Accueil > Analytics > Data Analytics > [Dossier] Analyse prédictive : définition et secteurs d’application
Découvrez la définition de l'analyse prédictive et ses secteurs d'application

[Dossier] Analyse prédictive : définition et secteurs d’application

L’analyse prédictive prend un rôle de plus en plus important dans toutes les industries. Découvrez précisément de quoi il s’agit, et dans quels secteurs d’application l’utiliser, mais aussi dans quel but. 

Les analyses prédictives sont le résultat pratique du Big Data et de la Business Intelligence (BI). Elles permettent d’exploiter les immenses quantités de données collectées par de nombreuses entreprises auprès de leurs clients, de leurs marchés, des réseaux sociaux, des applications en temps réel, ou encore du Cloud. En dégageant des informations tangibles, les analyses prédictives permettent de rester en tête de la compétition.

Les entreprises utilisent les analyses prédictives de différentes façons. Le marketing prédictif, le data mining, les algorithmes de Machine Learning ou d’intelligence artificielle sont autant de manières d’optimiser les processus et de découvrir de nouvelles patterns statistiques. Pour faire simple, elles permettent aux ordinateurs d’apprendre du passé pour mieux effectuer certains business processes et délivrer de nouvelles informations sur le fonctionnement d’une entreprise.

diseuse-bonne-aventure

Qu’est-ce que l’analyse prédictive ?

Le terme analyse prédictive rassemble de nombreuses technologies d’analyse de données et autres techniques statistiques. La principale technique est l’analyse de régression, permettant de prédire les valeurs reliées de multiples variables en se basant sur la confirmation ou l’infirmation d’une affirmation particulière. Les analyses prédictives visent à reconnaître des patterns dans les données pour la probabilité d’un projet, selon Allison Snow, Senior Analyst du B2B Marketing chez Forrester.

Selon elle, il est essentiel de comprendre que les analyses prédictives sont centrées autour des probabilités, pas d’un absolu. Contrairement aux analyses traditionnelles, ce type d’analyses ne permet pas de savoir à l’avance quelle donnée est importante. Elles permettent davantage de déterminer quelle donnée peut prédire le résultat que l’entreprise souhaite prédire.

Prenons l’exemple d’un représentant des ventes cherchant un profil type sur une plateforme CRM comme Salesforce.com. Imaginons que l’affirmation est que ce profile achètera le produit de l’entreprise. Les autres affirmations sont que les variables sont le coût du produit, le rôle de ce profil au sein du business, et le ratio de profitabilité actuel de l’entreprise. En plaçant ces différentes variables dans une équation de régression, on obtient un modèle prédictif à partir duquel extrapoler une stratégie efficace pour vendre un produit aux bons profils.

machine-learning

Parallèle aux analyses de régression, les analyses prédictives utilisent également de plus en plus le Data Mining et le Machine Learning. Le Data Mining, comme son nom l’indique, consiste à examiner de larges ensembles de données afin de découvrir des patterns et de nouvelles informations. Les innovations dans le domaine du Machine Learning comme les réseaux de neurones ou les algorithmes de deep learning permettent quant à elle de traiter les ensembles de données non structurées plus vite qu’un Data Scientist traditionnel avec une précision supérieure à mesure que les algorithmes s’améliorent. On retrouve ces fonctionnalités sur des outils comme IBM Watson, Google TensorFlow ou Microsoft CNTK.

Le principal changement à l’origine du boom des analyses prédictives est que les Data Scientists ne sont plus les seuls à pouvoir utiliser ces techniques. Les outils de Business Intelligence et de Data Vizualisation, tous comme les organisations open source telles que Apache Software Foundation, rendent les outils Big Data plus accessibles, plus efficaces, et surtout plus facile d’usage que jamais auparavant.

