Ingénieur décisionnel : rôle, compétences et impact
Un modèle de score peut intégrer une variable qui n’a rien à y faire, parce qu’elle est fortement corrélée et semble pertinente. Aucun levier ne l’explique. Elle cesse donc de fonctionner quand la situation évolue, sans qu’on sache à quel moment.
L’ingénieur décisionnel part du résultat recherché, examine la situation, puis repère les leviers qui peuvent produire ce résultat. Il s’intéresse ensuite aux données et vérifie si la décision peut être automatisée grâce à la connaissance de la situation, à sa compréhension et à une logique de décision adaptée. Il faut d’abord connaître la situation.
Quelle différence entre un ingénieur décisionnel et un data scientist ?
Un bon ingénieur décisionnel commence par connaître la situation, puis la comprendre et définir la logique de décision. Il cherche à savoir d’où viennent les données, ce qu’elles représentent pour l’activité et ce qu’elles permettent de prévoir sur les comportements futurs.
Un data scientist peut exploiter des données collectées pour produire un modèle statistique performant. Ce modèle peut ne pas tenir compte de l’origine des données ni de ce qu’elles représentent pour l’activité. Dans le domaine du crédit, quelqu’un peut affirmer qu’il sait prédire qui sera un bon ou un mauvais payeur. Mais en examinant la collecte des données et la signification des variables, on peut constater qu’elles ne permettent pas de faire cette prédiction. L’ingénieur décisionnel établit ces liens avant de s’appuyer sur le modèle.
Quel est le rôle de l’ingénieur décisionnel auprès de l’équipe produit ?
Un bon ingénieur décisionnel échange régulièrement avec toute l’équipe produit. Il l’aide à mieux connaître la situation, à la comprendre et à définir la logique de décision. Il pose des questions sur la collecte des données, leur signification et le profil des clients. Pour les cas particuliers, il examine à quoi ressembleraient les données.
Ils valident leur lecture de la situation en testant les modèles de décision et en comparant les résultats aux attentes. Ils ajustent et affinent les modèles si nécessaire.
Comment l’ingénieur décisionnel relie-t-il l’octroi de crédit au recouvrement ?
Il peut échanger avec l’équipe de recouvrement pour comprendre les profils des clients qu’elle ne parvient pas à retrouver. Il cherche aussi quelles données pourraient faciliter le recouvrement lorsqu’un client est localisé.
Ces échanges peuvent le ramener à l’octroi de crédit. Certains clients obtiennent un bon score, mais deviennent introuvables au moment du recouvrement. L’ingénieur décisionnel cherche quelles données disponibles lors de la demande auraient permis de repérer ce groupe plus tôt.
Par exemple, le dossier peut indiquer un numéro de téléphone récemment créé. Ce numéro n’est peut-être associé à personne d’autre. Il n’est peut-être lié ni à WhatsApp ni à Telegram. L’ingénieur décisionnel examine comment ces éléments peuvent relier la demande aux résultats du recouvrement.
Cette démarche relie les différentes étapes du parcours. Elle suit la chaîne de causalité et ajuste la décision pour obtenir les résultats attendus. C’est ce qui distingue un analyste de données classique d’un ingénieur décisionnel.
Que se passe-t-il quand un prêteur s’appuie uniquement sur la data science ou l’IA ?
Un prêteur peut analyser les données déjà présentes dans ses systèmes et utiliser les capacités techniques à sa disposition. Il peut aussi soumettre les données à un LLM pour obtenir un modèle. Celui-ci peut être performant sur le plan technique sans correspondre à la réalité.
Pour établir ce lien, il faut examiner le produit de près, rester impliqué, échanger avec l’équipe produit et réfléchir aux moyens de recueillir davantage de données. Ce travail suppose de connaître la situation et de se demander à quoi ressembleraient les données si une hypothèse était vraie.
Si l’on veut faire évoluer un résultat, il faut trouver un levier. Le travail consiste à repérer les données qui indiquent ce levier et à déterminer comment les recueillir. S’il n’existe pas de données directes, des données indirectes peuvent servir de source, à condition d’être suffisamment corrélées aux données réelles.
Comment un ingénieur décisionnel peut-il vérifier qu’une personne habite bien à une adresse ?
On peut demander à une personne si elle habite à une adresse. Elle peut fournir une facture d’électricité comme justificatif de domicile. Cela prouve qu’elle a un lien avec cette adresse, mais pas qu’elle y habite réellement.
On peut examiner l’activité associée à cette adresse. La personne s’y fait-elle livrer des repas ? Y reçoit-elle des colis ? Cette activité peut indiquer qu’elle y passe assez de temps pour y recevoir des livraisons.
Il s’agit de données indirectes pour déterminer si une personne habite quelque part. Elles ne figurent peut-être pas parmi les données officielles transmises à une banque ou à un employeur, mais elles peuvent renseigner sur la réalité. L’ingénieur décisionnel cherche quelles données permettraient de vérifier qu’une personne habite bien à l’adresse, puis comment les recueillir.
Quelles compétences faut-il à un ingénieur décisionnel face aux évolutions technologiques ?
Les LLM, Claude et ChatGPT d’OpenAI permettent d’analyser les données beaucoup plus vite. Une personne doit toujours réfléchir au produit, le mettre à l’épreuve et se demander ce que les données signifient dans la réalité. Cette réflexion reste l’élément le plus important.
