Comment utiliser le machine learning pour booster son business ?

Le machine learning transforme radicalement la façon dont les entreprises opèrent et prennent des décisions. Cette branche de l'intelligence artificielle permet aux organisations d'exploiter leurs données pour générer des prédictions précises, automatiser des processus complexes et obtenir des insights stratégiques auparavant inaccessibles. Avec un marché mondial du machine learning estimé à 21,17 milliards de dollars en 2022 et une projection à 209,91 milliards d'ici 2029, cette technologie est devenue un levier de croissance incontournable. Les entreprises qui intègrent le machine learning dans leur stratégie constatent en moyenne une augmentation de 20% de leur efficacité opérationnelle et jusqu'à 15% de croissance supplémentaire de leur chiffre d'affaires, selon une étude McKinsey.

Pour tirer pleinement profit de cette révolution technologique, les dirigeants doivent comprendre comment sélectionner et implémenter les solutions de machine learning les plus adaptées à leurs défis spécifiques. Des modèles prédictifs pour optimiser la chaîne d'approvisionnement aux systèmes de détection de fraude sophistiqués, en passant par l'analyse comportementale des clients, les applications sont aussi nombreuses que variées. La question n'est plus de savoir si vous devez intégrer le machine learning, mais comment exploiter cette technologie pour créer un avantage concurrentiel durable.

Fondamentaux du machine learning adaptés aux problématiques business

Le machine learning représente un ensemble de méthodes permettant aux systèmes informatiques d'apprendre à partir de données sans être explicitement programmés. Pour les entreprises, cela signifie la possibilité d'automatiser des décisions complexes, de détecter des tendances invisibles à l'œil humain et d'optimiser les processus à une échelle sans précédent. Contrairement aux systèmes traditionnels qui suivent des règles prédéfinies, les algorithmes de machine learning évoluent et s'améliorent avec l'expérience, offrant ainsi une adaptabilité précieuse dans un environnement économique en perpétuel changement.

L'adoption du machine learning dans un contexte business nécessite une compréhension claire des différentes approches disponibles et de leur pertinence selon les objectifs visés. La première étape consiste à identifier les domaines où cette technologie peut créer le plus de valeur, comme l'optimisation des processus, la personnalisation client ou la prévision de la demande. Une fois ces opportunités identifiées, il devient essentiel de choisir les techniques appropriées en fonction des données disponibles et des résultats escomptés.

Différences techniques entre apprentissage supervisé, non supervisé et par renforcement dans un contexte commercial

L'apprentissage supervisé constitue l'approche la plus courante en environnement commercial. Elle nécessite des données étiquetées où le résultat attendu est connu. Par exemple, pour prédire le risque de désabonnement d'un client, vous utilisez des données historiques de clients ayant quitté votre service et de ceux restés fidèles. Les algorithmes comme les arbres de décision ou les réseaux neuronaux apprennent alors à identifier les caractéristiques qui différencient ces deux groupes. Cette méthode est particulièrement efficace pour les prévisions de ventes, la segmentation clientèle ou l'évaluation des risques de crédit.

L'apprentissage non supervisé s'avère précieux lorsque vous disposez de données non étiquetées et cherchez à découvrir des structures ou motifs cachés. Les algorithmes comme K-means ou DBSCAN regroupent automatiquement les clients aux comportements similaires sans nécessiter d'étiquetage préalable. Cette approche est idéale pour la segmentation de marché, la détection d'anomalies (comme des transactions frauduleuses) ou l'analyse du panier d'achat pour identifier des associations de produits.

L'intelligence des algorithmes de machine learning réside dans leur capacité à découvrir des relations complexes invisibles pour l'être humain, transformant de simples données en véritables actifs stratégiques pour l'entreprise.

L'apprentissage par renforcement, moins répandu mais en pleine croissance, fonctionne selon un principe de récompense et de punition. L'algorithme apprend à prendre des décisions séquentielles pour maximiser une récompense cumulative. Cette technique s'applique brillamment à l'optimisation des prix en temps réel, à la gestion des stocks ou à l'automatisation des campagnes marketing, où l'algorithme ajuste continuellement sa stratégie en fonction des résultats obtenus.

