Aller au contenu
English

Évaluer et utiliser le gain incrémental

  • Leçon 26
  • 40 min
  • Module 7 : Le gain incrémental : à qui appliquer le traitement?

Où nous en sommes

Nos modèles de gain incrémental prédisent pour chaque client une hausse de sa probabilité de commander. Rafael peut envoyer 10 000 courriels. Dans cette leçon, nous évaluons les modèles avec des courbes de gain incrémental et Qini. Nous choisissons les destinataires et comptons les commandes supplémentaires que le simulateur confirme.

Leçon 26 sur 30 · Expériences et impact causal : notre changement a-t-il fonctionné?Évaluer et utiliser le gain incrémental

Ce que vous saurez faire

Évaluez les modèles de gain incrémental sur des données qu’ils n’ont pas vues, avec des courbes de gain incrémental et Qini. Choisissez les destinataires de Rafael avec un budget de 10 000 courriels. Puis choisissez le nombre de destinataires selon le profit, pas l’exactitude.

Carnet JupyterFaites cette leçon dans un carnet JupyterColab · Kaggle · GitHub · en anglais

Dans le carnet (notebook) Jupyter, vous écrivez vous-même la courbe de gain incrémental et le coefficient Qini. Vous tracez les courbes de trois modèles. Puis vous trouvez la taille de liste qui donne le profit le plus élevé. Les cellules de préparation installent les paquets et téléchargent les données de courriels. Aucune préparation locale n’est donc nécessaire. Environ 40 minutes.

Le carnet est en anglais. Colab et Kaggle ouvrent votre propre copie. Il faut un compte Google ou Kaggle gratuit. Vous êtes bloqué ? Consultez le carnet de solution.

Avant de commencerCe qu’il faut savoir et avoir sous la mainEnviron 40 minutes

Ce que vous devez savoir

Ce qu’il vous faut sur votre ordinateur (seulement pour les étapes du projet)

Testé sur macOS avec Python 3.12 et l’instantané end-of-m07 du projet. Windows n’a pas été testé.

Une boulangerie imprime des dépliants pour un nouveau pain. Elle a une liste de rues, classées selon une estimation de l’efficacité du dépliant. La boulangère ne peut pas couvrir toutes les rues. Comment sait-elle si sa liste classée est bonne?

Elle garde quelques maisons dans chaque rue sans dépliant. Dans les meilleures rues, les maisons avec un dépliant achètent beaucoup plus. Dans les dernières rues, elles achètent autant. Elle voit maintenant où le dépliant cesse de couvrir le coût du papier.

Voilà cette leçon : garder un groupe aléatoire à part, mesurer le gain le long de la liste classée, puis arrêter quand le gain ne couvre plus les coûts.

Le problème : l’exactitude indique la mauvaise direction

Section intitulée « Le problème : l’exactitude indique la mauvaise direction »

Dans la dernière leçon, le simulateur nous indiquait la qualité de chaque liste. Un vrai magasin n’a pas de simulateur. Il doit juger un modèle à partir de ses données. La première idée consiste à utiliser la méthode des modèles habituels : les clients choisis ont-ils commandé?

Prenez les 17 843 clients du test que les modèles n’ont pas vus pendant l’entraînement. Pour chaque modèle, prenez les 20 % en tête : 3 568 clients. Certains ont reçu le courriel (B), d’autres non (A).

Les 20 % en tête selon Ont commandé, avec le courriel (B) Ont commandé, sans le courriel (A) Effet du courriel
Modèle « qui achètera » 18,38 % 12,41 % +5,97 points
X-learner 16,93 % 9,13 % +7,81 points

Si vous regardez seulement B, le modèle « qui achètera » gagne : 18,38 % de ses clients ont commandé. C’est le modèle le plus exact pour prédire qui commande. Mais regardez A. Ses clients commandent dans 12,41 % des cas sans le courriel. Le courriel leur apporte moins. Les clients du X-learner commandent moins, mais le courriel change le comportement d’un plus grand nombre.

L’exactitude indique donc la mauvaise direction. Nous avons besoin d’une mesure du changement. Ce changement est visible seulement quand nous comparons B à A.

Une courbe de gain incrémental (uplift) répond à une question pour chaque taille de liste. Si nous envoyons un courriel aux premiers clients, combien de commandes supplémentaires obtenons-nous?