Les progrès viennent d’une personne qui explore, pose des questions et cherche à comprendre les réponses. Il faut savoir raisonner à l’échelle d’un système et communiquer avec les autres. La technologie intervient ensuite.
Auparavant, un ingénieur décisionnel devait maîtriser les statistiques pour travailler avec R, puis Python, et manipuler les données comme un data scientist. Ces compétences techniques ne sont plus nécessaires. Il faut en revanche savoir analyser les leviers d’une situation, leur effet sur le résultat final et la façon dont la prise de décision peut l’améliorer. Le travail le plus important consiste à examiner les postulats et les hypothèses à la lumière du réel, puis à mener de bons tests.
- Questionner le produit et les données : Examiner le produit et comprendre ce que les données signifient dans la réalité avant d’utiliser la technologie.
- Raisonner à l’échelle du système : Comprendre comment les leviers influencent les résultats et comment les décisions peuvent les améliorer dans leur contexte.
- Faire preuve de discernement : Examiner des hypothèses contradictoires sans s’attacher à une seule idée.
- Communiquer entre équipes : Expliquer clairement les sujets techniques pour que les interlocuteurs non techniques puissent les comprendre et agir.
- Connaître le contexte : Comprendre où les décisions sont prises, qui elles concernent et dans quel contexte opérationnel les modèles doivent rester pertinents.
- Résoudre des problèmes : Traduire les problèmes métier en logique de décision claire en travaillant avec plusieurs équipes.
- Présenter les modèles de décision : Présenter clairement les modèles, les hypothèses et les résultats pour permettre aux équipes de les mettre en œuvre correctement.
- IA et apprentissage automatique : Comprendre les principes de base et savoir quand les appliquer aux modèles de décision.
Quels critères retenir pour recruter un ingénieur décisionnel ?
Un bon ingénieur décisionnel confronte régulièrement le modèle à la réalité. Un consultant, un chef de produit ou un professionnel du marketing peut chercher à présenter quelque chose sous son meilleur jour et à le faire paraître vrai. L’ingénieur décisionnel continue de demander à quoi ressembleraient les choses si l’hypothèse était fausse, et si elle était juste.
C’est important pour les modèles de score. Certaines variables présentent de fortes corrélations et semblent utiles, mais aucun levier ne les relie aux comportements de crédit ou de remboursement. Elles peuvent cesser de fonctionner si les conditions évoluent, sans que l’on sache quand. Un bon ingénieur décisionnel cherche le levier derrière la corrélation et vérifie si le lien tient.
Un bon statisticien peut se dire assez sûr de lui parce que les statistiques montrent que le modèle fonctionne. L’ingénieur décisionnel peut expliquer le lien avec le levier, ce qui se passera si celui-ci évolue et comment les données se rapportent au phénomène observé.
Comment évaluer un candidat au poste d’ingénieur décisionnel en entretien ?
Présentez au candidat un problème contenant une corrélation forte et nette, sans lui dire qu’elle est fausse. La cause doit venir de la façon dont les données ont été produites. Un exemple est la fuite de données, comme un indicateur « contacté par le recouvrement » renseigné après le résultat et qui prédit parfaitement le défaut. Autre cas : un artefact de processus, par exemple des demandes déposées la nuit qui présentent plus souvent un défaut parce qu’un courtier envoie ses dossiers par lot à 2 h du matin.
Un candidat qui cherche à donner une réponse convaincante mettra en avant la corrélation. Un bon ingénieur décisionnel dira qu’il ne comprend pas pourquoi elle est si forte, car elle n’a pas de sens dans la réalité. L’intervieweur doit aussi inclure une corrélation réelle, qui repose sur un mécanisme cohérent. Cela permet de voir si le candidat sait distinguer les deux, plutôt que de tout remettre en question.
Certains candidats voudront montrer qu’ils ont fait le travail, même en l’absence de corrélation réelle. L’objectif est de les laisser expliquer leur raisonnement et de vérifier s’ils savent repérer le levier derrière les données.
Questions fréquentes sur l’ingénieur décisionnel
Comment devenir ingénieur décisionnel ?
Commencez par apprendre à relier les postulats et les hypothèses à la réalité, puis à vérifier ces liens. Il faut savoir analyser clairement les leviers d’une situation, leur effet sur le résultat et la façon dont la prise de décision peut l’améliorer.
Un ingénieur décisionnel doit-il savoir coder ?
Auparavant, les ingénieurs décisionnels devaient maîtriser les statistiques, utiliser R puis Python et préparer les données comme un data scientist. Ces compétences techniques ne sont plus indispensables, car la technologie vient après la réflexion sur le produit, les données et les leviers qui influencent le résultat.
En quoi consiste le travail quotidien d’un ingénieur décisionnel ?
L’ingénieur décisionnel échange avec l’équipe produit, cherche à comprendre ce que les données signifient dans la réalité et examine les cas particuliers. Il teste les modèles de décision par rapport aux attentes, les ajuste si nécessaire et réfléchit aux moyens de recueillir davantage de données.
Quelles qualités font un bon ingénieur décisionnel ?
Un bon ingénieur décisionnel confronte régulièrement le modèle à la réalité et se demande à quoi les choses ressembleraient si le modèle était faux. Il cherche le levier derrière une corrélation, vérifie si le lien tient et explique clairement le modèle pour que les autres puissent agir.
