Comment atténuer les biais prévisionnels et les erreurs humaines

Biais de prévision et erreurs humaines

En tant qu'humains, nous sommes truffés de préjugés, qu'ils soient inconscients ou conscients. Même la personne la plus analytique et la plus riche en données ne peut échapper à ce piège mental.

Les préjugés nous amènent à fonder nos opinions et nos décisions sur nos propres idées préconçues quant à ce que nous attendons des résultats d'une recherche ou d'une analyse.

De ce fait, les résultats d'une prévision ne sont pas autorisés à parler d'eux-mêmes, mais ils servent plutôt à étayer l'idée vers laquelle l'analyste des prévisions penche. Les biais ne se limitent pas aux personnes, ils se répercutent également dans les modèles qu'ils élaborent.

Nous verrons comment éviter l'influence des biais, mais commençons par en découvrir quelques-uns qui entraînent des prévisions inexactes.

« Les préjugés ne se limitent pas aux personnes,
ils s'infiltrent également dans les modèles qu'ils construisent. «

Biais de confirmation

La tendance à confirmer les idées préconçues en modifiant les données et les modèles afin qu'ils s'y conforment. Cela se produit en se concentrant uniquement sur les informations qui confirment les croyances plutôt que sur les informations qui les remettent en question. Les erreurs en sont un exemple.

Au lieu d'essayer de comprendre pourquoi il y a une erreur, il est plus facile d'examiner les résultats qui soutiennent la préconception.

Le risque de biais de confirmation apparaît lorsqu'une prévision est influencée par ceux-ci et utilisée pour ajuster, par exemple, le modèle de prévision. Nous ne sommes que des humains et lorsque l'enjeu est important, il peut être facile d'être victime de ce que nous voulons voir plutôt que de ce que c'est.

Biais de surajustement

Cela implique un modèle trop complexe qui décrit le bruit (caractère aléatoire) de l'ensemble de données plutôt que la relation statistique sous-jacente.
‍
Le surajustement se produit souvent et de nombreuses personnes (ou leurs systèmes de prévision) le font sans le savoir tous les jours.
Cela se produit lorsqu'un modèle statistique est autorisé à ajuster autant de paramètres que possible pour expliquer tous les écarts dans les données.

C'est comme ajouter une courbe de tendance à un graphique dans Excel et continuer à y ajouter des polynomes jusqu'à ce que la ligne de tendance suive parfaitement les données historiques.

Avec des paramètres infinis et une durée suffisante, le modèle peut être adapté à presque tous les jeux de données. Mais rien ne garantit que le modèle générera de bonnes prévisions, ni même s'il doit être utilisé.

Erreur de conjonction

Le biais dû à l'erreur de conjonction est une erreur de raisonnement courante dans laquelle nous pensons que deux événements se produisant conjointement sont plus probables que l'un de ces événements se produisant seul. Du point de vue des prévisions, cela est souvent observé lors de l'analyse de scénarios comportant plus d'un événement, ce qui donne lieu à une prévision conditionnelle avec une faible probabilité.

Comment éviter l'influence du biais sur vos prévisions

Mise en œuvre d'un processus de prévision structuré

Un processus de prévision structuré peut atténuer de manière significative l'impact des biais et des erreurs humaines. Les stratégies suivantes permettent de garantir que l'apport humain est systématiquement évalué et surveillé, ce qui permet d'obtenir des prévisions plus objectives et plus précises.

1. Définissez des objectifs et des hypothèses clairs
   Commencez par définir clairement l'objectif de vos prévisions et les hypothèses que vous faites. Cela permettra d'éviter que des opinions subjectives n'influencent le processus de prévision. La documentation de ces aspects garantit la transparence et sert de guide pour évaluer les éventuels écarts qui se produiront ultérieurement.
2. Utiliser un modèle de cadre d'évaluation
   ‍Évaluez les modèles de prévision à l'aide de mesures standardisées. Évaluez les performances du modèle non seulement sur la base de données historiques, mais également sur des données hors échantillon pour éviter tout biais de surajustement. Établissez des critères pour la sélection des modèles, en mettant l'accent sur la simplicité et la robustesse plutôt que sur la complexité. Les outils de surveillance automatisés peuvent également aider à suivre les performances des modèles au fil du temps.
3. Intégrez l'analyse de scénarios
   ‍Lorsque vous effectuez une analyse de scénarios, soyez conscient de l'erreur de conjonction. Attribuez des probabilités de manière objective à chaque scénario et, dans la mesure du possible, utilisez des modèles probabilistes qui évaluent séparément la probabilité d'événements individuels et combinés. Évitez de créer des scénarios trop complexes qui diluent la précision des prévisions.
4. Réfléchissez aux prévisions passées
   ‍Tenez un registre des prévisions passées, y compris les méthodologies et les hypothèses utilisées. Passez régulièrement en revue ces prévisions pour comprendre où les biais ont pu influencer les résultats et utilisez ces informations pour améliorer les futurs processus de prévision.

« En pondérant un large éventail de modèles,
nous capturons les points forts de chaque modèle individuel.
Cela s'est avéré plus précis. »

Pourquoi ne pas utiliser un seul bon modèle ?

Tous les modèles de prévision ont leurs avantages. En pondérant un large éventail de modèles, nous capturons les points forts de chaque modèle individuel. Cela s'est avéré plus précis, selon les dernières recherches prévisionnelles.