Réseaux de neurones de la théorie à la pratique

Quelles sont les étapes de la mise en place d’un projet de réseaux de neurones, et les bénéfices métiers attendus ? Faisons le point avec un DSI qui l’expérimente actuellement : Bertrand Blond, DSI et Digital officer de Cerfrance Alliance Centre, Cabinet d’expertise comptable et d’accompagnement des chefs d’entreprise. L’entreprise teste actuellement une démarche de Machine Learning par réseaux de neurones pour analyser l’attrition, c’est-à-dire la perte de clients, (appelée « churn » dans le jargon des opérateurs télécoms notamment). A la clé : permettre aux collaborateurs d’identifier des points de vigilance et d’adopter une démarche plus proactive vis-à-vis de leurs clients.

Question Atout DSI : Quel est le contexte de ce projet ?

Ce projet s’inscrit dans la continuité de notre projet Big Data de captation, d’exploitation et de valorisation des données produites dans le système d’information de Cerfrance Alliance Centre. Son objectif consiste à concevoir une nouvelle plateforme d’analyse de la donnée afin de constituer un socle technologique et de nouvelles interfaces collaboratives permettant l’accélération de la stratégie du groupe pour les années à venir et également la mise sur le marché de nouveaux services aussi bien à ses clients internes qu’externes. [Retrouvez-ici l’article que nous avions dédié à ce projet].

Pour accélérer notre innovation technologique, la DSI a créé en 2015 un Labo R&D technologique permettant d’analyser et de prototyper rapidement des situations métiers à optimiser voir automatiser, afin de mettre en œuvre des solutions technologiques pour y répondre. Le Lab a donc pour vocation de tester des solutions innovantes (ChatBot, Blockchain, Intelligence artificielle etc…) pour répondre aux enjeux clients.

Comment avez-vous créé le Lab Cerfrance Alliance Centre ?

J’ai recruté une équipe spécifiquement dédiée pour ce Lab, constituée actuellement de quatre collaborateurs, soit deux datascientists et deux développeurs avec une vision à 360 degrés de nos problématiques. C’est une équipe atypique, en veille technologique constante, capable de s’auto-former et d’innover très vite.

J’ai avant tout sélectionné des profils, des personnalités et non pas prioritairement des compétences. Tous sont très autodidactes et c’est cette capacité à s’adapter et à apprendre rapidement que je teste en conditions opérationnelles lors des entretiens d’embauche ; critères aussi important que le savoir-faire technique et le savoir-être aux côtés des collaborateurs et des clients. Mon rôle en tant que DSI et Digital Officer est d’entretenir leur motivation, leur donner les moyens d’enrichir leurs compétences et de leur donner la ligne directrice des différents projets de recherche.

Quel est le mode de fonctionnement du Lab et comment l’avez-vous appliqué à la problématique de l’attrition ?

Le Lab travaille en 3 étapes sur cycle court : le prototypage, la phase pilote, la production. Cela implique que l’équipe soit capable de prototyper rapidement.

Face à différents problèmes identifiés, comme l’attrition ou « churn », nous avons essayé de reproduire ces modèles mathématiques  dans notre contexte. Nous avons donc étudié l’historique de nos clients sur les 10 dernières années pour détecter des tendances et les raisons de départ, et ainsi générer un scoring général de churn et une note de risque par client.

Nous avons retenu pour gérer ce scoring la démarche de machine learning par réseau de neurones, car elle va proposer une solution ou une orientation en s’appuyant sur de l’historique et en apprenant de ses erreurs. Plus nous disposerons de données et meilleure sera l’efficacité de l’ensemble de la démarche.

Quelles sont les étapes méthodologiques de votre projet de réseaux neuronaux appliqués au churn ?

Le timing complet du projet à ce stade est d’environ 6 mois, avec 2 mois de prototypage avec des collaborateurs suivi d’une présentation et d’une validation par le comité de direction. Nous venons de démarrer la phase pilote avec la participation de plusieurs collaborateurs au cœur du terrain et nous prévoyons un premier bilan en septembre.

D’un point de vue organisationnel et technique voici les grandes étapes du projet :

–          La Collecte des données : des données clients et des données internes de « contexte » comme par exemple la distance entre l’entreprise cliente et son agence Cerfrance Alliance Centre.

