Analyse Prédictive : 5 Façons de l’Utiliser à Votre Avantage
Ne serait-il pas formidable de pouvoir voir l’avenir ? Prendre des décisions peut être une source de stress pour ceux qui doivent anticiper les conséquences futures de leurs choix. C’est sur ce principe que repose l’analyse prédictive, une méthode consistant à utiliser des données historiques pour anticiper les résultats de décisions actuelles et les projeter dans l’avenir.
Bien que cette méthode ne soit pas infaillible, l’analyse prédictive peut véritablement vous donner un avantage lorsque vous utilisez des données d’expériences passées pour repérer des tendances et faire le bon choix. Vous pouvez exploiter cet ensemble d’outils dans de nombreux domaines, du marketing au recrutement, en passant par la performance de la marque dans le temps.
Dans cet article, nous vous expliquons ce qu’est l’analyse prédictive, comment elle peut appuyer votre approche en marketing prédictif B2B, et dans quels contextes elle peut résoudre des problèmes de gestion complexes. À la fin de votre lecture, vous devriez être à l’aise avec ce concept et prêt à intégrer des modèles prédictifs dans vos arbres décisionnels habituels. Vous repartirez également avec de nouvelles idées pour utiliser la boîte à outils de l’analyse prédictive afin de rendre votre travail beaucoup plus productif et moins stressant.
Vous en voulez plus de The CMO ?
Inscrivez-vous gratuitement pour terminer la lecture de cet article :
Have an account? Log In
Qu’est-ce que l’analyse prédictive ?
L’analyse prédictive est un ensemble d’outils permettant de modéliser la performance future à partir de la performance passée. Il s’agit de procédés mathématiques visant à projeter des tendances à partir des données dont vous disposez pour anticiper les résultats que vous souhaitez prédire. En sélectionnant les bonnes données historiques et en appliquant le jeu d’outils adapté, vous pouvez prévoir de manière fiable les effets des politiques et initiatives que vous envisagez.
Pour illustrer concrètement, imaginez que vous êtes responsable RH et que vous devez recruter des personnes pour le service informatique de votre entreprise. Selon votre expérience, certains établissements forment des diplômés plus performants dans ce domaine. Vous sélectionnez donc parmi les candidats les CV qui mentionnent « CalTech », « MIT » ou « University of California Berkeley ». D’une façon très basique, vous venez d’appliquer votre propre analyse prédictive pour établir un lien pertinent entre l’école d’un candidat et sa performance potentielle dans votre société.
Pour aller plus loin et établir des corrélations plus complexes, vous aurez besoin d’une puissance de calcul importante et de bons algorithmes d’apprentissage automatique. Par exemple, vos données de ventes passées montrent que votre entreprise vend davantage de feux d’artifice dans les semaines précédant le Nouvel An et le 4 juillet, et que votre filiale vend beaucoup de dindes en novembre, juste avant Thanksgiving. Là encore, il s’agit d’une corrélation facile à anticiper : vous pouvez prévoir à l’avance l’évolution des ventes de feux d’artifice et de dindes simplement grâce aux performances passées et au calendrier.
Aller plus loin
Autre exemple : vous avez peut-être déjà lancé des marques sur les réseaux sociaux, mais vos résultats passés ont été mitigés et décevants. Grâce à des outils marketing utilisant des modèles avancés d’analytique prédictive, votre analyse de données révèle que les messages des marques circulent facilement de Twitter vers Instagram, mais rarement dans le sens inverse. Vous pouvez alors en tirer des enseignements concrets, comme le fait de toujours débuter une campagne sur Twitter ou de développer une audience Instagram pour de meilleures performances.
Jusqu’à présent, nous avons vu quelques façons simples de prévoir des événements à venir en utilisant des méthodes élémentaires d’analyse prédictive, mais ce n’est qu’un aperçu de ce qu’il est possible de faire. Votre score de crédit FICO est une forme d’analyse prédictive. En examinant votre historique de paiements à temps, votre crédit disponible, votre utilisation actuelle du crédit et d’autres facteurs, le score FICO estime avec un degré élevé de précision la probabilité que vous ne remboursiez pas vos dettes. Il peut même inclure dans ses calculs le nombre de demandes de crédit effectuées au cours des deux dernières années pour déterminer si vous cherchez désespérément à obtenir de nouveaux crédits, ce qui pourrait annoncer des difficultés à venir.