Les outils de Machine Learning et d’analyse de données sont maintenant disponibles en self-services et laissés entre les mains de tous les utilisateurs professionnels. Comme évoqué plus haut, le représentant des ventes peut s’en servir pour analyser la clientèle. L’exécutif peut déchiffrer les tendances d’un marché. Le représentant du service clientèle peut rechercher les principales critiques émises par les clients. Le manager du social media marketing peut étudier les données démographiques et sociales pour élaborer une campagne qui touchera l’audience ciblée. Il ne s’agit là que d’exemples, démontrant à quel point les analyses prédictives changent le monde de l’entreprise en profondeur.

social-media-marketgin

Cependant, les analyses prédictives demeurent limitées. Les algorithmes et les modèles ne peuvent pas prédire avec exactitude si le prochain produit de votre entreprise rapportera un milliard de dollars ou si le marché est en passe de s’effondrer. Les données restent un moyen et non une fin.

Analyse prédictive, prescriptive et descriptive

Dans un rapport de Forrester intitulé « Predictive Analytics Can Infuse Your Applications With An Unfair Advantage », l’Analyste Principal du cabinet, Mike Gualtieri, démontre que le mot « analyse » dans l’expression « analyse prédictive » est mal choisi. Les analyses prédictives ne sont pas une branche des analyses traditionnelles telles que l’analyse statistique. Elles permettent de trouver des modèles prédictifs que les entreprises peuvent utiliser pour prédire les futurs résultats d’une activité ou le comportement d’un consommateur.

En bref, Snow explique que le terme « prédictif » dénote par essence une probabilité davantage qu’une certitude. En cela, il s’oppose au paysage des outils analytiques traditionnels. Au contraire, les « analyses descriptives » se content de capturer les événements. Ces analyses descriptives, ou historiques, devraient être la base sur laquelle un algorithme est développé. Il s’agit de données simples, mais souvent trop volumineuses pour être analysées sans un outil analytique. 

analytiques

En règle générale, les tableaux de bord et les rapports sur les méthodes les plus couramment utilisées pour l’analyse prédictive au sein des entreprises d’aujourd’hui. Ces outils manquent cependant d’un lien avec les décisions de business, les optimisations de processus, l’expérience consommateur, ou toute autre action. En d’autres termes, les modèles produisent des informations, mais pas les instructions explicitent sur ce qu’il faut en faire. L’analyse prescriptive permet de croiser les informations et l’action.

L’analyse prédictive est partout

À mesure que le paysage de la Business Intelligence évolue, l’analyse prédictive est utilisée dans un nombre croissant d’industries. Les outils comme Tableau ou Microsoft Power BI, offrent des connecteurs de données et des outils de visualisation pour traiter les volumes massifs de données en provenance de sources comme Amazon Elastic MapReduce. Google BigQuery, Cloudera, Hortonworks ou MapR. Ces outils self-service n’ont pas nécessairement les fonctionnalités prédictives les plus avancées pour le moment, mais ils rendent le Big Data plus facile à analyser et à comprendre.

marketing-B2b

Selon Snow, les analyses prédictives sont utilisées dans de nombreuses situations dans le milieu de l’entreprise. Pour détecter les fraudes dans les points de vente, pour ajuster le contenu numérique selon le contexte de l’utilisateur, ou pour développer un service clientèle proactif. Dans le marketing B2B, les entreprises et les PME utilisent le marketing prédictif pour les mêmes raisons qu’elles utilisent la stratégie, la tactique ou la technologie : pour attirer de nouveaux consommateurs, les retenir et leur proposer un service de meilleure qualité que leurs concurrents. Plus précisément, l’analyse senior dénombre trois catégories principales d’utilisations de l’analyse prédictive dans le marketing B2B :

1 – Le Scoring Predictif : Prioriser les différents profils de clients en fonction de leur inclinaison à acheter. Cette méthode ajoute une dimension mathématique à la priorisation conventionnelle qui repose sur la spéculation et l’expérimentation. Ce cas d’usage aide les équipes de vente et de marketing à identifier les comptes productifs plus rapidement, à perdre moins de temps sur les comptes moins enclins à acheter, et à développer des campagnes à succès.

