L’analyse prédictive utilise des données historiques pour prévoir les résultats futurs et vous aider à prendre de meilleures décisions en identifiant des schémas et des tendances.
Dans cet article, je vais expliquer ce qu’est l’analyse prédictive, vous montrer comment elle dynamise votre stratégie marketing B2B et vous proposer des moyens concrets de l’appliquer pour résoudre de véritables problèmes de gestion. Vous apprendrez exactement comment intégrer l’analyse prédictive à votre processus décisionnel afin d’obtenir des résultats plus intelligents et moins stressants.
Qu’est-ce que l’analyse prédictive ?
L’analyse prédictive est un ensemble d’outils permettant de modéliser les performances futures à partir des performances passées. Il s’agit d’un ensemble de processus mathématiques visant à projeter les tendances à partir des données dont vous disposez vers les résultats que vous cherchez à prédire. En sélectionnant les données historiques pertinentes et en appliquant un ensemble d’outils approprié, vous pouvez prédire de manière fiable les résultats des politiques et des initiatives que vous envisagez actuellement.
Pour donner un exemple concret, imaginez que vous êtes responsable des ressources humaines et chargé de recruter des personnes pour écrire du code au sein du service informatique de votre entreprise. D’après votre expérience, certains établissements produisent des diplômés plus performants dans ce type de travail. Vous filtrez donc vos candidats à la recherche de mots-clés tels que « CalTech », « MIT » ou « University of California Berkeley ». D’une manière très simple, vous venez d’appliquer votre propre analyse prédictive pour établir un lien significatif entre l’établissement fréquenté par un candidat et la qualité de ses performances potentielles dans votre entreprise.
Vous aurez besoin d’une puissance de calcul importante et de bons algorithmes d’apprentissage automatique pour gérer des associations plus complexes. Supposons que vos données de ventes passées indiquent que votre entreprise vend davantage de feux d’artifice dans les semaines précédant le Nouvel An et le 4 juillet, tandis que votre filiale vend beaucoup de dindes en novembre, juste avant Thanksgiving. Dans une autre association assez évidente, vous pouvez prédire à l’avance l’évolution de vos ventes de feux d’artifice et de dindes en vous basant uniquement sur les performances passées et la date du calendrier.
Passer à la vitesse supérieure
Pour aller plus loin, vous avez peut-être déjà lancé des marques sur les réseaux sociaux, mais vos performances passées ont été irrégulières et décevantes. En utilisant des outils marketing dotés de modèles avancés d’analyse prédictive, votre analyse des données révèle que les messages de marque se diffusent bien de Twitter vers Instagram, mais qu’ils ne vont presque jamais dans la direction opposée. Dans ce cas, vous pouvez dégager des enseignements exploitables, comme le fait de toujours commencer une campagne sur Twitter ou de développer votre communauté Instagram afin d’obtenir de meilleures performances.
Jusqu’à présent, nous avons examiné quelques moyens très simples de prédire les événements futurs à l’aide de méthodes d’analyse prédictive extrêmement simples, mais les possibilités vont bien plus loin. Votre score de crédit FICO est une forme d’analyse prédictive. En examinant votre historique de paiements effectués à temps, votre crédit disponible, votre taux d’utilisation actuel du crédit et plusieurs autres facteurs, le score FICO prédit avec un haut degré de précision la probabilité que vous ne remboursiez pas vos dettes. Il peut même prendre en compte le nombre de vérifications de crédit effectuées au cours des deux dernières années afin de déterminer si vous cherchez désespérément à obtenir des prolongations de crédit, ce qui constitue un signe de difficultés à venir.
De retour sur le lieu de travail, vous pourriez être responsable de l’assurance qualité et avoir pour mission de maintenir les machines en fonctionnement. Toute interruption pourrait coûter de l’argent à votre entreprise, vous devez donc prédire quand et où les pannes risquent de se produire. Votre apprentissage automatique analyse des années de données historiques et détermine que les pannes surviennent lorsqu’une pièce essentielle s’use, ce qui se produit plus rapidement lorsque la température de fonctionnement est élevée. L’enseignement exploitable consiste ici à faire fonctionner les machines à une moindre intensité ou à investir dans un système de refroidissement plus puissant afin de maintenir les températures à un niveau bas, de réduire l’usure des pièces essentielles et de prolonger la durée de vie des machines, ce qui peut permettre d’économiser des millions de dollars.
