Qui de l’homme ou de la machine prend la décision?

Quand on aborde le thème de l’analytique, l’homme ne détient plus le monopole de la décision. Nombre de processus sont désormais traités par des machines, surtout s’ils doivent être conduits en temps réel et exploiter de grands volumes de données. Cet aspect est trop souvent négligé et constitue pourtant l’une des clés de la réussite d’un projet analytique, affirme l’expert Tom Davenport dans la revue en ligne Data Informed.

Qui prend la décision ? L’homme ou la machine ? La réponse à cette question est essentielle, selon Thomas H. Davenport, professeur émérite en technologie de l’information et en management au Babson College (Massachussets). En effet, elle détermine nombre d’aspects d’un projet analytique, comme le profil des personnes chargées du traitement des données ou les outils utilisés pour le réaliser.

Lorsque le résultat d’une analyse de données est destiné à un décideur humain, il convient de tenir compte de son appétence aux statistiques pour le lui présenter. La visualisation des données est alors souvent privilégiée pour en faciliter la compréhension. Mais pour un data scientist, le plus important est de tisser une relation de confiance avec le professionnel qui doit prendre la décision et d’être en mesure de la ou le convaincre de l’intérêt du résultat en employant un vocabulaire adapté.

 

Distinguer « decision scientist » et « data scientist »

 

Les machines, au contraire, sont dépourvues de l’humeur ou de l’ego qui conduisent parfois certains décideurs à privilégier leur intuition à l’objectivité des données. Dans des domaines comme le ciblage publicitaire, l’autorisation de crédit, la souscription d’assurance et bien d’autres, là où les volumes de données à traiter sont gigantesques et le temps réel fréquent, elles prennent le relais de l’opérateur humain en s’appuyant sur des technologies, telles le deep learning ou apprentissage profond, le machine learning, les règles métiers ou les réseaux de neurones.

Pour différencier les spécialistes des données dont la mission est de produire des analyses destinées à des décideurs humains de ceux qui travaillent essentiellement avec des machines, Tom Davenport suggère de nommer les premiers « decision scientists » et les seconds « data scientists ». Une clarification sémantique de bon sens qui permettrait de limiter la confusion entre deux aspects bien distincts de ce métier.

 

Lire l’article (en anglais)

 

En complément :

Une étude (en anglais) de CrowdFlower au sujet des data scientists

et une tribune (en anglais) au sujet de la place de l’humain dans l’univers des big data.

 

À lire sur Business Analytics Info :

« Reconnaître un bon data scientist »

et

« Gestion du risque : une nécessaire relation homme-machine »