PC & Mobile

Conception d'expériences pour votre gestion du changement

Conception d'expériences pour votre gestion du changement


Un guide étape par étape pour la conception d'expériences

Professionnels de la science des données, avez-vous déjà rencontré l'un des défis suivants?

Histoire 1: L'apprentissage automatique ne veut pas dire conception expérimentale

Vous êtes invité à concevoir une expérience en raison de votre expertise statistique, mais vos outils d'apprentissage machine réalisés ne vous aident pas à concevoir une expérience.

Histoire 2: les données d'observation ne peuvent pas être répétées

Votre équipe a observé la tendance des ventes liée à quelques facteurs. Votre équipe a voulu proposer de nouvelles stratégies commerciales. Mais l'équipe ne peut pas décider des bons facteurs pour reproduire le processus.

Histoire 3: La corrélation n'est pas un lien de causalité

Votre équipe a identifié un forte corrélation entre deux facteurs et proposé un plan de changement d'entreprise. Votre équipe a obtenu l'adhésion des clients pour mettre en œuvre la proposition commerciale dans le cadre d'un test pilote prometteur. Après la période de test, vous avez pas de résultat revendiqué.

Si tel est le cas, vous avez peut-être commis l'erreur d'utiliser la corrélation pour prouver le lien de causalité. Dans mon post «Apprentissage machine ou économétrie?», J'ai partagé que de nombreuses questions analytiques concernaient causalité. Ces questions de causalité nécessitent la conception de la génération de données et ne peuvent pas être dérivées de données volumineuses. Aujourd'hui, la divergence entre l'apprentissage automatique et les expériences statistiques semble converger vers la science des données volumineuses. Cependant, les deux disciplines distinctes peuvent et doivent polliniser de manière croisée pour résoudre de nombreuses initiatives commerciales.

L'utilisation de Design of Experiments (DoE) est la bonne façon de faire. La conception des expériences est pratiquée dans la fabrication, les essais cliniques ou les services hospitaliers depuis des décennies. Dans cet article, je vous expliquerai les étapes à suivre pour mettre en place un DoE réussi menant à votre gestion du changement. Je vais utiliser une opération de service dans le secteur bancaire pour présenter la pensée de DoE.

Qu'est-ce que la conception d'expériences (DoE)?

La conception des expériences est la planification, la réalisation, l'analyse et l'interprétation des tests contrôlés appropriés pour évaluer les facteurs qui influencent les résultats.

Quels sont les avantages de DoE?

La conception des expériences peut vraiment identifier les idées de cause à effet. Les résultats vous permettent de proposer des stratégies concrètes pour votre gestion du changement. DoE est moins coûteux par nature. Il utilise des statistiques pour concevoir la taille minimale de l’échantillon en vue d’un résultat de test efficace. Vous pouvez gérer plusieurs facteurs d'entrée en même temps et identifier les interactions importantes qui pourraient être omises.

Comment ça marche?

Le DoE a fait ses preuves dans les sept étapes suivantes. Tout d’abord, quel est le but? Vous devez déterminer la mesure pour les objectifs. Deuxièmement, que tester? Vous identifierez les facteurs pour le test. Troisièmement, comment mener? vous déterminerez la manière de conduire et de mesurer. Quatrièmement, comment mesurer? Vous choisirez la bonne analyse statistique. Cinquièmement, les résultats seront-ils crédibles? Vous déterminerez la taille d'échantillon requise. Sixièmement, comment analyser les données? Appliquer l'analyse statistique. Septièmement, quelle est la prochaine? À l'aide de l'analyse statistique, vous tirez ensuite les conclusions et les éléments pouvant faire l'objet d'une action.

Étude de cas: le DoE pour une opération de service dans le secteur bancaire

Vous trouverez ci-dessous un exemple de réussite dans lequel le DoE a guidé la gestion du changement.

UNE banque de détail devait réinventer son processus de demande de compte. Bien que les applications en ligne soient disponibles, il existait toujours une demande pour les applications sans rendez-vous. La banque a enregistré un pourcentage élevé de demandes incomplètes, ce qui a nécessité un nouveau traitement. Les travaux de retraitement ont également ralenti les autres opérations et entraîné une inefficacité globale. La banque devait mettre en œuvre les changements nécessaires pour éliminer le gaspillage lors du retraitement.

