Cartier Philanthropy - Des solutions scientifiques aux défis sociaux

Des solutions scientifiques aux défis sociaux

24 Mar 2021

Pour ceux qui cherchent à créer des systèmes de science des données pour amplifier leur impact, notre partenaire IDinsight propose trois conseils à garder à l’esprit. Il y avait pas une meilleure façon de terminer notre série Driven By Data.

Ben Brockman et Emily Coppel

En tant qu’êtres humains, nous avons évolué pour reconnaître les schémas qui nous aident à atteindre nos objectifs : qu’il s’agisse de remarquer quelque chose qui n’est pas à sa place sur votre bureau ou de reconnaître un visage familier dans la foule. Les ordinateurs peuvent maintenant, grâce à des algorithmes, reconnaître des modèles comme une personne pourrait le faire - et parfois même mieux - dans certains cas précis, ce qui est très prometteur quand on veut s’attaquer à toute une série de problèmes sociaux très ancrés. Le domaine des techniques algorithmiques - la science des données - pourrait aider les décideurs à économiser des ressources rares (en utilisant des algorithmes d’optimisation), à canaliser les bons services sociaux vers les communautés qui en ont le plus besoin (en utilisant des algorithmes de ciblage), ou à rendre la traduction disponible à grande échelle (en utilisant le traitement du langage naturel). Mais il y a d’importantes mises en garde, considérations et contraintes dans l’élaboration de solutions efficaces en matière de science des données qui répondent aux problèmes sociaux.Alors que nous clôturons la série Driven by Data Driven by Data de Cartier Philanthropy, l’équipe d’IDinsight propose trois suggestions aux décideurs du secteur social qui envisagent des solutions scientifiques à leurs problèmes.

1.     Choisissez le bon problème et le bon outil pour le résoudre.

Investir dans les approches de la science des données pour relever les défis du développement social peut être coûteux. Les solutions exigent des équipes hautement qualifiées, des systèmes de collecte de données robustes, ainsi qu’un suivi et une maintenance continus des performances. Pour justifier ce coût, les dirigeants devraient utiliser la science des données pour résoudre les problèmes qui ont un bon retour sur investissement. Si le problème à résoudre est marginal, et que potentiellement la perspective de changement en termes d’efficacité est faible, il vaut probablement mieux explorer d’autres approches moins coûteuses et moins longues. Par exemple, dans le cadre du travail d’IDinsight avec Educate Girls (présenté dans le premier article de cette série), la science des données a permis d’améliorer de 2,5 fois l’impact de l’organisation par rapport à son approche initiale, ce qui lui a permis d’atteindre des centaines de milliers de bénéficiaires de plus que ce qui aurait été possible autrement. Il est à noter que l’échelle a joué un rôle : avec des coûts fixes initiaux importants et des coûts récurrents ou marginaux plus faibles, la science des données est idéale pour des organisations comme Educate Girls qui cherchent à renforcer des programmes touchant un grand nombre de personnes. Dans le cadre d’Educate Girls, le temps et les efforts consacrés à l’élaboration d’un modèle visant à améliorer la capacité à cibler les bénéficiaires en valaient certainement la peine.

Il peut être tentant d’avoir recours à la science des données pour répondre à des problématiques et questions variées qui se posent au sein d’une organisation : « Pourquoi mon programme ne fonctionne-t-il pas comme prévu ? », « Si nous intervenons à une plus grande échelle, notre impact va-t-il être compromis ? » ou encore « Quels autres services pouvons-nous offrir à nos bénéficiaires ? ». Mais il existe peut-être des « outils » moins coûteux et plus accessibles qui peuvent eux aussi fournir les réponses à ces questions : les évaluations de processus, les études d’impact ou les enquêtes qualitatives. Ces approches n’ont certes pas l’aura qui entoure la science des données, mais elles peuvent se révéler plus adaptées au problème à résoudre. Chez IDinsight, nous avons vu que les dirigeants réussissent lorsque d’abord ils identifient le défi à relever, et qu’ensuite ils trouvent « l’outil » le plus adéquat pour obtenir leurs réponses.

