaux, idempotence, priorités.
Learn : évaluation causale de l'effet, mise à jour des seuils/politiques/modèles.

2) L'économie des solutions

Fonction de valeur : revenus/dommages/rétention/qualité du service.
Coût de l'erreur : FP/FN en argent et risques (RG/conformité/réputation).

Valeur escomptée (VE) :

[
EV = p_{\text{uspekh} }\cdot Value - p_{\text{vred} }\cdot Harm - Cost
]

L'action est valide si 'EV≥0' et guardrails sont normaux.
Risque-appétit : limites sur le RPF, fréquence des interventions, budget des dommages/plaintes, error budget.

3) Causalité et prévisions

Quand la prévision est suffisante : allocations à faible risque, classement selon les probabilités.
Lorsque la causalité est nécessaire : ROMI, politique des prix/limites, sécurité/conformité. Utiliser A/B, DiD, RDD, IV, témoin synthétique ; avec le ciblage - uplift et CATE.
Counterfactual loop : prévision → action → effet → recalculer uplift/seuils.

4) Types de politiques

Règles (policy-as-code) : déterministes, explicables ; base et fail-safe.
Score-based : probabilités/scores, hystérésis, seuils cost-sensibles.
Contextuel (bandits) : ε -greedy/Thompson pour sélectionner les offers/canaux.
Cohérent (RL) : stratégies multi-flux avec contraintes (safe RL).
Composites : cascade - sécurité/conformité → économie → UX.

5) Architecture DI

Données : événements canoniques (UTC, versions), fichestor (en ligne/parity offline), catalogue.
Modèles : registre/versions, étalonnage, drift-monitoring (PSI/KL), PR- AUC/Recall@FPR≤x %.
Sémantique et métriques : un seul dictionnaire KPI/guardrails, SLO de fraîcheur.
Moteur de politique : tables de décision, AVAS/contextes, hystérésis, taux-limites, priorités.
Orchestrateur d'actions : livraison garantie, retraits, idempotence 'action _ id', DLQ.
Observabilité : trace 'correlation _ id', entonnoir 'signal→decision→action→outcome'.
Sécurité : RLS/CLS, masque PII, journal d'accès et de solutions.

6) Métriques DI

Qualité des solutions

Decision Precision/Recall : sur les vrais succès de l'action.
Regret/Opportunity Loss : retard par rapport à la politique optimale.
Coverage : proportion d'objets ayant reçu une action.
Latency p95: Signal→Decision/Decision→Action.
Fairness/Harms : différence d'erreur par segment, plainte, appel.

Effet métier

Action ROMI/ROI, uplift @ k, Qini/AUUC.
Net Benefit : effet − coût − préjudice.
Time-to-Impact : temps entre le signal et le résultat mesurable.

7) Conception de la solution (decision design)

1. Formulez la question comme un effet : « Quel est le gain de rétention de X pour Y pour T ? »

2. Dessinez un DAG, identifiez les confounders/collisionneurs.
3. Choisissez un modèle : A/B, quasi-expérience ou prévision nette + estimation ex post.
4. Identifiez l'action et les alternatives, les restrictions et les guardrails.
5. Définissez une fonction de valeur et un budget de risque.
6. Décrivez la politique dans la table de décision : les conditions → l'action → les canaux → le couldown.
7. Planifiez l'évaluation : métriques d'effet, durée, segments CATE.
8. Identifiez le runbook des incidents et les règles fallback.

8) Hystérésis, fréquence et conflits

Hystérésis : les seuils « entrée/sortie » sont différents ; empêche les interventions de « clignoter ».
Cooldown : pauses entre les contacts/contraintes du même objet.
Conflits de politiques : matrice des priorités ; « la sécurité a priorité ».
Quotas/Taux-limite : par canal, segment, utilisateur ; une répartition équitable.