2 – Les modèles d’identification : Identifier et acquérir des clients avec des attributs similaires à ceux déjà fidélisés. Dans ce cas d’usage, les comptes qui ont présenté des comportements désirés, comme le fait d’effectuer un achat, de renouveler un contrat ou d’acheter des services supplémentaires sert de base pour un modèle d’identification. Il permet d’aider les équipes de ventes et de marketing à trouver des prospects exploitables plus tôt dans le processus de vente, à prioriser les comptes existants en vue d’une expansion, et à mettre en exergue les comptes susceptibles d’être plus réceptifs aux messages de ventes et de marketing.

3 – Segmentation automatisée : Découper la clientèle en segments pour des messages personnalisés. Traditionnellement, les marketers B2B sont seulement capables de segmenter la clientèle par attributs génériques tels que l’industrie dans laquelle ils travaillent. Par ailleurs cette segmentation manuelle requiert des efforts applicables uniquement aux campagnes prioritaires. Désormais, les attributs utilisés pour alimenter les algorithmes prédictifs peuvent être utilisés pour une segmentation automatisée des comptes. Ceci permet aux équipes de vente et de marketing de gérer des communications avec des messages pertinents, des conversations substantielles entre les vendeurs et les prospects, et de diriger la stratégie de contenu plus intelligemment.

Les outils de Business Intelligence et les frameworks open-source comme Hadoop permettent de démocratiser la data dans son ensemble, mais parallèlement au marketing B2B, l’analyse prédictive est également utilisée par de plus en plus de plateformes de logiciels Cloud dans différentes industries. Par exemple, le site Elevated Carrers de eHarmony, au même titre que d’autres sites, propose d’utiliser l’analyse prédictive pour l’embauche, en prédisant quels candidats seront les plus adaptés à des jobs spécifiques. Ce marché encore naissant pourrait révolutionner le fonctionnement des Ressource Humaines.

Les centres d’aide comme Zendesk ont également commencé à utiliser l’analyse prédictive pour améliorer leurs logiciels. L’objectif est ici d’aider le service clientèle à trouver des zones de problèmes à l’aide d’un système d’alerte dirigé par les données, baptisé Satisfaction Prediction. La fonctionnalité utilise un algorithme de Machine Learning pour traiter les résultats des sondages de satisfaction, en se basant sur des variables comme le temps pour résoudre un problème, le temps de réponse, ou encore les mots les plus employés, combinées à un algorithme de régression permettant de calculer le taux de satisfaction.

zendesk

De même, les analyses prédictives ont un fort impact sur l’industrie de l’Internet des Objets. Google utilise les algorithmes de Machine Learning dans ses data centers pour la maintenance prédictive de ses fermes de serveurs de Cloud public. Les algorithmes utilisent les données météorologiques et d’autres variables pour ajuster le refroidissement du data center et réduire la consommation d’énergie.

Ce genre de maintenance prédictive devient courante dans les usines. Les géants de la technologie d’entreprise comme SAP offrent un service de maintenance prédictive utilisant les capteurs de données des machines de productions connectées pour prédire quelle machine risque de rencontrer des problèmes mécaniques. De même, des entreprises tech comme Microsoft explorent la maintenance prédictive pour les applications aérospatiales, en utilisant Cortana pour analyser les données des capteurs intégrés aux engins volants et à leurs composants.

cortana

La liste des applications potentielles s’étend à perte de vue. Les analyses prédictives transforment l’industrie du retail, tandis que les startups financières utilisent des modèles prédictifs pour analyser les risques de fraude. Les possibilités d’intégration dans différentes industries et de transformations des business grâce aux différents outils sont très nombreuses et continueront de se multiplier à mesure que l’intelligence artificielle évolue.

A lire également

big data véhicules autonomes

Véhicules autonomes et Big Data : une nouvelle industrie reposant sur les données

D’ici quelques années, les voitures autonomes remplaceront progressivement les véhicules traditionnels sur les routes. Quel …

Send this to friend