  1. Attribuez un score au groupe d’évaluation avec le modèle, puis classez-le, les meilleurs en premier.
  2. Prenez les 10 % en tête. Comparez la proportion qui a commandé dans B à celle dans A. Multipliez la différence par le nombre de clients. Vous obtenez les commandes supplémentaires produites par l’envoi du courriel à ces clients.
  3. Faites la même chose pour les 20 %, 30 % en tête, et ainsi de suite, jusqu’à tous les clients.

Un test aléatoire rend cette comparaison équitable : dans chaque tranche, A et B se ressemblent, sauf pour le courriel.

Tracez ensuite une droite de 0 au dernier point. Elle montre ce qu’une liste aléatoire donnerait : le même petit effet par client, tout le long. L’aire entre la courbe et cette droite est le coefficient Qini. Un Qini plus élevé signifie que le modèle place davantage de gain en tête. Un Qini de 0 signifie qu’il ne fait pas mieux que le hasard. Les livres et les bibliothèques définissent la courbe Qini de façons légèrement différentes. Comparez seulement des valeurs Qini provenant du même outil.

Douze clients d’un groupe d’évaluation, classés selon le score d’un modèle. Les valeurs sont inventées pour cet exemple. « B » a reçu le courriel; « A » ne l’a pas reçu.

Rang 1 2 3 4 5 6 7 8 9 10 11 12
Groupe B B A A B B A A B B A A
A commandé? oui non non non oui oui oui non non non oui non
  • Les 4 premiers : B a commandé dans 1 cas sur 2 (0,50); A dans 0 cas sur 2 (0). Gain = (0,50 − 0) × 4 = +2.
  • Les 8 premiers : B dans 3 cas sur 4 (0,75); A dans 1 cas sur 4 (0,25). Gain = (0,75 − 0,25) × 8 = +4.
  • Les 12 clients : B dans 3 cas sur 6 (0,50); A dans 2 cas sur 6 (0,33). Gain = (0,50 − 0,33) × 12 = +2.

La droite aléatoire va de 0 à +2. Au tiers de la liste, elle est à 0,67. Aux deux tiers, elle est à 1,33.

  • Le modèle
  • Liste aléatoire
La courbe de gain incrémental des douze clients inventés. La courbe du modèle monte à +4 aux deux tiers de la liste, puis descend à +2. La ligne pointillée représente une liste aléatoire. L'aire entre les deux est le coefficient Qini : 1,33.
Description textuelle du graphique

Un graphique en courbes. Courbe du modèle : 0 à 0 %, +2 à 33 %, +4 à 67 %, +2 à 100 %. La droite aléatoire va directement de 0 à 0 % à +2 à 100 %.

Les quatre derniers clients font perdre deux commandes : ils se comportent comme les clients à ne pas déranger. Ici, la meilleure liste comprend les deux premiers tiers, pas tout le monde.

Le coefficient Qini est l’aire entre les deux lignes. Les écarts sont 0, 1,33, 2,67 et 0, aux proportions 0, 1/3, 2/3 et 1. Nous additionnons trois trapèzes. L’aire est 1/3 × (0 + 1,33)/2 + 1/3 × (1,33 + 2,67)/2 + 1/3 × (2,67 + 0)/2 = 1,33. La fonction qini_coefficient du projet donne le même résultat.

xp uplift affiche la courbe de gain incrémental du groupe d’évaluation et son coefficient Qini. Vous l’avez exécuté pour les trois modèles dans la dernière leçon.

  • X-learner
  • T-learner
  • « Qui achètera »
  • Liste aléatoire
Courbes de gain incrémental de trois modèles sur les 17 843 clients du test simulé qu'ils n'ont pas vus (graine 40). Les trois montent au-dessus de la droite aléatoire. La courbe du X-learner est la plus haute pour la plupart des tailles de liste. Coefficients Qini : X-learner +218,92, T-learner +196,38, « qui achètera » +138,92.
Description textuelle du graphique

Un graphique en courbes. L’axe horizontal montre la proportion du groupe d’évaluation ayant reçu un courriel, de 0 % à 100 %. L’axe vertical montre les commandes supplémentaires. Chaque courbe se termine à +189 à 100 %, quand tous les clients reçoivent un courriel. La droite aléatoire va directement de 0 à +189. La courbe du X-learner monte à +176 à 10 %, +279 à 20 %, +349 à 30 %, +397 à 50 %, puis descend lentement à +189. Courbe du T-learner : +205 à 10 %, +275 à 20 %, +365 à 50 %. Courbe « qui achètera » : +147 à 10 %, +213 à 20 %, +280 à 50 %; elle reste plus basse.

