Prédiction #4
« Les analytics prescriptifs seront partie intégrantes des logiciels d’analyse business. IDC prédit que la moitié des logiciels de business analytics incluront une telle capacité d’analyse d’ici 2020.»
Il y a encore 2 ans, faire de l’analyse prédictive était le nec plus ultra. Il s’agissait de s’appuyer sur des modèles statistiques prédictifs délivrés par le data mining, assaisonnés d’algorithmes de Machine Learning avec un petit supplément d’intelligence…artificielle.
Il s’agissait, en gros, d’apprendre du passé pour corriger/améliorer des process fonctionnels dans l’entreprise.
La principale technique utilisée dans l’analyse prédictive 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.
Ces analyses prédictives sont donc 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’on souhaite prédire.
Exemple : Dans le cadre de sa prospection, un commercial cherche un profil type sur un son CRM. Imaginons que l’affirmation est que ce profil 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.
Parallèlement aux analyses de régression, on utilise également le Data Mining et le Machine Learning. Les innovations dans le domaine du Machine Learning comme les réseaux de neurones ou les algorithmes de deep learning permettent quant à elles 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 (cf. IBM Watson).
[Nous n’aborderons pas ici le thème complémentaire de la dataviz déjà traité dans l’épisode précédent mais les deux sujets sont connexes.]
Mais ça, c’était avant.
Prédire c’est bien, prescrire c’est mieux.
Exemple chez un retailer de produits technos :
Prédiction : Le dernier modèle de téléphone de chez H… va se vendre comme des petits pains.
Prescription : Il faut multiplier nos commandes par 3 sous peine de rupture de stock.
Même à un niveau aussi basique, on constate la valeur ajoutée de l’un par rapport à l’autre.
Même si le bon vieil instinct peut encore être utile dans certains cas, les placards sont remplis de décideurs ayant eu de mauvaises intuitions.
L’analytique prescriptif, quant à lui, fournit aux utilisateurs les meilleurs outils pour faire face à certaines situations en optimisant le processus de choix entre les différentes options disponibles.
Cela ouvre certes des perspectives exceptionnelles mais peut rapidement devenir fastidieux et complexe. C’est en partie pour cette raison que ce type d’analytique n’a émergé que récemment, quand la technologie a enfin été à la hauteur des attentes qu’on y a placées.
« Les outils d’analytique prescriptif formulent des optimisations des résultats de l’entreprise en combinant des données historiques, des règles métier, des modèles mathématiques, des variables, des contraintes et des algorithmes d’apprentissage automatique. A l’instar de sa cousine prédictive, l’analytique prescriptif s’utilise dans des situations faisant intervenir moultes options, variables, contraintes et données. Or, ces éléments sont bien trop nombreux pour être exploitables humainement sans l’aide de la technologie. »
Une mise en pratique très parlante de l’analyse prescriptive des données concerne les systèmes de tarification des billets d’avion : on assiste ici à une savante combinaison d’éléments comprenant les conditions de voyage, le niveau de demande et la période d’achat grâce auxquels les compagnies peuvent proposer des prix permettant d’optimiser les bénéfices sans pour autant dissuader les clients.
Autre exemple, UPS, qui utilise l’analytique prescriptif pour optimiser ses tournées de livraison.
En conclusion, si l’analyse prédictive est inexorable, de plus en plus empreinte de certitude (cela reste avant tout une somme de probabilités) elle reste passive.
L’analyse prescriptive, elle, intègre la prédiction mais prend des mesures pour transformer le constat en prise de décision et en action.
