L’analyse prédictive et prescriptive vont de pair lorsqu’il s’agit de prendre des décisions commerciales. Elles représentent des outils puissants pour les entreprises de tous les secteurs. Pourtant, il est intéressant de se demander pourquoi de nombreux PDG se montrent sceptiques quant à l’exactitude des données prédictives. Découvrez les principaux facteurs qui ont un effet sur la précision des modèles prédictifs et préparez votre entreprise effectuer des analyses prescriptives réussies.
Qu’il s’agisse de déterminer le moment où un client est susceptible se désabonner d’un service, où une pièce d’avion peut tomber en panne ou encore où il est possible d'augmenter son stock, le potentiel de l'analyse prédictive est une évidence dans tous les secteurs. Or, si l’analyse prédictive répond à la question « Que va-t-il se passer ? », l’analyse prescriptive constitue l'étape suivante du processus, et répond à la question « Que dois-je faire maintenant ? ». Ces deux modèles jouent un rôle crucial dans la prise de décision commerciale.
Toutefois, malgré leur exposition médiatique – ou peut-être à cause d'elle –, les dirigeants d’entreprise peuvent se montrer sceptiques à l’égard de ces approches de l'analyse de données. En effet, le rapport Global CEO Outlook publié en 2018 par KPMG a révélé que plus de la moitié des PDG interrogés se montrent « moins confiants quant à l’exactitude de l’analyse prédictive que concernant celle des données historiques ». Le fait que les modèles prédictifs soient remis en question sur la scène publique lorsqu’ils ne parviennent pas à déterminer avec précision le vainqueur d’une élection ou la prévalence de la grippe saisonnière n'arrange rien. Comme le montrent les prévisions concernant les décès et les hospitalisations liés à la COVID-19, le manque de clarté de telles projections peut ébranler la confiance du public et avoir un impact profond sur les politiques gouvernementales.
Certains facteurs contribuent à la création de modèles prédictifs précis, ce qui conduit à des analyses prescriptives plus correctes. Or cela ne se limite pas à des critères techniques – en réalité, une partie de la réussite d'un modèle prédictif consiste également à préparer sa réussite au niveau de l'entreprise.
Préparer l'entreprise
Comme l’explique Eric Siegel, la planification du déploiement opérationnel par le biais d’un processus collaboratif entre les parties prenantes quantitatives et métier est essentielle pour garantir le bon fonctionnement de l’analyse prédictive. Au début de chaque projet, les entreprises doivent passer par deux étapes clés :
1. Déterminer l’objectif métier
Comment le modèle prédictif s'intègrera-t-il pour avoir un impact positif sur les opérations ? Un modèle qui analyse les taux de désabonnement des clients permet par exemple au service marketing de cibler plus efficacement les campagnes de fidélisation de la clientèle.
2. Définir un objectif prédictif spécifique
Il s'agit de répondre à une question spécifique qui permet d'atteindre l’objectif métier mentionné plus haut avec l’approbation de toutes les parties prenantes métier. Un exemple de question prédictive pourrait être : « Quels clients actuels sont abonnés à nos produits depuis au moins un an pour une valeur de plus de 1 500 euros et sont susceptibles de ne plus faire appel à nos services au cours des trois prochains mois et de ne pas se réabonner d'ici la fin de l’année ? »
Une fois ces étapes franchies, il est possible de préparer des données afin d'entraîner votre logiciel de machine learning et de déployer le modèle. Il est préférable d'intégrer les prédictions du modèle au sein des opérations existantes. Il est notamment possible de développer une campagne de rétention de la clientèle ciblée sur les 5 % de clients les plus performants qui, selon vous, représentent probablement les « clients actuels » mentionnés dans la question sur l'objectif prédictif.
Toutefois, il est impératif de s'assurer d'abord que l'entreprise dispose de fonctionnalités technologiques adaptées.
Préparer les technologies
1. L'analyse multi-genre
L’intégration de l’analyse multi-genre aux classifications de modélisation prédictive et de machine learning permet de tirer parti d’un ensemble diversifié de techniques d’analyse afin de déterminer la probabilité d’un résultat commercial.
Supposons par exemple qu'une entreprise essaie de prédire la probabilité de désabonnement des clients. Il lui sera peut-être nécessaire d'inclure des algorithmes ou des fonctions liés à la préparation, à la découverte, à l’exploration ou à la visualisation de données, ainsi qu'à la création ou à la notation de modèles de machine learning et à l’évaluation de ces modèles, au sein d'un flux de travail séquentiel afin d'obtenir et d’opérationnaliser de nouvelles informations.
2. Des analyses diversifiées intégrées au sein d'un cadre unique
La modélisation prédictive est difficile et complexe, en particulier lorsque les capacités d'analyse et les algorithmes doivent être corrigés manuellement, lorsque chaque utilisateur dispose de sa propre expérience, de sa propre documentation et de ses propres flux de travail. Rassembler ces fonctionnalités en un seul endroit et faciliter le recours automatique à des fonctions par les utilisateurs facilite considérablement leur travail tout en réduisant la probabilité d’erreur humaine.
3. L'évolutivité
Les capacités prédictives d'une entreprise augmentent si celle-ci se dote d’une plateforme qui analyse non seulement de vastes volumes de données, mais effectue également des analyses multi-genres répétées aussi souvent que l’entreprise en a besoin. Plus les ensembles de données sont vastes, plus ils enrichissent le modèle, ce qui conduit à améliorer les prédictions et les classifications. Il est également important de créer des modèles évolutifs pour éviter que les data scientists se retrouvent forcés de recréer et d'opérationnaliser manuellement les modèles chaque fois que cela se révèle nécessaire.
4. Le rendement
Afin de suivre le rythme des flux de données au sein de l'entreprise, il est nécessaire de disposer d'une plateforme capable de réduire le délai entre l’ingestion et l’opérationnalisation des données. Chaque seconde compte, en particulier lorsque l'entreprise cherche à encourager la collaboration sur les données en temps réel.
Grâce à un produit comme Teradata Vantage, les entreprises ont accès à une plateforme transparente et puissante qui couvre tous ces aspects. La plateforme rassemble des fonctions d’analyse multi-genre au sein d'une interface unique, ce qui permet à tous les utilisateurs de l’entreprise d'avoir recours à des fonctions préprogrammées sans avoir besoin de produire du code ou de définir des instructions supplémentaires. Cela permet non seulement d'accélérer le processus de modélisation prédictive, mais rend également l’erreur humaine moins probable à mesure que davantage d’étapes sont automatisées. La plateforme est hautement évolutive et permet aux utilisateurs d’accéder facilement à de vastes volumes de données pour les analyser et appliquer de manière répétée plusieurs modèles de complexité variable. Enfin, la performance de Vantage est l'un de ses principaux différenciateurs sur le marché, car elle aide les clients à obtenir des résultats commerciaux rapides et fiables.
Vous souhaitez savoir comment Teradata Vantage peut vous aider à générer des prédictions précises ?
En savoir plus sur Vantage