–          Le Data engineering : c’est à dire le nettoyage des données pour leur transformation et leur agrégation. Cette étape a nécessité le développement en interne de scripts en R.

–          Le Feature engineering : c’est à dire préparer les données pour optimiser la convergence du réseau de neurones vers une solution. Cette étape passe par la réduction de la dimension du réseau de neurones, sa normalisation (quelles doivent être les paramètres minimums et maximums en fonction des données généralement observées) et leur enrichissement.

 –          La Modélisation : on parle là de l’entraînement et l’évaluation du réseau de neurones.

–          La Restitution : le modèle « entrainé » avec les bonnes données nous fournit une réponse (le score de churn et la note de risque client).  Ces informations seront intégrées dans un portail de datavisualisation au travers d’une application web, via une API Rest.

Nous disposons également de deux indicateurs :

–          La Validation du modèle statistique : en phase de prototypage nous entrainons le réseau de neurones en l’alimentant aussi avec des données d’historique pour vérifier que le modèle statistique est capable de comprendre les critères qui ont pu mener au départ d’un client.

–          Le Retour du terrain : ce sont les collaborateurs qui vont pouvoir nous dire si avec notre scoring nous avons raison on non. Pour le moment les manageurs peuvent accéder à ces informations sous forme d’un tableau de bord, présentant cette  « note de confiance » pour chacun de leurs clients. A terme cette information sera positionnée dans le CRM.

Quels sont les points de vigilance d’un projet de réseaux de neurones ?

La difficulté c’est qu’il n’existe pas de produit packagé pour créer son machine learning par réseaux de neurones et n’avoir qu’à appuyer sur un bouton. Donc, oui il va falloir passer par quelques développements et une démarche de test et d’apprentissage permanent.

Mais les librairies sont disponibles sur étagère, avec des communautés riches qui les font vivre (par exemple Google TensorFlow et Keras).

Enfin pour les étapes de prototypage nous avons choisi depuis 3 ans de travailler en cloud sur la plateforme Microsoft Azure, ce qui est idéal pour avoir la souplesse nécessaire à cette étape du projet, en ajustant le nombre de machines virtuelles pour un budget réduit.

Toutefois, la vraie difficulté principale réside plutôt dans la définition, l’identification et la collecte de manière fiable des variables incidentes sur la démission client. Cette étape cruciale non négligeable pour obtenir un résultat pertinent ne peut passer que par un travail commun avec les équipes métiers en proximité terrain avec les clients.

Quelle valeur ce service apportera-t’il aux clients de Cerfrance Alliance Centre ?

Cette démarche de scoring devrait permettre d’engager des actions proactives envers nos clients identifiés à risque de départ et ainsi d’améliorer leur satisfaction en leur proposant des offres plus adaptées, mieux ciblées et plus cohérentes avec leurs problématiques.

Au-delà de la proximité client, qui est inscrit dans les fondamentaux de Cerfrance Alliance Centre, nous pourrons aussi identifier des situations qui ne sont pas visibles et qui, si nous ne les traitions pas, pourrait mener à une insatisfaction client. En adoptant une démarche proactive vis-à-vis de ces clients nous pourrons leur amener plus de satisfaction.

La phase de prototypage a déjà permis d’identifier des détails intéressants. Cerfrance a ainsi instauré une rencontre physique systématique avec tous ses clients une fois par an et nous savons statistiquement que quand cette rencontre – appelée PSE pour « Piloter son entreprise » (une rencontre décorrélée des rendez-vous réglementaires comptable habituels) est réalisée, c’est un élément de fidélisation important. Cela permet ainsi, de pouvoir juger de la pertinence de nos offres de services et d’apporter en amélioration continue des actions correctives sur nos livrables.

Au final c’est un service gagnant / gagnant avec le client.

[NDLR : Pour les amateurs de data analytics, le prototypage a été réalisée en appliquant un algorithme de « forêt aléatoire » / « forêt d’arbre décisionnel » ou « Random Forest ». Cet algorithme de classification réduit la variance des prévisions d’un arbre de décision.]