Frameworks python essentiels: TensorFlow, PyTorch et scikit-learn pour les applications métier

TensorFlow, développé par Google, s'impose comme l'un des frameworks les plus puissants pour construire des modèles de deep learning. Sa flexibilité permet de déployer des solutions sur diverses plateformes, des serveurs cloud aux appareils mobiles. Dans un contexte commercial, TensorFlow excelle pour les applications nécessitant une haute performance comme l'analyse d'images, la reconnaissance vocale ou le traitement du langage naturel. Par exemple, des détaillants l'utilisent pour l'analyse en temps réel des comportements clients en magasin via des systèmes de vision par ordinateur.

PyTorch, soutenu par Facebook, gagne rapidement en popularité grâce à son interface intuitive et sa flexibilité. Il facilite le prototypage rapide et l'expérimentation, ce qui en fait un choix privilégié pour les équipes data science en entreprise. Particulièrement adapté aux problématiques de traitement du langage naturel, PyTorch permet de développer des systèmes d'analyse de sentiment pour les commentaires clients ou des chatbots intelligents pour le service client.

Scikit-learn représente souvent le point d'entrée idéal pour les entreprises débutant avec le machine learning en raison de sa simplicité d'utilisation et de sa large bibliothèque d'algorithmes classiques. Ce framework est particulièrement adapté pour des tâches comme la classification (prédire des catégories), la régression (prédire des valeurs numériques) ou le clustering (regrouper des données similaires). Il se révèle parfait pour analyser les comportements d'achat, segmenter la clientèle ou prévoir les tendances de vente avec des modèles comme RandomForest ou GradientBoosting .

Infrastructures cloud pour déployer des modèles ML: google cloud AI platform vs AWS SageMaker vs azure ML studio

Google Cloud AI Platform offre un environnement complet pour le développement, l'entraînement et le déploiement de modèles ML. Sa force réside dans l'intégration avec les autres services Google comme BigQuery pour l'analyse de données massives. Pour les entreprises disposant déjà d'une infrastructure Google Cloud, cette plateforme permet une mise en production rapide de modèles complexes grâce à des outils comme AutoML, qui automatise la création de modèles personnalisés sans expertise approfondie en data science.

AWS SageMaker se distingue par sa scalabilité et son intégration native avec l'écosystème Amazon Web Services. Cette plateforme tout-en-un simplifie chaque étape du workflow ML, de la préparation des données au déploiement et à la surveillance des modèles en production. SageMaker brille particulièrement dans les environnements nécessitant un traitement massif de données et des capacités d'inférence en temps réel, comme les applications e-commerce à fort trafic ou les systèmes de trading automatisé.

Azure ML Studio s'adresse aux entreprises déjà intégrées dans l'écosystème Microsoft. Sa force réside dans la combinaison d'une interface graphique intuitive pour les débutants et d'outils avancés pour les data scientists expérimentés. Azure ML facilite la collaboration entre équipes métier et techniques grâce à des fonctionnalités de gouvernance des données et de MLOps intégrées. Les entreprises apprécient particulièrement sa compatibilité avec Power BI pour la visualisation des insights générés par les modèles.

Méthodologie CRISP-DM appliquée aux projets de machine learning en entreprise

La méthodologie CRISP-DM (Cross-Industry Standard Process for Data Mining) structure efficacement les projets de machine learning en six phases distinctes. La première étape, la compréhension du business, consiste à définir clairement les objectifs commerciaux que le projet doit atteindre, comme l'augmentation du taux de conversion ou la réduction des coûts opérationnels. Cette phase cruciale garantit l'alignement entre les efforts techniques et les priorités stratégiques de l'entreprise.

La compréhension des données représente la deuxième phase, où vous explorez les données disponibles pour évaluer leur qualité, leur pertinence et identifier d'éventuelles lacunes. Cette étape révèle souvent des défis comme des données manquantes ou des biais qui pourraient affecter la performance des modèles. La préparation des données suit logiquement, transformant les données brutes en un format exploitable pour l'analyse via des techniques de nettoyage, d'agrégation et de normalisation.

La modélisation constitue la quatrième phase, où différents algorithmes sont testés et comparés pour trouver la meilleure solution au problème identifié. L'évaluation rigoureuse des modèles intervient ensuite, mesurant non seulement leur précision technique mais aussi leur impact potentiel sur les KPIs métier. Enfin, le déploiement marque la mise en production du modèle, incluant son intégration aux systèmes existants et la formation des utilisateurs finaux. CRISP-DM impose une démarche itérative où chaque phase peut nécessiter un retour aux étapes précédentes pour raffiner la solution.