Analyse prédictive et analyse des données
Maintenant que vous avez une vision générale de ce qu’est l’analyse prédictive, voici ce qu’elle n’est pas. Ou plutôt, voici la distinction entre l’analyse prédictive et d’autres concepts connexes avec lesquels elle peut facilement être confondue.
Tout d’abord, l’analyse prédictive n’est pas identique à l’analyse des données, qui est plus large. Il serait exact de dire qu’il s’agit d’un sous-ensemble de l’analyse des données, axé sur un ensemble limité d’outils servant à élaborer des modèles tournés vers l’avenir. Les autres types d’analyse des données sont les suivants :
- Analyse descriptive : Une présentation exacte et organisée de manière rationnelle de ce qui s’est produit dans le passé, exposée de façon intelligible
- Analyse diagnostique : Déterminer pourquoi les choses se sont produites comme elles l’ont fait dans le passé, idéalement afin d’en tirer des enseignements pour les modèles prédictifs ultérieurs
- Analyse prescriptive : Des informations exploitables sur la direction à prendre à partir de maintenant, ainsi qu’un ensemble d’instructions indiquant ce qu’il faut faire (et ne pas faire) pour atteindre un objectif
Il n’existe pas réellement de frontières nettes et précises entre ces types d’analyse des données, et chacun d’eux peut éclairer les autres. Une approche véritablement puissante de l’analyse utilise tous ces types à leur juste place afin de construire des modèles solides permettant de comprendre des situations complexes.
Analyse descriptive
Par exemple, vous pourriez être ingénieur et chercher à concevoir une voiture plus sûre. Vous aurez besoin d’une quantité considérable de données d’analyse descriptive issues d’accidents passés, notamment de rapports sur les blessures, afin d’élaborer un modèle expliquant comment les voitures se déforment. L’image que vous obtenez pourrait révéler que les victimes d’accidents souffrent fréquemment de blessures au cou. Il s’agit d’une description de données brutes, présentées de manière lisible, mais vous devez aller plus loin pour leur donner un sens.
Analyse diagnostique
Vous savez donc qu'il y a beaucoup de blessures au cou lors des accidents de voiture. L'étape suivante, l'analyse diagnostique, vous explique pourquoi. Apparemment, beaucoup de personnes se cognent la tête contre le pare-brise ou subissent des mouvements de va-et-vient du cou. Parfois, un objet lourd les frappe par-derrière pendant un accident, ce qui provoque les blessures que vous observez.
Have an account? Log In
Analyse prescriptive
À la troisième étape, l'analyse prescriptive, vous élaborez un certain nombre de suggestions pour prévenir les blessures au cou lors des accidents de voiture.
Vous pourriez envisager de concevoir la voiture de façon à ce qu'elle ne puisse pas bouger tant que le conducteur ne porte pas une minerve. Vous pourriez construire une cage de sécurité autour de la tête du conducteur, fabriquée avec un blindage lourd en plomb. Vous pourriez installer un siège éjectable automatique qui détecte les problèmes et propulse le conducteur hors du véhicule au premier signe de danger. Et ainsi de suite. À ce stade, il n'y a pas de mauvaise idée, seulement des idées.
Votre travail prend véritablement forme ici, au stade de l'analyse prédictive. En exécutant des modèles fondés sur les performances passées, vous apprenez que les propriétaires de voitures sont agacés par les dispositifs de sécurité intrusifs et qu'ils désactiveront probablement les minerves, ce qui les rend inutilisables. Ajouter du poids avec un blindage et réduire le champ de vision des conducteurs sont contre-productifs. Les données passées de l'industrie aérospatiale vous indiquent que les sièges éjectables automatiques sont généralement une mauvaise idée.
Mais quelques idées prometteuses se trouvent dans le lot, comme le révèle votre analyse prédictive :
- Les ceintures de sécurité sont un moyen peu coûteux de maintenir les personnes en place lors d'un accident.
- Les airbags amortissent les mouvements des corps.
- Le verre de sécurité se brise facilement, ce qui réduit les blessures à la tête et au cou.