Toutes les courbes se terminent à +189 : « envoyer un courriel à tous » ne dépend pas de l’ordre. La courbe du X-learner est la plus haute pour la plupart des tailles. Son Qini est donc le plus élevé : +218,92. Le modèle « qui achètera » est le plus bas des trois : +138,92.

Chaque courbe monte aussi, puis descend. La baisse à la fin vient des clients à ne pas déranger. Ils sont au bas des bonnes listes, et leur envoyer un courriel fait perdre des commandes.

Le groupe d’évaluation compte 17 843 clients. Chaque point de la courbe compare deux petits groupes et subit donc ses propres variations dues au hasard. La courbe du T-learner monte de +331 à 60 % à +358 à 80 %. Mais les valeurs réelles indiquent qu’elle devrait descendre là. Rappelez-vous À vous de jouer dans la dernière leçon. Avec une autre séparation des données, la liste du X-learner était un peu moins bonne. Mais son Qini était plus élevé : +233,75 contre +218,92. Utilisez le Qini pour comparer les modèles sur le même groupe d’évaluation. Ne considérez pas les petites différences comme réelles.

Le budget de Rafael est de 10 000 courriels, pour une liste de 50 000 clients. C’est 20 % de la liste. Chaque modèle attribue un score aux 50 000 clients, et xp uplift garde les 10 000 premiers. Le simulateur donne ensuite les commandes supplémentaires réelles de chaque liste.

Commandes supplémentaires pour chaque choix de clients dans la liste du mois prochain (simulation, graine 40). Aléatoire : 10 000 clients au hasard. Achètera? : le modèle « qui achètera ». T et X : le T-learner et le X-learner. Meilleur : les 10 000 meilleurs clients possibles. Tous : les 50 000 clients. Les 10 000 courriels choisis par le X-learner apportent +838, près du meilleur résultat possible de +943. Envoyer un courriel aux 50 000 clients apporte seulement +648.
Description textuelle du graphique

Un graphique en colonnes des commandes supplémentaires de la liste de 50 000 clients du mois prochain. 10 000 clients au hasard : +130. Les 10 000 choisis par le modèle « qui achètera » : +672. Par le T-learner : +795. Par le X-learner : +838. Les 10 000 meilleurs clients possibles : +943. Un courriel aux 50 000 clients : +648.

Deux résultats ressortent. Le X-learner obtient 89 % du meilleur résultat possible (838 sur 943). Et envoyer un courriel aux 50 000 clients apporte moins de commandes supplémentaires que 10 000 courriels bien choisis : +648 contre +838. Envoyer plus de courriels n’apporte pas toujours plus de commandes. Cela rejoint aussi les clients à ne pas déranger.

Sur 10 tests simulés, les moyennes étaient : « qui achètera » +699, T-learner +785, X-learner +823, meilleur +936, aléatoire +129. Le classement se maintient.

Le budget de 10 000 courriels a été fixé avant que quiconque voie les données. Est-ce le bon nombre? Le simulateur peut tracer les commandes supplémentaires réelles pour chaque taille de liste.

  • Meilleur résultat possible
  • X-learner
  • « Qui achètera »
  • Liste aléatoire
Commandes supplémentaires réelles pour chaque nombre de destinataires, depuis le début de chaque liste (simulation, graine 40). La liste du X-learner atteint son sommet à environ 30 000 clients, avec +1 180 commandes supplémentaires. Ensuite, chaque courriel supplémentaire rejoint davantage de clients à ne pas déranger, et le total descend à +648 à 50 000.
Description textuelle du graphique

Un graphique en courbes. L’axe horizontal montre le nombre de destinataires, de 0 à 50 000. L’axe vertical montre les commandes supplémentaires réelles. X-learner : +501 à 5 000, +838 à 10 000, +1 062 à 15 000, +1 147 à 20 000, +1 174 à 25 000, +1 180 à 30 000, +1 146 à 40 000, +648 à 50 000. Meilleur résultat possible : +943 à 10 000, un sommet d’environ +1 313 à 27 500, +648 à 50 000. « Qui achètera » : +672 à 10 000, un sommet de +973 à 27 500, +648 à 50 000. Liste aléatoire : une droite de 0 à +648.