Cas d'usage du machine learning par secteur d'activité

Le machine learning transforme tous les secteurs d'activité en offrant des solutions adaptées à leurs défis spécifiques. Dans le commerce de détail, les algorithmes optimisent les niveaux de stock, personnalisent les recommandations produits et prédisent les tendances d'achat saisonnières. Le secteur financier exploite ces technologies pour la détection de fraude, l'évaluation automatisée des risques de crédit et le trading algorithmique. Les entreprises manufacturières améliorent leur efficacité opérationnelle grâce à la maintenance prédictive, l'optimisation des chaînes de production et le contrôle qualité automatisé.

Dans le domaine de la santé, le machine learning révolutionne le diagnostic médical, la découverte de médicaments et la gestion personnalisée des soins. Les services publics optimisent leur consommation d'énergie et prédisent les pannes d'infrastructure. Quant au marketing, il bénéficie de l'analyse comportementale des clients, de l'optimisation des campagnes publicitaires et de la personnalisation en temps réel. Chaque secteur développe des applications spécifiques répondant à ses enjeux particuliers, démontrant l'extraordinaire adaptabilité de cette technologie.

Modèles prédictifs pour l'optimisation des stocks et de la supply chain avec prophet et ARIMA

La gestion optimale des stocks représente un défi majeur pour toute entreprise cherchant à équilibrer disponibilité des produits et coûts d'immobilisation. Les modèles de prévision comme Prophet, développé par Facebook, excellent dans l'analyse des séries temporelles comportant des tendances saisonnières complexes. Cette solution s'avère particulièrement efficace pour les détaillants confrontés à des pics de demande saisonniers ou événementiels. Prophet gère intelligemment les périodes atypiques comme les promotions ou les jours fériés, permettant d'ajuster les prévisions en conséquence.

Les modèles ARIMA (AutoRegressive Integrated Moving Average) constituent une approche statistique robuste pour la prévision de séries temporelles. Ils analysent les motifs historiques pour capturer les tendances, la saisonnalité et les corrélations temporelles dans les données de vente ou de consommation. ARIMA se révèle particulièrement adapté aux entreprises disposant de longues séries de données historiques stables. Par exemple, un fabricant de boissons peut utiliser ARIMA pour prévoir la demande mensuelle en fonction des ventes des années précédentes, des tendances actuelles et des facteurs saisonniers.

Pour les chaînes d'approvisionnement complexes, des approches hybrides combinant plusieurs modèles offrent souvent les meilleurs résultats. En intégrant Prophet pour les prévisions à long terme avec des algorithmes comme XGBoost pour capturer des relations non linéaires entre variables (comme l'impact du prix sur la demande), les entreprises peuvent réduire leurs coûts de stockage jusqu'à 30% tout en minimisant les ruptures. Ces systèmes prédictifs s'intègrent aux logiciels de gestion d'entrepôt pour automatiser les commandes et optimiser le placement des produits selon leur fréquence d'accès.

Systèmes de recommandation pour e-commerce: collaborative filtering vs content-based avec LightFM

Le filtrage collaboratif repose sur l'hypothèse que les utilisateurs qui ont apprécié des produits similaires dans le passé auront probablement des préférences communes à l'avenir. Cette approche analyse les matrices d'interactions utilisateur-produit pour identifier des motifs comportementaux et générer des recommandations personnalisées. Par exemple, si vous et un autre client avez acheté cinq produits identiques, le système pourrait vous suggérer un sixième article que cet autre client a également apprécié. Cette méthode excelle pour découvrir des relations non évidentes entre produits, mais souffre du problème du "démarrage à froid" lorsque peu de données d'interaction sont disponibles.

Les systèmes basés sur le contenu fonctionnent différemment, en analysant les caractéristiques des produits et les préférences démontrées par l'utilisateur. Si vous avez acheté plusieurs smartphones haut de gamme avec des appareils photo performants, le système recommandera logiquement des produits similaires. Cette approche surmonte le problème du démarrage à froi

d pour les nouveaux utilisateurs et permet des recommandations plus explicables, mais ne peut découvrir des associations inattendues entre produits sans caractéristiques communes évidentes.