- Les systèmes d'évitement des collisions réduisent le risque d'accident dès le départ.
Vous intégrez donc ces idées raisonnables à votre conception améliorée, qui, selon vos analyses, donnera les meilleurs résultats au regard des sommes dépensées. Le cycle se répète alors : une nouvelle génération de voitures plus sûres est mise en circulation, subit des accidents et génère davantage de données à exploiter, rendant les voitures toujours plus sûres à l'avenir.
Types courants de modèles prédictifs
Tout cela est très bien jusqu'ici, mais quels sont concrètement les outils de l'analyse prédictive ? Comment fonctionne-t-elle ? Que font réellement l'intelligence artificielle, l'apprentissage automatique et toutes ces autres technologies ?
Il existe quatre modèles de base pour ce type d'analyse. Les différentes plateformes en utilisent tout ou partie, et leur usage dépend véritablement du contexte. Voici un bref aperçu des différents types.
Modèle de classification
La classification pourrait tout aussi bien être appelée segmentation. Cette approche divise les grands ensembles de données en groupes présentant des relations significatives. Si vous avez déjà participé à une étude de marché, vous connaissez la segmentation démographique. Si vous avez essayé de commercialiser des skateboards auprès de personnes âgées, vous avez déjà compris l'importance de certaines classifications.
Les modèles spécifiques permettant une classification précise comprennent l'analyse de régression logistique, les arbres de décision, les forêts aléatoires, les réseaux neuronaux et l'analyse naïve bayésienne.
Modèle de prévision
La prévision est l'une des approches les plus couramment utilisées, en partie parce qu'elle est très polyvalente et en partie parce qu'elle permet d'attribuer des valeurs numériques en temps réel à des phénomènes historiques complexes et dépourvus de données chiffrées.
Par exemple, vous pouvez utiliser l'historique des lancements de produits de votre marque pour prévoir le trafic web le jour du lancement d'une campagne. À partir de ce chiffre, vous alertez votre hébergeur web et demandez une bande passante supplémentaire. Résultat : vous obtenez énormément de trafic, votre site ne tombe pas en panne et les ventes sont solides.
Modèle de regroupement
Les modèles de regroupement sont très puissants, et l'essor des algorithmes d'apprentissage profond les a rendus d'une efficacité redoutable. Ils fonctionnent en repérant les corrélations entre des éléments du monde réel, en les comparant à d'autres éléments, puis en établissant des prévisions fondées sur ces associations.
Par exemple, votre modèle de regroupement pourrait remarquer que les personnes qui achètent des couches, du lait infantile, des meubles de chambre d'enfant et des chaises hautes sont très susceptibles d'acheter aussi une assurance santé et des fournitures scolaires dans un avenir proche. Une fois ces informations enregistrées, elles peuvent servir de base à un argumentaire commercial réussi ciblant ces personnes jusqu'à 18 ans plus tard, lorsqu'un client commercialise des prêts étudiants.
Comme vous l'avez peut-être deviné, il existe un grand nombre de ces modèles. Les algorithmes de regroupement courants comprennent le regroupement par k-moyennes, le regroupement par décalage moyen, le regroupement spatial basé sur la densité d'applications avec bruit (DBSCAN), le regroupement par maximisation de l'espérance (EM) utilisant des modèles de mélange gaussien (GMM), ainsi que le regroupement hiérarchique.
Modèles de séries temporelles
On peut soutenir que les premiers analystes de séries temporelles étaient les chasseurs-cueilleurs qui ont remarqué que les animaux migraient au fil des saisons. Cette approche suit les cycles afin de prévoir les événements futurs.
L'exemple présenté précédemment concernant l'augmentation des ventes de dindes en novembre est un exemple d'analyse des séries chronologiques. Les types de modèles spécifiques que vous pourriez utiliser ici comprennent les modèles autorégressifs (AR), les modèles de moyenne mobile (MA), les modèles ARMA et ARIMA.
3 avantages de la modélisation prédictive
Ces modèles prédictifs présentent de nombreux avantages et peuvent vous aider dans votre processus décisionnel. Pour avoir une vision plus claire, voici trois domaines dans lesquels vous pouvez appliquer ces modèles afin d'obtenir d'excellents résultats.