9) Niveaux d'autonomie

1. Ad hoc : l'homme décide, les données manquent.
2. Assistée : le système propose une solution + explication.
3. Automated : auto-solutions au sein des guardrails.
4. Adaptive : Auto-tuning des seuils/choix des offers (bandits).
5. Safe-Autonomie : autonomie sous contraintes formelles et audits.

10) Décisions sous incertitude

Planning scénique : base/stress/extrême ; gammes d'effets.
Robustness : stratégie résistante aux erreurs paramétriques.
Intuition POMDP : agissez avec des informations incomplètes ; apprécier le coût de l'information (quelle expérience faire).
Mise à jour bayésienne : combinez les connaissances historiques et les données actuelles.

11) Dialogue sur les « modèles de politique ↔ »

Le modèle donne une score/distribution des résultats.
La politique tient compte du coût des erreurs, des contraintes et de l'équité.
La ligne de section est dans la décision explicite threshold policy avec le journal des versions.
La révision du seuil est par VE, pas seulement par ROC/PR.

12) Documents et artefacts

Passeport de stratégie (template)

Code/version, cible et KPI de l'effet

Conditions/fiches/modèle, hystérésis/couldown

Actions et canaux, priorités et exceptions réciproques

Guardrails (FPR≤x %, latitude p95≤y, RG/conformité)

Évaluation : conception du test, métriques, durée

Audit/explication pour l'utilisateur, propriétaires

Table de décision (exemple)

Condition	Contexte	Action	Кулдаун	Guardrails
`churn_uplift ≥ 0. 08` & `value_q ≥ 0. 8`	ретеншн	offer L	7д	ROMI≥0, cap=1
`rg_risk ≥ τ` & `night`	RG	pause + conseil	1д	FPR≤1%
`fraud_score∈[τ1,τ2]`	paiement	vérification manuelle	—	SLA 2h

Schéma de logage de la solution de bout en bout

`signal_id` → `decision_id` → `action_id` → `outcome_id` (+ `correlation_id`).

13) Howernance et conformité

Dictionnaire unique des métriques et de la versionalité des formules.
Comité des politiques : agent de risque, produit, données, conformité.
Audit des décisions : explications, motifs des refus, voies d'appel.
Éthique et équité : suivi des erreurs par groupe ; exclure les caractéristiques protégées des règles lorsque la loi l'exige.

14) Erreurs fréquentes

Optimisation des métriques proxy au lieu de l'effet business (Goodhart).
Mélange de prédictions et de causalité ; ROMI « par corrélation ».
Absence d'hystérésis et de couldaunes → spam/« clignotant ».
Coût non comptabilisé des erreurs et des dommages à l'utilisateur.
Modifications silencieuses des seuils/formules sans versions et changelog.
Actions sans évaluation de l'effet et « fermeture du cycle ».

15) Chèque avant la publication de la politique/du système de DI

L'objectif est formulé comme un effet causal, la fonction de valeur et le budget du risque sont définis
Dessiné par le DAG ; sélection de la conception de l'évaluation (A/B/DiD/SC) et de la métrique
La politique est décrite dans la table de décision ; il y a hystérésis/couldown/priorités
Les modèles sont calibrés ; seuils déduits du coût des erreurs (VE)
L'orchestre d'action est idempotente ; Magazine « signal→decision→action→outcome » inclus
Les gardes et les alertes sont personnalisés ; les règles runbooks et fallback sont prêtes
Dashboards : vortex de décisions, effet (uplift/ROI), préjudice/plaintes, fairness
Versions/propriétaires/droits d'accès/conformité documentées

Résultat

L'intelligence décisionnelle est un système et non un ensemble de modèles : données et métriques uniques → une perspective causale et économique de l'effet → des politiques explicites et une orchestration sûre → une évaluation rigoureuse et un apprentissage continu. Un tel système réduit les risques, augmente le ROI et rend les solutions reproductibles, compréhensibles et gérables.

Intelligence décisionnelle