Au travail, vous pouvez être contrôleur qualité responsable du bon fonctionnement des machines. Tout arrêt coûte de l’argent à l’entreprise : vous devez donc anticiper les pannes probables. Grâce à l’apprentissage automatique, l’analyse de plusieurs années de données permet de déterminer que les pannes surviennent lorsqu’une pièce critique s’use, ce qui arrive plus rapidement quand la température de fonctionnement est élevée. L’enseignement à en tirer est de faire fonctionner les machines à moindre intensité ou d’investir dans un système de refroidissement plus performant, ce qui permet de baisser la température, de réduire l’usure des pièces et de prolonger la durée de vie des équipements, économisant potentiellement des millions de dollars.
Analyse prédictive vs analyse de données
Maintenant que vous avez une vue d’ensemble de ce qu’est l’analyse prédictive, voyons ce qu’elle n’est pas. Plus précisément, observons la frontière qui distingue l’analyse prédictive d’autres concepts proches, auxquels elle est parfois assimilée à tort.
Tout d’abord, l’analyse prédictive n’est pas la même chose que l’analyse de données, plus large. On peut dire qu’elle constitue une sous-catégorie de l’analyse de données, qui s’appuie sur un ensemble limité d’outils pour bâtir des modèles tournés vers l’avenir. Les autres types d’analyse de données sont les suivants :
- Analyse descriptive : Un compte-rendu exact, organisé de façon rationnelle, de ce qui s’est produit par le passé, présenté de manière intelligible.
- Analyse diagnostique : Comprendre pourquoi les choses se sont passées ainsi dans le passé, afin d’éclairer les futurs modèles prédictifs.
- Analyse prescriptive : Fournir des recommandations concrètes sur la marche à suivre, avec des instructions sur ce qu’il faut faire (ou éviter) pour atteindre un objectif.
Il n’existe pas de frontières clairement délimitées entre ces différents types d’analyse : elles peuvent toutes s’enrichir mutuellement. Une approche vraiment puissante de l’analytique consiste à utiliser toutes ces méthodes dans leur contexte adéquat pour établir des modèles de compréhension solides pour les questions complexes.
Analytique descriptive
Par exemple, vous pourriez être un ingénieur cherchant à concevoir une voiture plus sûre. Pour cela, vous aurez besoin d’énormément de données analytiques descriptives issues d’accidents passés, y compris des rapports de blessures, afin de construire un modèle expliquant comment les voitures se brisent. Les résultats pourraient révéler que les victimes d’accidents subissent fréquemment des blessures au cou. Ceci est une description de données brutes, présentées de manière lisible, mais il vous faudra aller plus loin pour en tirer un sens.
Analytique diagnostique
Vous savez donc qu’il y a beaucoup de blessures au cou lors des accidents de voiture. Votre prochaine étape, l’analyse diagnostique, vous indique pourquoi. Apparemment, de nombreuses personnes se cognent la tête sur les pare-brises ou subissent un coup du lapin. Parfois, un objet lourd les frappe par derrière lors d’un accident, ce qui explique les blessures observées.
Analytique prescriptive
Dans la troisième étape, l’analytique prescriptive, vous développez un certain nombre de suggestions pour prévenir les blessures au cou en cas d’accident de voiture.
Vous pourriez envisager de concevoir la voiture de manière à ce qu’elle ne démarre pas tant que le conducteur ne porte pas une minerve. Vous pourriez construire une cage de sécurité autour de la tête du conducteur, faite d’un blindage de plomb lourd. Ou bien installer un siège éjectable automatique qui détecte les problèmes et expulse le conducteur au premier signe de danger. Et ainsi de suite. À ce stade, il n’y a pas de mauvaises idées, seulement des idées.
Votre travail prend tout son sens à l’étape de l’analyse prédictive. En analysant les modèles de performances passés, vous apprenez que les propriétaires de voitures sont ennuyés par des dispositifs de sécurité intrusifs et désactiveront probablement les minerves, ce qui en fait une mauvaise solution. Ajouter du poids avec du blindage et réduire le champ de vision du conducteur sont contre-productifs. Les données du secteur aérospatial indiquent que les sièges éjectables automatiques sont généralement une mauvaise idée.