Étape 1: Déterminer les mesures à prendre pour les objectifs

Un objectif quantifiable est toujours le point de départ. L’équipe du projet a décidé que le pourcentage de demandes complétées était la cible. L’équipe a exclu d’autres mesures intéressantes mais moins importantes, telles que le montant moyen des dépôts.

Étape 2: Déterminer les facteurs pour le test

L’équipe du projet a suspecté quatre facteurs susceptibles d’affecter le caractère complet d’une demande. Et l'équipe a conçu deux niveaux pour chacun des quatre facteurs: (i) le type de demande (compte de prêt ou compte d'épargne), (ii) l'emplacement de la succursale (Midwest et Nord-Est), (iii) les instructions du formulaire de demande ( Niveau moyen ou élevé des descriptions), et (iv) avec ou sans exemple.

Étape 3: Déterminer la manière de mener et de mesurer

L'expérience a été menée dans les deux branches pendant deux mois. Les formulaires de demande auto-administrés continuaient à être affichés dans les guichets avant, de sorte que leur présentation n’a pas changé. Chaque site ne comportait qu'un seul type de formulaire de demande. Les différentes combinaisons de facteurs sont répertoriées dans le tableau (A).

Pièce A)

Étape 4: Choisissez la bonne analyse statistique

L’équipe du projet devait comprendre les impacts de toutes les combinaisons possibles des niveaux des facteurs. La pièce (A) est appelée la conception factorielle complète. Une telle expérience permet à l'investigateur d'étudier l'effet de chaque facteur sur la variable cible, ainsi que les effets des interactions entre les facteurs sur la variable cible.

Étape 5: Déterminer la taille d'échantillon requise

Comment déterminer la taille minimale de l'échantillon pour une analyse factorielle? C'est une question délicate, car elle dépend non seulement du nombre de facteurs, mais également du «chargement», ou du coefficient, de chaque facteur. Comme expliqué dans «Analyse factorielle exploratoire et confirmatoire» (Bruce Thompson, 2004), s'il y a plus de quatre niveaux dans un facteur et que le coefficient de chaque niveau est inférieur à 0,60, alors N = 60 sera suffisant. S'il y a plus de dix niveaux dans un facteur et que le coefficient de chaque niveau est d'environ 0,40, la taille de l'échantillon doit être au minimum de 150. Toute taille d'échantillon supérieure à 300 est considérée comme adéquate. L'équipe du projet a décidé de collecter au moins 300 applications dans chaque combinaison de facteurs.

Étape 6: Effectuer l'analyse statistique

L'objectif du projet était de déterminer quelle combinaison de facteurs présentait la moyenne la plus élevée avec une signification statistique. La «signification statistique» était la clé, signifiant que la différence était suffisamment importante pour garantir la réplicabilité la prochaine fois. L’équipe a utilisé la technique appelée ANOVA (ANalysis Of VAriance) qui consiste à comparer le «% D'achèvement» pour vérifier si la différence était statistiquement significative.

La pièce (B) montre les différences pour chacun des cinq facteurs. Seules les différences entre «Description» et «Exemple» sont statistiquement significatives avec un niveau de confiance de 95%. Cela signifie un niveau élevé de description et un exemple dans le formulaire de candidature se traduira par un taux de réalisation élevé.

Pièce à conviction (B)

Un facteur peut affecter un autre facteur. Ceci est capturé par les interactions entre les facteurs. Un «exemple» dans le formulaire de candidature devait permettre de réduire le taux d'achèvement dans le Midwest, mais d'augmenter le taux d'achèvement dans le Nord-Est.

Étape 7: Conclusions et stratégies exploitables

Sur la base de ces résultats, l’équipe du projet a conclu plusieurs stratégies applicables:

  • Le même formulaire de demande pour les deux types de comptes
  • Fournir plus de descriptions
  • Fournir un exemple dans le formulaire de demande pour la région Nord-Est, mais aucun exemple pour la région Midwest

Les nouveaux formulaires de demande avaient porté le taux de réponse de 60% à plus de 95%. Le changement avait considérablement raccourci le délai d’application et éliminé le délai de retraitement.

Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer