Modèles prédictifs

Les modèles prédictifs sont des algorithmes qui évaluent les valeurs ou les événements futurs à partir de données historiques. Ils sont au cœur de l'analyse des produits, de la gestion des risques, du marketing, de l'antifrod et de l'optimisation opérationnelle. Voici un guide pratique : du choix de la formulation de la tâche au fonctionnement et au contrôle de la qualité.

1) Formulation des tâches et des signaux

Régression : prévision de la valeur continue (LTV, taille du dépôt, taille du chèque).
Classification : probabilité d'événement (sortie client de 30 jours, frod/non frod).
Classement : organiser les objets selon la pertinence (recommandations).
Séries chronologiques : prédiction par calendrier (trafic, charge, recettes).
Survie/temps avant l'événement : estimation du temps avant la sortie/rééchelonnement.
Simulation uplift : augmentation de l'effet de l'impact (quelle action change vraiment le comportement).
Productions multi-classes/multi-étiquettes : plusieurs états/événements en même temps.
Modèles bayésiens et probabilistes : prévision avec une incertitude évidente.

2) Données et préparation

Grain et fenêtre d'observation : identifiez l'unité de prévision (utilisateur/session/jour) et la « fenêtre » honnête de collecte des signes jusqu'au moment de la prévision.
Variable cible : définition claire, horizons (7/30/90 jours), élimination des fuites futures.
Caractéristiques : agrégats par fenêtre (7/30/90), fréquences comportementales, séquences, encodages catégoriques, interactions, statistiques par segment.
Qualité des données : omissions, émissions, doublons, changements de schémas, cohérence des horodatages.
Équilibre des classes : stratification, pesage, oversampling/undersampling - soigneusement pour ne pas apporter de décalage.

3) Sélection des algorithmes

Linéaire de base : régression linéaire/logistique, régularisation (L1/L2/Elastic Net) - rapide, interprétable.
Arbres et ensembles : Random Forest, Gradient Boosting (XGBoost/LightGBM/CatBoost) sont de forts baselines.
Réseaux neuronaux : MLP/Seq2Seq/Transformer pour les modèles complexes (textes, séquences, séries chronologiques).
Séries chronologiques : ARIMA/ETS, Prophet, Graduate Boosting avec Lags, DeepAR/N-BEATS/Temporal Fusion Transformer.
Uplift : approche à deux modèles, T-Learner/S-Learner/X-Learner, arbres causals.
Survival: Cox, AFT, Random Survival Forests.
Bayesov : GLM/modèles hiérarchiques avec des distributions a priori.

Pratique : Commencez par un base-line simple et reproductible, ajoutez de la complexité uniquement avec des gains tangibles en métriques et en stabilité.

4) Séparation et validation

Temps CV : pour les tâches avec le temps - coupes par date (rolling/expanding windows).
Stratification : pour les classes déséquilibrées.
Validation de groupe : ne tolérez pas les « fuites » entre les groupes (user_id, campaign_id).
Test out-of-time : vérification finale sur la période « future ».
Basilines : naïves (dernière valeur, moyenne), fréquentielles, logreg simple - pour mesurer la valeur réelle.

5) Métriques de qualité

Classification : ROC-AUC, PR-AUC (important dans les événements rares), logloss, Brier score, F1, precision/recall @ k, lift/NDCG.
Régression : RMSE/MAE/MAPE, sMAPE, R ², loss quantile (pour les percentiles).
Séries chronologiques : MAPE/sMAPE/MASE, Pinball loss (prévision quantile).
Survival : Indice de concordance, Brier pour le temps avant l'événement.
Uplift: Qini, uplift@k, AUUC.
Mesures d'affaires : bénéfices incrémentiels, utilisateurs retenus, réduction des frondes, SLA en termes de précision.

Recommandation : gardez toujours deux niveaux de métriques - « qualité ML » et « effet d'entreprise ».

6) Étalonnage et seuils

Étalonnage des probabilités : Platt, isotonic, temperature scaling.
Choix du seuil : par objectifs commerciaux (maximum de bénéfices/limitation des faux positifs), par coûts/pénalités.
Stabilité du seuil : surveillance en tenant compte de l'évolution des distributions.

7) Interprétabilité et explication

Globalement : importance des traits (gain, permutation), PDP/ICE, SHAP.
Local : SHAP/LIME pour expliquer la décision par objet.
Caveat : l'interprétabilité est un outil de validation des hypothèses et de confiance, pas une « vérité » absolue.

