Comment le data mining de l'échec pourrait nous apprendre les secrets du succès

Mme Tech | Edison : Bibliothèque du Congrès, Ampoule : Pixabay

Thomas Edison est souvent décrit comme le plus grand inventeur américain. Ses succès incluent la production d'énergie électrique, l'enregistrement sonore et l'ampoule électrique.

Mais Edison n'était pas étranger à l'échec. Il a testé 1 000 modèles différents avant de choisir le filament de carbone qui est devenu la première ampoule à succès commercial. Cette ténacité le distingue. Beaucoup d'échecs de la vie sont des gens qui n'ont pas réalisé à quel point ils étaient proches du succès lorsqu'ils ont abandonné, a-t-il déclaré.

De nombreux groupes et individus ont étudié la nature du succès. Ces études ont donné des degrés divers de perspicacité. Le revers de la médaille - la nature de l'échec - est beaucoup moins bien étudié mais sans doute plus important. On sait peu de choses sur les mécanismes qui régissent la dynamique de l'échec.

Aujourd'hui, cela change, au moins en partie, grâce au travail de Yian Yin de la Northwestern University à Evanston, Illinois, et de ses collègues. Cette équipe a analysé la nature de l'échec dans trois énormes ensembles de données suivant la fortune des entreprises en démarrage, des chercheurs tentant d'obtenir des financements et des attaques terroristes. Le travail révèle la dynamique de l'échec et une signature cachée qui peut séparer les échecs imminents des succès à un stade précoce.

La méthode de l'équipe est basée sur l'analyse de trois ensembles de données. Le premier est un ensemble de toutes les propositions de recherche liées à la santé soumises aux National Institutes of Health des États-Unis entre 1985 et 2015.

Le NIH est le plus grand bailleur de fonds de la recherche biomédicale au monde, donc cet ensemble de données est énorme, composé de 776 721 demandes par 139 091 chercheurs. Il comprend également des informations indiquant si chaque proposition a été financée ou non ; en d'autres termes, qu'elle ait réussi ou non.

La deuxième base de données contient des enregistrements d'investissement dans des entreprises en démarrage de VentureXpert, la base de données officielle de la National Venture Capital Association. Cela suit le sort de chaque startup financée par des investisseurs en capital-risque entre 1970 et 2017 - un total de 58 111 entreprises impliquant 253 579 innovateurs.

Dans ce cas, une startup est considérée comme réussie si elle a réalisé une offre publique initiale ou une fusion et acquisition de grande valeur dans les cinq ans suivant sa création.

L'ensemble de données final provient de la Global Terrorism Database, qui enregistre 170 350 attaques terroristes par 3 178 organisations terroristes entre 1970 et 2017. Dans ce cas, une attaque réussie est celle qui fait au moins une mort, tandis que les échecs sont ceux qui ne tuent personne.

Une caractéristique clé de ces ensembles de données est qu'ils permettent à Yin and co de suivre la fortune des chercheurs, des innovateurs et des groupes terroristes qui font de nombreuses tentatives pour atteindre leur objectif. Une question clé qu'ils étudient est de savoir comment les tentatives changent au fil du temps et quels facteurs sont impliqués dans ces changements.

Yin and co étudie spécifiquement deux facteurs dont on pense qu'ils jouent un rôle important dans le succès et l'échec : le hasard et l'apprentissage. Ils se penchent d'abord sur le hasard, la notion selon laquelle les événements aléatoires jouent un rôle important pour entraver ou augmenter les chances de succès.

Cela conduit à un modèle simple. Si le hasard est le facteur clé qui détermine le succès, alors chaque tentative a une probabilité finie de réussir. En effet, le succès finira par se produire si suffisamment de tentatives sont faites. Cela suggère que le nombre de tentatives avant un succès devrait suivre une distribution exponentielle.

Pour tester cette théorie, Yin et co ont étudié les séquences d'échecs des mêmes individus ou équipes avant qu'ils ne réussissent. Il s'avère que ces séquences ne suivent pas le type de distribution prédit par un modèle aléatoire.

Yin and co a également évalué les première et avant-dernière tentatives de ces séquences d'échecs, puis les a comparées pour voir comment elles ont changé. Si la chance est tout ce qui compte, il ne devrait pas y avoir de différence significative.

Mais les avant-derniers efforts sont nettement meilleurs que les premières tentatives, estime l'équipe. Cela suggère qu'un autre mécanisme doit être en jeu : les personnes impliquées doivent apprendre. En d'autres termes, l'expérience de l'échec enseigne des leçons précieuses qui peuvent être utilisées pour améliorer les performances la prochaine fois.

Étant donné que l'apprentissage devrait réduire le nombre de tentatives nécessaires avant d'atteindre le succès, il devrait conduire à une distribution plus étroite des séries d'échecs que la forme exponentielle prédite par le modèle aléatoire.

Mais à la surprise de Yin and co, les séries d'échecs ne suivent pas non plus ce schéma. En fait, ils ont une distribution à queue beaucoup plus grasse. Ces observations démontrent que ni le hasard ni l'apprentissage ne peuvent à eux seuls expliquer les schémas empiriques sous-jacents aux échecs, affirment les chercheurs.

Alors, quels autres facteurs sont importants ? Pour le savoir, Yin et co ont modélisé la façon dont les gens apprennent de l'expérience et comment cela influence leur prochaine tentative. En particulier, ils ont modélisé si les gens prennent en compte toutes leurs expériences antérieures ou seulement certaines d'entre elles.

Le modèle qui en résulte prend en compte une gamme complète d'apprentissages, des agents qui tiennent compte de toute leur expérience passée à ceux qui ne tiennent compte d'aucune de leur expérience passée, et tout ce qui se trouve entre les deux.

L'équipe affirme que le modèle prédit un changement de phase dans le comportement qui correspond aux données empiriques. Lorsque le niveau d'apprentissage par l'expérience est inférieur à un certain seuil, les tentatives futures ne deviennent jamais assez bonnes pour réussir. En effet, les groupes peuvent finir par réduire la qualité de leur travail.

Mais lorsque le niveau d'apprentissage tiré de l'expérience dépasse ce seuil, les tentatives futures deviennent de mieux en mieux jusqu'à ce qu'elles finissent par réussir. Et le facteur clé est la façon dont les gens apprennent.

Cela a des implications importantes. Par exemple, cela signifie que le processus d'apprentissage d'une équipe est un bon indicateur de sa réussite ou non à un moment donné. Nos découvertes dévoilent des signaux précoces identifiables mais jusque-là inconnus qui nous permettent d'identifier la dynamique d'échec qui mènera à la victoire ou à la défaite ultime, disent Yin et co.

La prochaine étape consistera à analyser un apprentissage réussi sur place de sorte qu'il peut être distingué d'un apprentissage infructueux et finalement enseigné systématiquement.

Cela pourrait être un moyen crucial pour les équipes d'avoir un avantage sur la concurrence. Et avec tant d'enjeux en termes de financement et d'investissement, les apprenants qui réussissent sont fortement incités à faire plus d'efforts. Edison serait sûrement impressionné.

Réf : arxiv.org/abs/1903.07562 : Quantification de la dynamique des échecs dans les domaines de la science, des startups et de la sécurité

cacher