La modélisation prédictive doit évoluer pour tenir compte des environnements complexes –

Un nombre croissant d’entreprises déploient des modèles prédictifs sophistiqués alimentés par l’intelligence artificielle et l’apprentissage automatique, et beaucoup les utilisent pour éclairer des décisions critiques.

Pourtant, même les modèles les plus avancés n’ont pas pu prédire l’arrivée de la pandémie de COVID-19 ou l’invasion de l’Ukraine par la Russie – qui rappellent en permanence les limites qui accompagnent la tentative de prédire l’avenir.

Limites de la modélisation prédictive dans les environnements complexes

Les modèles prédictifs sont basés sur des données d’événements passés et utilisés pour projeter les résultats futurs, mais ils doivent évoluer pour tenir compte des situations et des environnements complexes.

Les événements intrinsèquement imprévisibles ne sont précédés d’aucun autre point de données, ce qui crée un biais dans la sortie du modèle vers des résultats « sûrs et prévisibles ».

Les entreprises qui fondent leurs opérations sur de tels résultats sont inévitablement prises au dépourvu lorsque des circonstances imprévues surviennent, et les résultats peuvent être préjudiciables.

Perturbations de la chaîne d’approvisionnement

La crise actuelle de la chaîne d’approvisionnement fournit un exemple frappant des dangers auxquels sont confrontées les entreprises qui accordent trop de confiance à la modélisation prédictive.

Les chaînes d’approvisionnement, en particulier, sont axées sur la prévisibilité et la plupart ne résistent pas aux perturbations.

Les pénuries d’approvisionnement en produits qui ont semé la panique chez les consommateurs au début de la pandémie et la pénurie actuelle de micropuces qui affligent actuellement les fabricants sont deux des derniers coups portés à une chaîne d’approvisionnement mondiale qui a connu des perturbations continues. Pourtant, ils ne seront probablement pas les derniers.

Les défis complexes prolifèrent

Le paysage des affaires et le monde sont de plus en plus définis par l’imprévisible.

Des défis autrefois compliqués sont devenus des environnements complexes.

Alors que les défis complexes prolifèrent, l’environnement des affaires évolue vers un environnement totalement chaotique.

Les entreprises qui s’appuient sur des modèles prédictifs pour guider la prise de décision dans un environnement chaotique doivent développer une résilience organisationnelle, car les modèles reflètent toujours les organisations qui les exploitent.

En ce qui concerne la crise de la chaîne d’approvisionnement, une résilience accrue pourrait être obtenue en créant un modèle de chaîne d’approvisionnement distribuée. Un modèle de chaîne d’approvisionnement distribuée peut atténuer les impacts négatifs des perturbations à n’importe quel endroit.

Élaboration de plans d’urgence pour tenir compte du complexe

Bien que les données historiques ne soient pas suffisantes pour créer des modèles capables de prévoir les perturbations avant qu’elles ne se produisent, les entreprises peuvent toujours effectuer des expériences pour prédire l’impact des perturbations potentielles à la recherche de meilleures expériences.

Les entreprises peuvent ensuite utiliser les résultats de ces expériences pour élaborer des plans d’urgence afin d’assurer le succès et d’être mieux préparées lorsque l’inattendu se produit inévitablement.

À mesure que la complexité augmente, la quantité de données générées par les entreprises modernes augmentera également.

Finalement, les organisations auront de telles quantités de données qui tirent une valeur exploitable de leurs informations seront presque impossibles sans une méthode et une plate-forme qui peuvent tout regrouper pour trouver de la valeur.

Entrez dans la modélisation prescriptive

La modélisation prédictive pourrait encore servir certaines entreprises aujourd’hui. Pourtant, en fin de compte, cela devrait être un tremplin vers une approche de modélisation prescriptive – une approche qui ne se contente pas de projeter les possibilités, mais identifie également les réponses appropriées.

Les humains ont évolué pour évoluer dans un monde compliqué mais linéaire. Par conséquent, lorsque nous rencontrons des problèmes véritablement complexes, nous avons tendance à les aborder de manière linéaire.

Cependant, les données peuvent nous aider à développer des solutions commerciales et technologiques personnalisées en nous permettant de tester notre environnement.

Préparer votre modèle à la complexité

Plutôt que des idées préconçues, l’expérimentation nous permet de retrousser nos manches et d’agir sur des probabilités qui rendent compte de l’inattendu. Plus nous pouvons exploiter de données, plus nous pouvons en apprendre davantage sur les niveaux de complexité qui façonnent notre environnement et prendre des mesures en conséquence.

En bref, les modèles normatifs qui ne reposent pas uniquement sur des données historiques nous permettent de percevoir l’environnement tel qu’il est réellement plutôt que tel qu’il était.

Lorsque les chefs d’entreprise prennent le temps de tester minutieusement les résultats des modèles basés sur des entrées qui reflètent un état chaotique, la complexité se révèle.

Nouvelles relations avec les données

Cependant, cette approche ne vient pas naturellement. Dans la plupart des cas, cela obligera les organisations à réévaluer leur relation avec leurs données. Voici trois façons de procéder :

1. Acceptez la possibilité de projections ratées.

Lorsque je mène des activités de modélisation, je me rappelle souvent l’adage : « Tous les modèles sont faux ; certains sont utiles. Même les modèles les plus sophistiqués ne produiront pas de prédictions entièrement exactes car les données du passé les alimentent constamment.

Plutôt que de traiter les résultats des modèles comme des preuves concrètes de ce qui nous attend, ils doivent être considérés comme des indicateurs de ce qui est possible.

2. Effectuez des tests A/B pour vous concentrer sur des objectifs spécifiques.

Lorsqu’ils utilisent des modèles pour éclairer des décisions critiques, les dirigeants doivent tester une gamme d’entrées pour comprendre où des optimisations peuvent être effectuées.

Une entreprise qui emprunte une voie peut utiliser le statu quo opérationnel comme contrôle, puis tester les entrées qui reflètent des changements hypothétiques – processus internes, personnes ou toute autre mesure – pour voir quelles différentes voies s’ouvrent.

Plus une organisation peut tester d’entrées, plus elle peut mieux comprendre les forces et les faiblesses de ses opérations.

3. Faites confiance aux résultats des activités de modélisation.

Parfois, même les entreprises qui se livrent à des tests ne parviennent pas à prendre les bonnes décisions, généralement parce qu’elles ont recours à des idées préconçues plutôt qu’aux données disponibles.

Le cas des données gravement erronées

Lorsque les dirigeants ont déjà investi dans un plan basé sur un résultat attendu, ils peuvent être plus enclins à faire confiance à leur instinct qu’au résultat d’un modèle, ce qui suggère que leur plan comporte de graves défauts.

Cependant, en restant patients et en collectant continuellement plus de données pour informer leurs modèles, ils peuvent avoir une idée plus précise de la véritable nature de l’environnement dans lequel ils opèrent et élaborer des plans plus innovants pour y naviguer.

Crédit d’image : fourni par l’auteur ; Merci!

Barbe de Sean

Vice-président chez Pariveda Solutions

Sean Beard est vice-président de Pariveda Solutions, une société de conseil déterminée à créer des solutions innovantes, axées sur la croissance et axées sur les personnes. Sean travaille à évaluer les utilisations des technologies émergentes.

commentaires

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici

Le plus populaire