Vidéo: Tout est possible: Comment réaliser vos rêves en suivant le modèle Walt Disney 2025
Même si vous ne l'aimez pas, votre travail d'analyse prédictive n'est pas terminé lorsque votre modèle est mis en ligne. Le déploiement réussi du modèle en production n'est pas le moment de se détendre. Vous devrez suivre de près sa précision et ses performances au fil du temps. Un modèle a tendance à se dégrader au fil du temps (certains plus rapidement que d'autres); et une nouvelle injection d'énergie est nécessaire de temps en temps pour maintenir ce modèle opérationnel. Pour rester efficace, un modèle doit être revu et réévalué à la lumière des nouvelles données et des circonstances changeantes.
Si les conditions changent et qu'elles ne correspondent plus à la formation initiale du modèle, vous devrez recycler le modèle pour répondre aux nouvelles conditions. Ces nouvelles conditions exigeantes incluent
- Un changement global dans l'objectif commercial
- L'adoption de - et la migration vers - une nouvelle technologie plus puissante
- L'émergence de nouvelles tendances sur le marché
- Preuve que la concurrence est rattraper
Votre plan stratégique devrait inclure rester vigilant face à tout besoin urgent de rafraîchir votre modèle et passer au niveau supérieur, mais la mise à jour de votre modèle devrait de toute façon être un processus continu. Vous continuerez à peaufiner les entrées et sorties, en incorporant de nouveaux flux de données, en recyclant le modèle pour les nouvelles conditions et en affinant continuellement ses résultats. Gardez ces objectifs à l'esprit:
- Restez à l'affût des conditions changeantes en recyclant et en testant le modèle régulièrement; l'améliorer chaque fois que nécessaire.
- Surveillez la précision de votre modèle pour détecter toute dégradation de ses performances au fil du temps.
- Automatisez la surveillance de votre modèle en développant des applications personnalisées qui rapportent et suivent la performance du modèle.
L'automatisation de la surveillance, ou la participation d'autres membres de l'équipe, atténuerait les inquiétudes qu'un scientifique de données pourrait avoir sur la performance du modèle et pourrait améliorer l'utilisation du temps de chacun.
La surveillance automatisée vous fait gagner du temps et vous évite des erreurs dans le suivi des performances du modèle.