Mais il y a quelques idées prometteuses parmi toutes celles-ci, que votre analyse prédictive met en lumière :
- Les ceintures de sécurité sont un moyen économique de maintenir les personnes en place lors d’un accident.
- Les airbags amortissent les corps en mouvement.
- Le verre de sécurité se casse facilement, réduisant ainsi les blessures à la tête et au cou.
- L’évitement des collisions réduit le risque d’accident dès le départ.
Vous intégrez donc ces idées raisonnables dans votre nouvelle conception, que votre analyse prédit comme étant la plus efficace pour le budget alloué. Le cycle se répète, une nouvelle génération de voitures plus sûres est mise sur le marché, subit des accidents, et génère plus de données, rendant les voitures toujours plus sûres à l’avenir.
Types courants de modèles prédictifs
Tout cela est très prometteur, mais quels sont réellement les outils de l’analytique prédictive ? Comment cela fonctionne-t-il ? Que font précisément l’intelligence artificielle, l’apprentissage automatique et tous les autres procédés associés ?
En fait, il existe quatre modèles de base pour ce type d’analyse. Différentes plateformes en utilisent tout ou partie, et leur utilisation dépend vraiment du contexte. Voici un bref aperçu des différents types.
Modèle de classification
La classification pourrait tout aussi bien s’appeler segmentation. Cette approche divise de grands ensembles de données en sous-ensembles ayant des relations significatives. Si vous avez déjà travaillé sur une étude de marché, vous connaissez la segmentation démographique. Si vous avez déjà essayé de vendre des planches à roulettes à des seniors, vous avez appris l’importance de certaines classifications.
Parmi les modèles spécifiques pour une classification précise, on retrouve l’analyse de régression logistique, les arbres de décision, la forêt aléatoire, les réseaux neuronaux et l’analyse de Bayes naïf.
Modèle de prévision
La prévision est l’une des approches les plus fréquemment utilisées, à la fois pour sa polyvalence et pour sa capacité à attribuer des valeurs numériques en temps réel à des phénomènes historiques complexes non quantifiés.
Par exemple, vous pouvez utiliser l’historique des lancements de produits sous votre marque pour prédire le trafic web le jour où vous lancez une campagne. Grâce à ce chiffre, vous prévenez votre hébergeur et demandez une bande passante supplémentaire. Résultat, vous obtenez un trafic conséquent, votre site ne plante pas, et les ventes sont solides.
Modèle de regroupement (clustering)
Les modèles de regroupement sont très puissants, et l’essor des algorithmes d’apprentissage profond les a rendus redoutablement efficaces. Ils fonctionnent en repérant les corrélations entre différents éléments du monde réel, les comparant à d’autres éléments, puis en effectuant des prédictions sur la base de 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 également d’acheter une assurance santé et du matériel scolaire dans un futur proche. En conservant cette information, cela peut devenir la base d’une campagne commerciale très pertinente ciblant ces individus jusqu’à 18 ans plus tard, lorsqu'un client commercialise des prêts étudiants.
Comme vous l’avez deviné, il existe de nombreux modèles de ce type. Les algorithmes courants de regroupement incluent le « clustering » k-moyennes, le clustering par déplacement de la moyenne, le clustering spatial basé sur la densité avec bruit (DBSCAN), le clustering par espérance-maximisation (EM) utilisant des modèles de mélange gaussien (GMM), et le clustering hiérarchique.
Modèles de séries temporelles
On peut soutenir que les premiers analystes des séries chronologiques étaient les chasseurs-cueilleurs qui remarquaient que les animaux migraient avec les saisons. Cette approche suit des cycles afin de prédire les événements futurs.
L’exemple ci-dessus concernant l’augmentation des ventes de dinde en novembre est un exemple d’analyse de séries chronologiques. Les types de modèles spécifiques que vous pourriez utiliser ici incluent autorégressif (AR), moyenne mobile (MA), ARMA et ARIMA.