Sécurité et réduction des risques
La sécurité consiste principalement à prédire les comportements des personnes et à en tenir compte à l'avance. Les serrures de vos portes prévoient que des personnes essaieront à un moment donné de tourner les poignées. Les pistes d'audit judiciaire anticipent qu'une personne tentera de détourner de l'argent.
En marketing, vos données historiques peuvent indiquer que les fuites d'informations sont plus fréquentes chez les fournisseurs tiers. Vous décidez donc de retenir certaines informations jusqu'aux dates de lancement des produits, voire de segmenter les informations afin de les garder en sécurité.
Efficacité opérationnelle
Les outils prédictifs peuvent considérablement améliorer votre efficacité opérationnelle en vous aidant à prévoir la demande. Si votre centre d'appels est très occupé tôt le matin et en fin d'après-midi, mais qu'il est désert à tous les autres moments, vous disposez de données qui vous aident à planifier les équipes.
Faire venir votre personnel horaire pendant les heures de pointe, puis réduire les effectifs lorsque personne n'appelle, vous permet d'affecter vos ressources exactement là où elles sont nécessaires et au bon moment, plutôt que de manquer de personnel pendant les périodes de forte activité et d'en avoir trop lorsque le calme revient.
Amélioration de la prise de décision
C'est l'avantage principal. Vous vous tournez en réalité vers l'analyse prédictive pour obtenir un code de triche concernant les performances futures. Pensez encore aux scores FICO. Devriez-vous accorder un crédit à une personne présentant un risque élevé et ayant un score faible ? Devriez-vous refuser d'envoyer une nouvelle carte de crédit à une personne ayant un score de 790 ? Le modèle analytique vous aide à prédire les résultats futurs en fonction des performances passées.
5 façons d'utiliser l'analyse prédictive à votre avantage
Segmentation des clients et de l'audience
Vous savez déjà que vos clients sont différents les uns des autres, mais ils ont tendance à se regrouper en catégories que les grands ensembles de données permettent de révéler. L'exploration de données a mauvaise réputation, mais c'est la première étape pour constituer des groupes cohérents sur lesquels vous pouvez formuler des généralisations et que vous pouvez cibler plus efficacement.
Acquisition de nouveaux clients
Gagner de nouveaux clients est une excellente chose, et la capacité à y parvenir de manière fiable grâce à vos campagnes marketing confère à votre marque un avantage concurrentiel. Des techniques telles que les modèles de régression linéaire vous aident à affiner vos processus et à tirer le meilleur parti de vos campagnes d'acquisition de nouveaux clients.
More Articles
Notation des prospects
Distinguer le bon grain de l'ivraie constitue une part importante de la veille stratégique, en particulier lorsqu'il s'agit de noter les prospects et de développer une nouvelle audience. La modélisation de la propension montre vers quoi le public est susceptible de se tourner avec vous et quels prospects sont les plus prometteurs.
Recommandations de contenu et de publicités
Les publicités peuvent être agaçantes lorsqu'elles ne sont pas souhaitées ou qu'elles présentent des produits dont le spectateur n'a pas besoin. Le filtrage collaboratif élimine ce désagrément et rend vos messages publicitaires beaucoup plus susceptibles de toucher leur cible.
Personnalisation de l'expérience client
Que vous soyez commerçant, que vous travailliez dans le secteur des services financiers ou que vous réalisiez des prévisions météorologiques pour des entreprises de transport maritime, la segmentation automatisée vous aide à trier toutes les données que vous pourriez générer et à proposer une expérience personnalisée à chaque personne avec laquelle vous interagissez. Il s'agit d'une optimisation à l'échelle individuelle, qui peut avoir le plus fort impact sur votre marketing puisqu'elle crée un lien personnel avec chaque personne en contact avec votre marque.
En route vers l'avenir
Nous avons abordé beaucoup de sujets, mais vous êtes maintenant, je l'espère, bien mieux informé sur les avantages des logiciels d'analyse marketing et sur la manière dont ils peuvent contribuer à l'analyse prédictive. Vous trouverez également beaucoup plus d'informations si vous en cherchez. Abonnez-vous à la newsletter de The CMO pour rester au fait des derniers conseils, tendances, recommandations de logiciels et autres informations sur le marketing.
