Tableau de bord des stocks

Le RAPPORT PUBLIC DE CALIBRATION — l'aboutissement de la thèse. Sur les prévisions accumulées dont le résultat est connu, il montre PAR FAMILLE DE MODÈLE (SCORE_CREDITO, PCLD, CHURN…) le score de Brier du modèle face à la RÈGLE NAÏVE (baseline par moyenne historique) : le modèle ne se justifie que s'il bat la baseline. Il présente le diagramme de fiabilité (« quand je dis 70 %, cela arrive-t-il 70 % du temps ? ») et, 🔴 sans maquillage, la liste des modèles qui ont été DÉSACTIVÉS — pour dérive ou pour ne pas avoir battu la baseline — chacun avec le motif bien visible. Publier ce qui a mal tourné est ce qui donne de la valeur à ce qui a réussi : c'est le même contrat de résultat que Tenka exige des employés numériques, appliqué à lui-même. Lecture seule.

À quelles prévisions de la plateforme vous pouvez vous fier. Chaque fois que le système fait une estimation sur votre entreprise — le risque qu'un client ne paie pas, combien un contrat va facturer, à quoi ressemblera la trésorerie sur les 13 prochaines semaines, combien d'heures l'équipe va consommer, combien l'entonnoir devrait conclure — cette estimation est enregistrée avec une date et une échéance. À l'échéance, la plateforme va chercher ce qui s'est RÉELLEMENT passé et compare. Cet écran est le tableau des scores de cette comparaison, publié en entier : ce qui était juste et ce qui était faux.

Un modèle ne se justifie que s'il bat la prévision la plus simple possible — la moyenne historique, sans aucune intelligence. C'est ce que montre la colonne « baseline ». Si le modèle ne bat pas la règle naïve, il n'apporte rien, et la plateforme le désactive automatiquement et publie le motif ici. Le chiffre utilisé dans la comparaison (Brier) est l'erreur moyenne de la probabilité : plus il est FAIBLE, mieux c'est ; zéro serait la perfection.

Chaque type de prévision a sa propre échéance de vérification : la charge de l'équipe se vérifie en une semaine, la trésorerie en treize, le chiffre d'affaires des contrats en six mois. Tant que l'échéance de la première prévision d'une famille n'est pas atteinte, elle apparaît dans la liste « familles qui n'ont pas encore de score », avec le nombre de prévisions déjà enregistrées en attente. Une entreprise qui vient de commencer à utiliser la plateforme les verra presque toutes là — et c'est le comportement correct : mieux vaut dire qu'il n'y a pas d'échantillon que d'afficher un taux de réussite calculé sur deux observations.

A calibração só mostra o número quando há amostra suficiente para ele não identificar ninguém; abaixo disso a barra fica "sem amostra ainda" — não é erro, é a proteção do dado de cada empresa.

À quels modèles puis-je me fier — et lesquels ont été désactivés, et pourquoi ? Sur les prévisions accumulées dont le résultat est connu, l'écran montre par famille de modèle (SCORE_CREDITO, PCLD, CHURN…) le score de Brier du modèle face à la règle naïve (baseline par moyenne historique) : le modèle ne se justifie que s'il bat la baseline. Il présente le diagramme de fiabilité — quand le modèle dit 70 %, cela arrive-t-il 70 % du temps ? — et la liste des modèles désactivés pour dérive ou pour avoir perdu face à la baseline, chacun avec le motif bien visible.