La liste du X-learner continue d’ajouter des commandes jusqu’à environ 30 000 clients : +1 180. Ensuite, les courriels supplémentaires rejoignent les clients à ne pas déranger, et le total baisse. Mais chaque courriel supplémentaire coûte aussi quelque chose. Pour choisir la taille, nous avons besoin de montants, pas de commandes.

Nous avons besoin de trois nombres. Les trois sont des hypothèses de ce cours. Utilisez les nombres de votre magasin.

  • Une commande supplémentaire rapporte 26 $ de marge. La commande moyenne simulée vaut 86,75 $; nous supposons une marge d’environ 30 %.
  • L’envoi d’un courriel coûte 0,02 $.
  • Un client qui se désabonne coûte 6 $ : la valeur des futurs courriels que nous ne pouvons plus envoyer.

Profit d’une liste = commandes supplémentaires × 26 − courriels × 0,02 − désabonnements supplémentaires × 6.

Par exemple, les 10 000 courriels du X-learner : 838 × 26 = 21 788 $, moins 10 000 × 0,02 = 200 $, moins quelques désabonnements. Le simulateur donne 21 468 $.

  • Meilleur résultat possible
  • X-learner
  • « Qui achètera »
  • Liste aléatoire
Profit selon le nombre de destinataires, avec trois prix supposés : 26 $ de marge par commande supplémentaire, 0,02 $ par courriel et 6 $ par abonné perdu (valeurs réelles simulées, graine 40). La liste du X-learner rapporte le plus à environ 28 500 clients : 29 748 $. Un courriel aux 50 000 clients rapporte 13 856 $.
Description textuelle du graphique

Un graphique en courbes. L’axe horizontal montre le nombre de destinataires et l’axe vertical, le profit en dollars. X-learner : 12 877 $ à 5 000, 21 468 à 10 000, 27 136 à 15 000, 29 164 à 20 000, 29 704 à 25 000, un sommet de 29 748 à 28 500, 28 421 à 40 000 et 13 856 à 50 000. Meilleur résultat possible : 24 196 à 10 000, un sommet de 33 269 à environ 27 500. « Qui achètera » : 17 104 à 10 000, un sommet de 24 133 à 27 000. Liste aléatoire : une droite de 0 à 13 856.

Avec ces prix, la liste la plus rentable compte environ 28 500 clients et rapporte 29 748 $. Le budget de 10 000 rapporte 21 468 $. Envoyer un courriel à tous rapporte seulement 13 856 $, moins que la liste respectant le budget. La courbe est aussi plate entre environ 20 000 et 35 000 clients. Dans une zone plate, une liste plus petite et moins chère perd peu.

Rafael peut donc demander environ 20 000 à 30 000 courriels, choisis par le X-learner, et non un envoi à « tous ». Les prix déterminent la taille. Des coûts plus élevés donnent une meilleure liste plus petite.

Un vrai magasin n’a pas de courbe réelle. Il lit le profit sur sa courbe d’évaluation, plus bruitée. Le carnet fait ce calcul et trouve une meilleure proportion de 50 % de la liste. C’est approximatif, mais cela indique la même direction.

  1. Choisissez 20 000 clients avec le X-learner et vérifiez-les.

    Fenêtre de terminal
    xp uplift --learner x --budget 20000
    xp check

    Nous montrons les dernières lignes de xp check :

    Your 20,000 customers: +1147 extra orders expected (from the simulator's true chances).
    Random 20,000: +259. The best possible 20,000: +1256. Emailing all 50,000: +648.
    1,491 of your customers order less because of the email (do-not-disturbs).

    Les 20 000 meilleurs clients possibles apporteraient +1 256. La liste du X-learner obtient 91 % de ce résultat.

  2. Revenez au budget de Rafael.

    Fenêtre de terminal
    xp uplift --learner x
    xp check

    Vous voyez +838 extra orders expected (+838 commandes supplémentaires attendues) et 24 of your customers (24 de vos clients), comme dans la dernière leçon.