LightFM représente une approche hybride combinant les forces des deux méthodes précédentes. Ce framework open-source permet d'intégrer simultanément les interactions utilisateur-produit et les métadonnées descriptives. Pour un site e-commerce, LightFM peut exploiter l'historique d'achat des clients tout en incorporant les caractéristiques des produits comme la marque, la catégorie ou les spécifications techniques. Cette approche hybride résout efficacement le problème du démarrage à froid tout en maintenant la capacité à découvrir des relations complexes entre produits.

L'implémentation d'un système de recommandation performant peut augmenter le taux de conversion jusqu'à 5,5 fois et accroître le panier moyen de 30% selon une étude de Barilliance. Pour maximiser l'efficacité, les entreprises e-commerce adoptent des stratégies multicouches : recommandations personnalisées sur la page d'accueil, suggestions de produits complémentaires sur les pages produits et recommandations basées sur le comportement de navigation en temps réel.

Détection de fraude dans les services financiers avec XGBoost et isolation forests

La fraude financière coûte aux institutions des milliards chaque année, justifiant l'adoption croissante d'algorithmes de machine learning pour sa détection. XGBoost (Extreme Gradient Boosting) s'est imposé comme une référence dans ce domaine grâce à sa puissance prédictive et sa robustesse face aux données complexes. Cet algorithme d'ensemble combine plusieurs arbres de décision, chacun corrigeant les erreurs du précédent, pour créer un modèle hautement précis. Les institutions financières l'utilisent pour analyser des centaines de variables transactionnelles comme le montant, l'heure, la localisation, le type de terminal et le comportement historique du client.

Les Isolation Forests offrent une approche complémentaire particulièrement efficace pour détecter les anomalies sans nécessiter d'exemples de fraudes préalables. Contrairement aux méthodes traditionnelles qui modélisent les comportements normaux, cette technique identifie les anomalies en mesurant la facilité avec laquelle une transaction peut être "isolée" du reste des données. Les transactions frauduleuses présentent généralement des caractéristiques atypiques qui les rendent plus faciles à isoler. Cette méthode excelle dans la détection de nouveaux types de fraude jamais rencontrés auparavant.

Pour maximiser l'efficacité, les organisations financières déploient souvent ces algorithmes en couches successives : un premier filtre basé sur des règles métier traite les cas évidents, suivi d'Isolation Forests pour détecter les anomalies subtiles, puis XGBoost pour évaluer précisément le risque de fraude. Ce système multicouche opère en temps réel, analysant chaque transaction en millisecondes avant son autorisation. Les résultats sont impressionnants: réduction des faux positifs de plus de 50% tout en augmentant la détection de fraudes véritables de 30%, selon une étude de Feedzai sur les implémentations bancaires.

Analyse prédictive des comportements clients avec les modèles RFM et les réseaux de neurones

L'analyse RFM (Récence, Fréquence, Montant) constitue un cadre fondamental pour segmenter les clients selon leur valeur et leur comportement d'achat. Cette approche classe les clients en fonction de trois dimensions critiques : quand ont-ils effectué leur dernier achat (récence), combien d'achats ont-ils réalisés sur une période donnée (fréquence) et quelle somme totale ont-ils dépensée (montant). Cette segmentation simple mais puissante permet d'identifier les clients à fort potentiel, ceux à risque d'attrition ou encore les clients occasionnels pouvant être convertis en acheteurs réguliers.

L'intégration des réseaux de neurones profonds enrichit considérablement cette analyse en capturant des relations non linéaires complexes dans les données comportementales. Par exemple, un réseau LSTM (Long Short-Term Memory) peut analyser les séquences d'achat pour prédire non seulement si un client reviendra, mais aussi quand et quels produits l'intéresseront probablement. Ces modèles peuvent intégrer des centaines de variables comme les interactions sur le site web, les réponses aux campagnes marketing et même des données externes comme les tendances saisonnières ou les événements locaux.

Les modèles prédictifs avancés ne se contentent plus de déterminer qui achètera, mais anticipent le moment précis où un client sera réceptif à une offre spécifique, créant ainsi des opportunités de micro-moments marketing impossibles à identifier manuellement.