3 avantages de la modélisation prédictive
On peut dire beaucoup de choses sur ces modèles prédictifs et la façon dont ils facilitent votre prise de décision. Pour y voir plus clair, voici trois cas où vous pouvez appliquer ces modèles pour obtenir d’excellents résultats.
Sécurité et réduction des risques
La sécurité consiste surtout à prédire les comportements des personnes et à en tenir compte à l’avance. Des serrures sur vos portes prédisent que quelqu’un essaiera tôt ou tard de tourner les poignées. Les pistes d’audit forensique anticipent qu’une personne tentera de détourner des fonds.
En marketing, vos données historiques peuvent indiquer que les fuites d’information sont les plus fréquentes avec les prestataires externes. Vous déciderez alors de retenir certaines informations jusqu’aux dates de lancement de produit, ou même de segmenter ces informations pour en renforcer la sécurité.
Efficacité opérationnelle
Les outils prédictifs peuvent considérablement améliorer votre efficacité opérationnelle en vous aidant à anticiper la demande. Si votre centre d’appel est très sollicité tôt le matin et en fin d’après-midi, mais reste désert le reste du temps, vous disposez de données utiles pour planifier les horaires de travail.
Faire venir votre personnel horaire pendant les pics d’activité, puis alléger les effectifs quand il n’y a plus d’appels, place vos ressources là où elles sont nécessaires au bon moment. Cela vous évite d’être en sous-effectif durant les périodes de pointe et en sureffectif lorsque tout est calme.
Prise de décision améliorée
Voici le point essentiel. Vous vous tournez vers l’analytique prédictive afin de disposer, en quelque sorte, d’un code de triche pour les performances futures. Reprenons l’exemple des scores FICO. Devriez-vous accorder du crédit à une personne considérée à risque du fait de son faible score ? Devriez-vous refuser d’envoyer une nouvelle carte de crédit à quelqu’un avec un score de 790 ? Le modèle analytique vous aide à prédire les futurs résultats à partir des performances passées.
5 façons d’exploiter l’analytique prédictive à votre avantage
Segmentation des clients et des audiences
Vous savez déjà que vos clients sont différents, mais ils se regroupent généralement en ensembles que les grands volumes de données font apparaître. Le data mining a parfois mauvaise réputation, mais il s’agit du premier pas pour former des groupes pertinents sur lesquels vous pouvez généraliser et que vous pouvez cibler de manière plus efficace.
Acquisition de nouveaux clients
Gagner de nouveaux clients, c’est formidable, et avoir la capacité de le faire de façon fiable via vos campagnes marketing donne à votre marque un avantage concurrentiel. Les techniques comme les modèles de régression linéaire vous aident à affiner vos workflows et à tirer le meilleur parti de vos campagnes d’acquisition de clients.
Scoring des leads
Trier le bon grain de l’ivraie fait partie intégrante de l’intelligence d’affaires, notamment pour le scoring des leads et le développement d’une nouvelle clientèle. La modélisation de propension indique où le public est susceptible de vous suivre et quels prospects sont les plus prometteurs.
Recommandations de contenus et de publicités
Les publicités peuvent être pénibles si elles ne sont pas souhaitées ou présentent des produits dont le visiteur n’a pas besoin. Le filtrage collaboratif élimine cette gêne et rend vos messages publicitaires beaucoup plus susceptibles d’atteindre leur cible.
Personnalisation de l’expérience client
Que vous soyez un détaillant, dans les services financiers, ou que vous réalisiez des prévisions météorologiques pour des compagnies maritimes, la segmentation automatisée vous aide à filtrer tous les résultats que vous pourriez générer et à offrir une expérience personnalisée à chacun de vos interlocuteurs. C’est une optimisation à l’échelle individuelle, et cela peut avoir un impact majeur sur votre marketing, car cela permet une connexion personnalisée avec chacun de vos publics.
Aller de l’avant
C’était beaucoup à parcourir, mais vous êtes maintenant, espérons-le, bien mieux informé sur les avantages des logiciels d’analytique marketing et sur la manière dont ils peuvent vous aider avec l’analytique prédictive. Il existe également de nombreuses autres informations à disposition si vous en cherchez davantage. Abonnez-vous à la newsletter The CMO pour découvrir les astuces, tendances, conseils logiciels, et bien plus encore autour du marketing.