La liste de Rafael est le fichier runs/email-s40/targets_x.csv : 10 000 numéros de clients. Vous retrouverez Rafael dans le cours « Recommandation et personnalisation » (à venir).

Quand l’utiliser, quand l’éviter et ce que cela coûte

Section intitulée « Quand l’utiliser, quand l’éviter et ce que cela coûte »

Utilisez les courbes de gain incrémental et Qini quand :

  • vous comparez des modèles de gain incrémental, ou un modèle avec une règle simple, sur une partie gardée à part d’un test aléatoire;
  • vous devez choisir une taille de liste : la courbe montre où le gain s’arrête;
  • vous pouvez attribuer un prix à une commande supplémentaire, à un message et à un client perdu.

Ne leur faites pas confiance quand :

  • le groupe d’évaluation est petit : la courbe est bruitée, et les petites différences de Qini ne signifient rien;
  • le groupe d’évaluation a servi à l’entraînement : la courbe semblera trop bonne;
  • le monde a changé depuis le test : un modèle entraîné en septembre peut ne pas convenir aux soldes de décembre.

Cela coûte un groupe gardé à part qui ne sert pas à l’entraînement. Cela coûte aussi un petit groupe aléatoire qui ne reçoit aucun courriel à chaque envoi. Ce groupe renonce à quelques commandes supplémentaires : le prix pour savoir que le modèle fonctionne encore.

  1. Ouvrez le carnet depuis l’encadré Faites cette leçon dans un carnet Jupyter en haut de cette page.
  2. Exécutez les cellules de préparation et la cellule des fonctions auxiliaires. Puis exécutez la section 1. Elle entraîne de nouveau les trois modèles et affiche 17843 customers to evaluate on (17 843 clients pour l’évaluation).
  3. Dans la section 2, écrivez la courbe de gain incrémental. Pour le X-learner, la première ligne est top 10%: +176.0 (les 10 % en tête : +176,0).
  4. Dans la section 3, calculez les coefficients Qini. Vous voyez +138,92, +196,38 et +218,92 : les mêmes valeurs que xp uplift.
  5. Dans la section 4, ramenez les 20 % en tête à une liste de 50 000 clients. Le X-learner donne environ +781 commandes supplémentaires. La valeur réelle pour sa liste est +838 : proche, mais pas exacte.
  6. Dans la section 5, calculez le profit pour chaque proportion de la courbe du X-learner. Mettez la meilleure proportion dans best_share et son profit dans best_profit. Exécutez les cellules de vérification. Elles affichent Check passed (vérification réussie).
Afficher la réponse à l’étape 6
s, g = curves["X-learner"]
profit = g * scale * 26 - s * 50_000 * 0.02
i = int(np.argmax(profit))
best_share = round(float(s[i]), 2)
best_profit = round(float(profit[i]))
print(best_share, best_profit)

La meilleure proportion est 0,5 (25 000 clients), avec un profit d’environ 28 387 $. Cette version exclut les désabonnements, et la courbe d’évaluation est bruitée. Elle dit quand même la même chose que la courbe réelle : envoyer plus de 10 000 courriels, mais pas à tous.

Rafael demande 30 000 courriels. Avant de lancer quoi que ce soit, faites une prédiction. Les 30 000 courriels choisis par le X-learner apporteront-ils plus de commandes supplémentaires que 10 000? Plus qu’un envoi aux 50 000 clients? Ensuite, exécutez xp uplift --learner x --budget 30000 et xp check.

Afficher la réponse
Your 30,000 customers: +1180 extra orders expected (from the simulator's true chances).
Random 30,000: +389. The best possible 30,000: +1312. Emailing all 50,000: +648.
6,232 of your customers order less because of the email (do-not-disturbs).

Oui aux deux questions. Les 30 000 courriels apportent +1 180 commandes supplémentaires : plus que 10 000 (+838). C’est presque le double d’un envoi aux 50 000 clients (+648). La liste comprend maintenant 6 232 clients dont la probabilité de commander diminue, le plus souvent seulement un peu. Avec les prix supposés, cette liste rapporte environ 29 700 $, près du sommet de la courbe de profit. Exécutez de nouveau xp uplift --learner x pour retrouver la liste de 10 000 clients.