Ces analyses prédictives alimentent des stratégies marketing personnalisées: envoi automatique d'offres de rétention aux clients identifiés comme à risque d'attrition, recommandations personnalisées basées sur les prochains achats probables, ou ajustement dynamique des campagnes publicitaires. Les entreprises utilisant ces modèles constatent une augmentation moyenne de 20% du taux de rétention client et un accroissement de 15% du lifetime value, transformant l'analyse prédictive en avantage concurrentiel quantifiable.

Computer vision pour le retail: comptage de visiteurs et analyse de parcours avec YOLO et OpenCV

La vision par ordinateur révolutionne l'analyse du comportement client en magasin physique, offrant des insights précédemment inaccessibles. L'algorithme YOLO (You Only Look Once) représente une avancée majeure dans ce domaine grâce à sa capacité à détecter et classifier des objets en temps réel avec une précision remarquable. Contrairement aux approches traditionnelles qui nécessitent plusieurs passes d'analyse, YOLO traite l'image entière en une seule fois, permettant une détection à 45 images par seconde. Cette rapidité le rend idéal pour suivre simultanément des dizaines de clients dans un environnement commercial dynamique.

OpenCV complète parfaitement YOLO en fournissant une bibliothèque complète de fonctions de traitement d'image. Cette combinaison permet de créer des systèmes capables de compter précisément les entrées et sorties, d'analyser les flux de circulation, de mesurer le temps passé devant chaque rayon et même d'évaluer les réactions émotionnelles face aux produits. Par exemple, une enseigne comme Sephora utilise ces technologies pour analyser quels présentoirs attirent le plus l'attention et comment les clients interagissent avec les produits avant l'achat.

L'implémentation d'un système complet d'analyse par vision artificielle transforme la prise de décision retail. Les données recueillies permettent d'optimiser le placement des produits, de tester l'efficacité des présentoirs promotionnels et d'ajuster les niveaux de personnel selon les flux de visiteurs prévus. Les détaillants rapportent une augmentation moyenne de 15% des ventes après réorganisation des magasins basée sur ces analyses. La technologie devient particulièrement puissante lorsqu'elle est combinée avec d'autres sources de données comme les transactions en caisse, permettant de calculer précisément les taux de conversion par zone et par heure.

Intégration du machine learning dans l'infrastructure existante

L'adoption réussie du machine learning en entreprise ne se limite pas au développement de modèles performants; elle exige une intégration harmonieuse avec les systèmes existants. Cette phase critique transforme des prototypes prometteurs en solutions opérationnelles créatrices de valeur. Une intégration bien conçue garantit que les prédictions générées influencent effectivement les processus métier et les décisions quotidiennes, tout en maintenant la fiabilité et la scalabilité de l'infrastructure globale.

La complexité de cette intégration varie considérablement selon le contexte technique préexistant. Certaines entreprises doivent connecter des modèles sophistiqués à des systèmes legacy vieillissants, tandis que d'autres bénéficient d'architectures modernes conçues pour l'intégration API. Dans tous les cas, une approche structurée avec des interfaces standardisées et une stratégie de déploiement progressive minimise les risques tout en accélérant l'adoption. L'objectif ultime reste de créer un écosystème où les modèles et l'infrastructure existante se renforcent mutuellement pour délivrer une valeur métier tangible.

Apis RESTful et microservices pour connecter vos modèles ML à vos applications métier

Les APIs RESTful constituent souvent la méthode privilégiée pour intégrer des modèles de machine learning aux applications métier existantes. Cette approche encapsule les modèles dans des services web accessibles via des requêtes HTTP standardisées, offrant ainsi une interface cohérente et indépendante du langage. Par exemple, un modèle de prédiction des prix développé en Python avec scikit-learn peut être exposé via une API Flask, permettant à une application Java de gestion des stocks d'obtenir des estimations de prix en temps réel sans connaître les détails d'implémentation du modèle.

L'architecture microservices pousse cette logique plus loin en décomposant les fonctionnalités ML en services autonomes et spécialisés. Un système de recommandation e-commerce pourrait ainsi être divisé en plusieurs microservices: un pour le filtrage collaboratif, un autre pour l'analyse de contenu, et un troisième pour l'orchestration des recommandations finales. Cette modularité facilite les mises à jour indépendantes, permet une scalabilité ciblée lors des pics de trafic et améliore la résilience globale du système. Si un composant échoue, les autres continuent de fonctionner.