8) Déploiement de combat

Serving : en ligne (REST/gRPC, faible latence) et batch (heure/jour).
Versioning : modèles, données, schémas et fiches (registry).
Fichestors : cohérence en ligne/hors ligne, correctivité point-in-time.
Contrôle des retards : budget pour l'extraction des signes, inference, post-processus.
Fail-safe : règles de défaut, dégradations à la base-line, délais et retraits.
A/B et rollout progressif : versions canaries, shadow/inference mirroring.

9) Surveillance et dérive

Qualité : métriques sur la vente (ROC-AUC/PR-AUC sur les labels différés, KPI d'entreprise).
Distributions : PSI/JS-divergence/KL, dérive des traits et cible.
Data Health : proportion de passes, cardinalité des catégories, spires, retards de piplines.
Alerting et SLO : seuils, runibooks (que faire en cas de dégradation).
Retrening : selon l'horaire, selon les déclencheurs de dérive, selon la saisonnalité ; contrôle de la régression de la qualité.

10) Sécurité, conformité et éthique

Confidentialité : minimisation des données, pseudonymisation, contrôle d'accès.
Équité : vérification des bias par segments (faux taux positif/non positif), ajustement des samples/seuils.
RGPD/normes locales : finalités du traitement, durée de conservation, droit d'explication.
Audit et reproductibilité : trace des versions, assemblages reproductibles, journal des solutions.

11) Modèles pour les cas types

Sortie (churn) : classification binaire ; métriques - PR-AUC, test uplift pour les campagnes de rétention ; conclusion - hiérarchisation des offers.
Antifrod : classification très équilibrée ; métriques - PR-AUC, recall @ low-FPR ; limites strictes de latitude.
LTV/ARPPU : régression ou régression quantile ; recalibrage régulier.
Prévisions de charges/recettes : séries chronologiques ; un ensemble de modèles statistiques et ML ; la saisonnalité et les fêtes comme les fiches.
Recommandations personnelles : classement/matrfactorisation/seq-model ; mises à jour en ligne et exposition (bandits mult-armed).

12) Processus (ML Lifecycle)

1. Problème et KPI → 2. Données et fiches → 3. Basline → 4. Modèles et sélection des →

2. Étalonnage et seuils → 6. Validation et A/B → 7. Serving et surveillance → 8. Retrening/évolution.

Chaque étape est documentée : schémas de données, confidences d'apprentissage, versions d'artefacts, résultats d'expériences.

13) Ingénierie des caractéristiques (brièvement)

Agrégats : montants/moyens/quantifiés par les fenêtres.
Compteurs et fréquences : conversions, rares catégories.
Temps et tendances : delta, lissages exponentiels.
Encodage des catégories : target/stats encoding (avec les fuites attention), WoE, one-hot/Hashing.
Textes et évènements : TF-IDF, embeddings, sequence-fichi.
Logique d'entreprise : caractéristiques de domaine (par exemple, « kol-in-days dernier paiement »).

14) Gestion des expériences

Tracking : métriques, paramètres, artefacts, datacets.
Hyperparamètres : action bayésienne, recherche random/grille, arrêt précoce.
Contrôle des fiches : catalogue de données, contrat de schéma, tests d'interopérabilité.

15) Chèque-liste avant la vente

Pas de fuites de l'avenir ; Validation temporelle correcte
Les métriques sont résistantes aux déplacements ; il y a un test OOT
Étalonnage vérifié ; seuil d'activité sélectionné
Documentation des fiches et des contrats de données
Les fonctions de dégradation et d'alerte sont personnalisées
Plan de retrenage et critères d'arrêt
Contrôles juridiques et éthiques effectués

Mini-glossaire

Dérive des distributions : modification des statistiques de données/cibles dans le temps.
Étalonnage : amène les probabilités à la fréquence réelle des événements.
Uplift : prédiction de la différence d'effet entre « traité » et « témoin ».
Test OOT : validation du modèle sur une période totalement invisible lors de la formation/validation.

Résultat

Le modèle prédictif n'est pas seulement un algorithme, mais un processus : une mise en œuvre correcte de la tâche, la discipline des données, une validation stricte, des piplines reproduites, un suivi et une éthique. Suivre le cycle décrit réduit le risque de « belles mesures en offline » et augmente la valeur réelle du produit.

Modèles prédictifs