Erreur courante

« Notre modèle a une exactitude de 90 %, donc la campagne fonctionnera »

Symptôme : une équipe choisit son modèle de campagne selon son exactitude : sa capacité à prédire qui commande. Les clients qui reçoivent un courriel commandent souvent. Mais un groupe de contrôle permanent choisi au hasard, sans courriel, commande presque aussi souvent. La campagne a ajouté peu de commandes.

Cause : l’exactitude mesure la probabilité de commander, pas le changement causé par le courriel. Le modèle le plus exact trouve les acquis d’avance, qui commandent avec ou sans courriel.

Solution : évaluez sur une partie réservée d’un test aléatoire avec une courbe de gain incrémental et son coefficient Qini. Choisissez la taille de la liste avec une courbe de profit, en consignant les coûts. Gardez un groupe de contrôle permanent choisi au hasard dans chaque envoi, pour mesurer de nouveau le gain.

Vérifiez votre compréhension

Dans les premiers 20 % de la liste d'un modèle, 30 % des clients ayant reçu un courriel ont commandé. Parmi ceux sans courriel, 28 % ont commandé. Cette tranche compte 1 000 clients. Combien de commandes supplémentaires l'envoi à cette tranche apporte-t-il, et est-ce une bonne liste?

Afficher la réponse

Le gain est de (0,30 − 0,28) × 1 000 = +20 commandes supplémentaires. Le taux de commande de 30 % semble élevé, mais le courriel ajoute seulement 2 points. La plupart de ces clients commanderaient de toute façon : ce sont des acquis d’avance. C’est une mauvaise liste pour un envoi de courriels, même si le modèle prédit bien les commandes.

Vérifiez votre compréhension

Avec un autre découpage des données d'entraînement, le Qini du X-learner passe de +218,92 à +233,75. Pourtant, sa liste de 10 000 clients apporte +810 commandes supplémentaires au lieu de +838. Comment les deux peuvent-ils être vrais?

Afficher la réponse

On mesure le Qini sur le groupe d’évaluation. Le nouveau découpage crée un groupe d’évaluation différent, avec ses propres variations dues au hasard. Le simulateur mesure les commandes supplémentaires de la liste sur les 50 000 clients du mois prochain. Une petite variation du Qini entre deux groupes d’évaluation relève du bruit. Comparez les modèles avec le Qini seulement sur le même groupe d’évaluation. Ne considérez pas les petites différences comme réelles.

Vérifiez votre compréhension

Envoyer un courriel aux 50 000 clients apporte +648 commandes supplémentaires. L'envoyer aux 10 000 premiers clients du X-learner en apporte +838. Expliquez pourquoi envoyer plus de courriels donne moins de commandes supplémentaires.

Afficher la réponse

Le début de la liste contient surtout des persuadables, et le courriel y ajoute des commandes. Plus bas, on trouve les causes perdues, les acquis d’avance et les clients à ne pas déranger. Les clients à ne pas déranger commandent moins à cause du courriel. Leur partie de la liste retire donc des commandes. Envoyer un courriel à tous les clients additionne toutes ces pertes : le total tombe à +648.

Récapitulatif

  • L’exactitude oriente le choix dans la mauvaise direction. Les clients du modèle « qui achètera » commandent plus (18,38 %), mais le courriel en influence moins (+5,97 points contre +7,81).
  • Une courbe de gain incrémental montre les commandes supplémentaires pour chaque taille de liste, sur une partie réservée d’un test aléatoire. Le coefficient Qini est l’aire au-dessus de la ligne aléatoire : X-learner +218,92, T-learner +196,38, « qui achètera » +138,92. Les courbes sont bruitées.
  • Les 10 000 courriels de Rafael choisis par le X-learner : +838 commandes supplémentaires (meilleur résultat possible : +943). Un envoi aux 50 000 clients : seulement +648.
  • Choisissez la taille de la liste selon le profit. Avec les prix supposés, la meilleure liste compte environ 28 500 clients et rapporte 29 748 $. Les 10 000 clients rapportent 21 468 $, et l’ensemble des clients, 13 856 $.
  • Gardez un groupe de contrôle permanent choisi au hasard dans chaque envoi, pour mesurer de nouveau le gain.

Ensuite, le module 8 teste des fonctionnalités d’IA en ligne : une nouvelle requête pour l’assistant de soutien.

Leçon suivante : Tester un modèle ou une requête en ligne