Pour implémenter efficacement ces architectures, les entreprises adoptent des frameworks comme FastAPI pour Python ou Spring Boot pour Java, qui simplifient la création d'APIs performantes et bien documentées. Les passerelles API (API Gateways) comme Kong ou Amazon API Gateway ajoutent des fonctionnalités essentielles comme l'authentification, le rate limiting et le monitoring. Cette couche d'abstraction permet aux équipes métier d'exploiter les capacités ML sans se préoccuper des complexités techniques sous-jacentes, accélérant ainsi l'adoption et maximisant le retour sur investissement.

Mlops: automatisation des pipelines avec airflow, kubeflow et MLflow

Apache Airflow s'est imposé comme un outil incontournable pour l'orchestration des workflows de données et de machine learning. Sa capacité à définir des pipelines complexes sous forme de graphes acycliques dirigés (DAGs) en Python offre une flexibilité exceptionnelle. Dans un contexte MLOps, Airflow permet d'automatiser l'intégralité du processus: extraction et préparation des données, entraînement du modèle, évaluation des performances, et déploiement conditionnel. Par exemple, une entreprise e-commerce peut programmer un DAG qui recharge les données de transaction chaque nuit, réentraîne les modèles de recommandation si les métriques de performance se dégradent, puis met à jour automatiquement les modèles en production.

Kubeflow apporte une dimension supplémentaire en orchestrant les workflows ML spécifiquement dans des environnements Kubernetes. Cette plateforme open-source simplifie le déploiement de pipelines ML distribués et facilite la transition entre développement et production. Kubeflow excelle particulièrement pour les projets nécessitant un entraînement sur plusieurs GPU ou pour les équipes travaillant avec des ressources computationnelles hétérogènes. Sa capacité à standardiser les déploiements via des conteneurs garantit la reproductibilité des résultats indépendamment de l'environnement d'exécution.

MLflow complète cette pile technologique en se concentrant sur la gestion du cycle de vie des modèles. Cet outil assure le suivi systématique des expérimentations (paramètres utilisés, métriques obtenues), la comparaison des performances entre différentes approches, et la gestion des versions des modèles. Son registre centralisé facilite la promotion contrôlée des modèles du développement vers la production, avec des fonctionnalités de rollback en cas de problème. Une entreprise pharmaceutique utilisant MLflow peut ainsi documenter précisément chaque itération de ses modèles de découverte de médicaments, garantissant traçabilité et conformité réglementaire tout en accélérant l'innovation.

Systèmes de monitoring de performances avec prometheus et grafana

Prometheus s'est imposé comme la solution de référence pour le monitoring des systèmes ML en production grâce à son modèle de données dimensionnel et son langage de requête puissant. Cette plateforme open-source collecte des métriques techniques (utilisation CPU, latence des prédictions) et métier (précision du modèle, distribution des prédictions) à intervalles réguliers. Sa capacité à définir des règles d'alerte sophistiquées permet de détecter rapidement les dégradations de performance ou les comportements anormaux. Par exemple, un système bancaire de détection de fraude pourrait déclencher une alerte si le taux de faux positifs augmente soudainement de 20%, signalant un potential data drift.

Grafana complète parfaitement Prometheus en transformant ces métriques brutes en tableaux de bord visuels intuitifs. Son interface hautement personnalisable permet de créer des visualisations adaptées aux différents publics: dashboards techniques détaillés pour les data scientists, vues synthétiques pour les décideurs, et alertes contextuelles pour les équipes opérationnelles. Les seuils d'alerte visuels et les annotations temporelles facilitent la corrélation entre les événements (déploiement d'une nouvelle version, campagne marketing) et les variations de performance des modèles.

Un système de monitoring robuste fournit également des insights précieux sur l'impact réel des modèles ML. Par exemple, une compagnie d'assurance peut visualiser simultanément l'évolution du taux d'approbation automatisé des demandes d'indemnisation et la satisfaction client mesurée via des enquêtes post-traitement. Ces corrélations entre métriques techniques et objectifs métier permettent d'ajuster continuellement les modèles pour maximiser leur valeur commerciale. Les organisations matures établissent généralement des "contrats de niveau de service" (SLAs) pour leurs modèles ML, avec des indicateurs clairs de performance et de disponibilité monitorés en temps réel.