2.     N’oubliez pas que le D est pour données.

La science des données sera plus rentable pour les organisations qui ont déjà des systèmes de données en place. Par exemple, des conseillers agricoles utilisent peut-être déjà des smartphones pour enregistrer les données des agriculteurs, ou encore des agents de santé communautaire envoient déjà des messages WhatsApp aux membres de leur communauté. Dans les deux cas, les données sont déjà collectées et stockées numériquement. Il est donc facile pour les solutions scientifiques de se connecter à un système existant afin de l’améliorer. Si ce n’est pas le cas, les organisations devront d’abord créer des systèmes de collecte des données ou numériser les données existantes avant de développer les algorithmes. En somme, c’est beaucoup plus de travail et beaucoup plus coûteux.

Utiliser un système de données de manière cohérente dans une grande organisation est extrêmement difficile - même sans algorithmes complexes pour analyser ces données. Le travail de base qui consiste à apprendre à une équipe qui gère un programme à interpréter et à utiliser les données dans leurs activités quotidiennes doit être effectué avant qu’un algorithme de pointe ne transforme les opérations. En d’autres termes, si l’objectif final est de permettre aux agents de santé communautaire de déployer les derniers outils d’intelligence artificielle pour le dépistage du cancer, ils doivent d’abord utiliser des smartphones dans le cadre de leur travail quotidien. Après un déploiement et une adoption réussie des outils et des processus de base, l’introduction d’algorithmes pour améliorer encore leur travail sera facilitée.

Grâce aux récents projets d’IDinsight, il est devenu de plus en plus évident que les solutions de science et d’ingénierie des données se renforcent mutuellement. Pour que les approches de la science des données soient efficaces dans un contexte de développement mondial, il faut disposer de données précises et de systèmes de haute qualité qui facilitent l’analyse ainsi que le déploiement de solutions basées sur les données.

3.        Prenez en compte la durabilité dans le cadre du passage à l’échelle.

La mise en place d’une solution basée sur la science des données peut s’avérer difficile, mais son maintien nécessite aussi un engagement continu. Pour que ces approches fonctionnent à long terme et à grande échelle, elles nécessitent presque toujours une collecte de données continue, une maintenance technique et une formation des utilisateurs finaux. Pour de nombreux problèmes de science des données, cela signifie qu’il faut tenir compte de la « dérive du modèle », c’est-à-dire de l’évolution du problème sous-jacent - ou de la relation entre les prédicteurs et les résultats au fil du temps. Par exemple, l’usage des téléphones portables peut servir à cartographier la pauvreté ; cependant, les tendances de l’utilisation des téléphones portables changent avec le temps, de sorte que tout algorithme devra être affiné pour tenir compte de ces changements.

La maintenance des systèmes de collecte, de synthèse et d’utilisation des données sous forme d’algorithmes nécessitera des employés formés qui savent comment réparer ou modifier le système en cas de panne. Il peut s’agir d’employés au sein de l’organisation ou d’une entreprise externe, mais les dirigeants doivent réfléchir à l’avance à la manière dont ce système sera maintenu à long terme et au soutien pratique qu’il nécessitera.

Dans de bonnes conditions, comme nous l’avons vu dans les exemples de cette série, la science des données peut avoir un impact social immense. Qu’il s’agisse d’optimiser les ressources ou d’identifier les personnes les plus vulnérables afin de cibler l’aide plus efficacement, la science des données peut contribuer à améliorer des millions de vies lorsqu’elle est correctement déployée dans le secteur social. Nous pensons que les décideurs peuvent maximiser leur impact s’ils gardent à l’esprit ces trois règles indispensables :

(1) se concentrer sur le problème à traiter, puis identifier le meilleur outil pour le résoudre ;

(2) établir d’abord les données et les systèmes de données, une fois en place, ils permettront aux solutions de la science des données de réaliser leur potentiel ; et

(3) avoir une vision de long terme : garder à l’esprit la maintenance, la formation et les considérations à long terme lors de la mise en place des solutions.

La série Driven By Data  :

#0Pourquoi la science des données est-elle nécessaire

#1: La puissance prédictive de l'apprentissage automatique

#2: Redonner une adresse aux réfugiés

#3: De la science du climat à la réalité du terrain

#4: Géographie de l’accès

#5: Prédire les besoins pour mieux cibles les soins