Cela dépend de la complexité du cas d’usage. Pour une classification simple comme le lead scoring ou la prédiction de churn basique, 5 000 à 10 000 enregistrements minimum, avec 50 000+ idéalement. Pour des patterns complexes comme la détection de fraude ou la prévision de demande, 50 000 à 100 000 enregistrements minimum, avec 500 000+ idéalement. Pour le deep learning, 100 000+ au minimum, des millions idéalement. Plus important que la quantité : la qualité — 10 000 enregistrements propres et pertinents valent mieux qu’un million de bruitées. Pendant la phase de découverte, nous évaluons vos données et vous disons honnêtement si vous en avez assez pour avancer.

Quatre phases typiques. Phase de découverte : 1 à 2 semaines — vous saurez si le ML est faisable pour votre cas d’usage spécifique. POC avec métriques de précision : 4 à 6 semaines — vous verrez de vrais chiffres de précision sur vos vraies données, pas des démos choisies avec soin. Déploiement en production : 10 à 16 semaines au total depuis le démarrage. Réalisation du ROI : typiquement 2 à 6 mois après déploiement, selon le cas d’usage et la fréquence de décision. La phase POC est conçue spécifiquement pour prouver la valeur rapidement — si elle n’atteint pas les objectifs de précision, vous ne passez pas en production, et vous ne gaspillez pas de budget.

Non. Nous concevons nos déploiements ML pour un fonctionnement à faible maintenance. Ce qui est automatisé : réentraînement du modèle sur calendrier, monitoring de la dérive des données, alertes de performance, détection basique de problèmes. Ce dont vous avez besoin côté interne : quelqu’un pour examiner les alertes (peut être un utilisateur métier, pas un data scientist), des experts métier pour valider les cas limites quand ils surgissent, et un support IT pour l’infrastructure — ou nous pouvons l’héberger sur notre cloud. Optionnel : notre retainer MLOps prend en charge toute la maintenance continue si vous ne voulez pas la gérer en interne. La plupart de nos clients sans équipe data science interne choisissent cette option, et cela fonctionne bien.

Les modèles ML peuvent se dégrader quand les patterns dans le monde réel changent — c’est ce qu’on appelle la dérive du modèle. Nous adressons ce problème sur trois fronts. Monitoring : nous traquons la précision des prédictions en continu, détectons la dérive des données quand les patterns d’entrée changent, et vous alertons quand la performance passe sous les seuils convenus. Réentraînement : les modèles sont réentraînés sur calendrier (hebdomadaire ou mensuel selon le cas d’usage) ou déclenchés automatiquement quand une dérive est détectée. Les nouveaux modèles sont toujours testés contre l’ancien avant de le remplacer. Supervision humaine : revues de performance régulières avec votre équipe, boucles de feedback des utilisateurs finaux qui interagissent avec les prédictions, et audits trimestriels du modèle. Tout cela est inclus dans notre retainer MLOps, ou nous formons votre équipe à le faire en autonomie.

Oui — nous concevons pour l’intégration, pas pour le remplacement. Les patterns d’intégration courants incluent l’API REST (votre application appelle notre modèle en temps réel), le scoring batch (nous scorons les données sur calendrier et renvoyons les résultats), l’intégration CRM (les prédictions apparaissent directement dans Salesforce ou HubSpot), l’intégration ERP (les prévisions apparaissent dans les dashboards SAP ou Oracle), et les webhooks (déclenchement d’actions dans vos systèmes basé sur les prédictions du modèle). Sur 14 ans, nous avons intégré des modèles ML avec pratiquement tous les systèmes enterprise majeurs — s’il a une API ou un accès base de données, nous pouvons nous y connecter.

Nous définissons les métriques de ROI pendant la phase de découverte, avant de construire quoi que ce soit — sinon la conversation sur le succès devient subjective. Pour la prédiction de churn : revenu retenu moins coût du projet. Pour la détection de fraude : fraude évitée moins coût du projet plus la valeur de la réduction des faux positifs sur l’expérience client. Pour la prévision de demande : économies sur les coûts d’inventaire (ruptures réduites plus surstock réduit). Pour les recommandations : revenu incrémental attribué aux recommandations moins coût du projet. Nous intégrons le suivi du ROI dans chaque déploiement, pour que vous voyiez la valeur livrée en continu, pas juste à la fin du projet.

Nous avons déployé des modèles ML dans six secteurs majeurs. Services financiers : détection de fraude, scoring crédit, prédiction de churn, segmentation client, surveillance AML. Retail et e-commerce : prévision de demande, moteurs de recommandation, optimisation de prix, modélisation de la customer lifetime value. Télécommunications : prédiction de churn, optimisation réseau, segmentation client. Industrie : maintenance prédictive, prédiction qualité, prévision de demande, optimisation chaîne d’approvisionnement. Santé : stratification des risques patients, prédiction de réadmission, optimisation des ressources. Énergie et utilities : prévision de consommation, détection d’anomalies, maintenance prédictive. Les algorithmes sont similaires à travers les secteurs — ce qui change, c’est la connaissance métier et le feature engineering, et nous apportons les deux.