Machine learning
Certains liens de cette page sont des liens d'affiliation : nous pouvons toucher une commission, sans surcoût pour vous. En savoir plus
Le machine learning transforme des données historiques en capacité de prédiction. Il ne s’agit pas de comprendre pourquoi un client achète, mais de repérer les régularités qui permettent d’anticiper un comportement. C’est ce qui le distingue d’une analyse classique, qui décrit le passé.
Les cas d’usage les plus fréquents en PME
Trois familles reviennent souvent : la prédiction de churn (quel client risque de partir), la prévision de la demande (combien de produits vendre dans les prochains jours) et la classification de messages ou documents (réclamations, factures, candidatures). Toutes reposent sur des données que l’entreprise possède déjà, à condition qu’elles soient exploitables.
Pourquoi les données comptent plus que l’algorithme
Un projet de machine learning réussi consacre la majorité de son temps à nettoyer, compléter et structurer les données. Les algorithmes sont disponibles dans des bibliothèques gratuites ; ce qui manque souvent, c’est un historique fiable et des variables qui décrivent réellement le comportement à prédire.
Naturellement limité, donc utile avec des garde-fous
Un modèle doit être encadré : un humain valide les cas sensibles, les décisions sont explicables et le modèle peut être débranché si nécessaire. C’est dans ce cadre qu’il apporte le plus de valeur : il automatise le tri et le scoring, et laisse le jugement à l’équipe.
Un exemple sur la prévision des stocks
Une enseigne de cosmétiques veut réduire les ruptures et le surstock. Elle réunit trois ans de ventes par produit et par magasin, les promotions passées, la météo locale et les jours fériés. Un modèle de prévision fournit une demande estimée à sept jours. Le gain ne vient pas du modèle seul, mais de la façon dont les achats l’utilisent : un acheteur ajuste avec son jugement et la commande est passée à temps. translations: en: “machine-learning”
Quand en avez-vous besoin ?
- Vous avez plusieurs mois ou années d'historique (commandes, clients, incidents) et voulez en tirer des prévisions
- Vous devez trier automatiquement de gros volumes de messages, documents ou images avec une fiabilité mesurable
- Vos décisions actuelles reposent sur des règles fixes qui ne s'adaptent pas aux comportements réels
- Vous voulez cibler vos actions de rétention ou vos promotions sur les clients les plus à risque ou les plus rentables
- Un modèle simple a déjà été testé et vous avez besoin de passer du test à la production
Comment ça se passe
- Formulation du problème — Traduire le besoin métier en problème de machine learning : prédiction d'une valeur, d'une classe ou d'un classement. Définir la variable cible, l'horizon de prédiction et la métrique qui compte vraiment pour l'entreprise, pas seulement la précision technique.
- Préparation des données — Constituer un jeu de données d'entraînement propre : historiques complets, variables pertinentes, gestion des valeurs manquantes et des fuites de données. C'est l'étape qui occupe le plus de temps dans un projet réussi.
- Entraînement et comparaison des modèles — Tester plusieurs approches, d'un modèle simple (régression logistique, arbre) à des modèles plus complexes, avec une validation croisée. Un modèle interprétable et presque aussi performant est souvent préférable en entreprise.
- Évaluation et mise en production — Mesurer la performance sur des données jamais vues, puis intégrer le modèle dans un système (API, batch quotidien) avec un suivi des prédictions et un plan de retour à la règle précédente en cas de dérive.
- Surveillance et réentraînement — Surveiller la qualité des données d'entrée et la performance réelle en production. Réentraîner régulièrement quand les comportements clients changent, et garder une trace des versions de modèles.
Combien ça coûte
| Prestation | Prix indicatif | À savoir |
|---|---|---|
| Cadrage et faisabilité | 10 000 – 30 000 MAD (≈ 90 – 2 700 €) | Étude de la donnée disponible et du gain atteignable |
| Conception du jeu de données | 15 000 – 60 000 MAD (≈ 1 350 – 5 400 €) | Nettoyage, variables, historique exploitable |
| Développement du modèle | 25 000 – 90 000 MAD (≈ 2 250 – 8 100 €) | Selon la complexité du problème et la qualité des données |
| Mise en production et API | 20 000 – 80 000 MAD (≈ 1 800 – 7 200 €) | Intégration dans le SI, monitoring, sécurité |
| Infrastructure de calcul | 500 – 8 000 MAD / mois (≈ 45 – 720 €) | Notebooks, GPU, stockage selon les modèles |
| Suivi et réentraînement | 5 000 – 20 000 MAD / mois (≈ 450 – 1 800 €) | Surveillance, versions, nouvelles données |
| Data scientist à temps partiel ou externalisé | 20 000 – 60 000 MAD / mois (≈ 1 800 – 5 400 €) | Profil rare au Maroc, souvent mutualisé |
Fourchettes indicatives pour le marché marocain en 2026, hors taxes. Les tarifs varient selon le périmètre et le prestataire.
Outils recommandés
Les outils que nous recommandons le plus souvent pour ce type de projet.
scikit-learn
Bibliothèque Python de référence pour les modèles classiques
XGBoost
Modèles d'arbres boostés, excellents sur les données tabulaires
PyTorch / TensorFlow
Apprentissage profond pour l'image, le texte et l'audio
MLflow
Suivi des expériences, des modèles et des versions
Vertex AI / SageMaker
Plateformes cloud pour l'entraînement et le déploiement
Erreurs à éviter
- Lancer un modèle sans données historiques suffisantes, ou avec un historique trop court pour capturer la saisonnalité
- Faire fuiter l'information dans les variables d'entrée : le modèle affiche des performances parfaites en test et s'effondre en production
- Choisir un modèle complexe quand un modèle simple, interprétable et presque aussi performant suffirait
- Optimiser une métrique purement technique sans la relier à un gain métier mesurable
- Livrer un modèle sans surveillance : la qualité se dégrade sans bruit quand les comportements évoluent
Questions fréquentes
Quelle quantité de données faut-il pour un premier modèle ?
Cela dépend du problème. Pour une prédiction de churn sur un fichier de quelques milliers de clients, quelques mois d'historique suffisent. Pour de la reconnaissance d'images ou du traitement du langage, il faut souvent beaucoup plus, ou s'appuyer sur un modèle pré-entraîné qu'on adapte.
Machine learning ou intelligence artificielle générative ?
Le machine learning apprend à prédire à partir de données historiques (churn, prévision, classification). L'IA générative produit du contenu à partir d'instructions. Pour trier des messages, les deux peuvent être utilisés ; pour prévoir des ventes, le machine learning classique est plus adapté.
Un modèle est-il fiable à 100 % ?
Non. Un modèle produit une probabilité ou une estimation, avec un taux d'erreur mesurable. L'objectif est de définir le seuil à partir duquel l'erreur coûte moins que le gain, et de garantir qu'un humain reprend la main sur les cas ambigus ou sensibles.
Faut-il une équipe interne pour faire du machine learning ?
Pas pour un premier modèle : une prestation externe peut livrer un prototype et former l'équipe. À terme, un profil interne (data analyst formé, data engineer, data scientist à temps partiel) reste nécessaire pour maintenir et faire évoluer le modèle.
Quel est le principal facteur d'échec ?
La qualité et la disponibilité des données. Un modèle mal construit sur des données propres est corrigeable ; un bon modèle sur des données incomplètes, mal étiquetées ou non représentatives de la réalité ne peut pas bien fonctionner.
Mis à jour le