Analyse prédictive

Qu'est-ce que l'analyse prédictive ?

L'analyse prédictive fait partie des 4 types d'analyse de données. L'analyse prédictive est un domaine de l'exploration des données lié à la prédiction globale des probabilités et des tendances futures. Elle utilise les données historiques, l'apprentissage automatique et l'IA pour prédire ce qui se passera à l'avenir. Un outil technologique de veille stratégique produit un score prédictif qui informe sur les actions que les clients devraient entreprendre. Les données historiques sont transmises à un algorithme mathématique qui recherche les tendances et les modèles dans les données et crée un modèle. Le modèle est ensuite appliqué aux données actuelles pour prédire ce qui se passera ensuite.

Au fond, l'analyse prédictive répond à la question suivante : "Qu'est-ce qui est le plus susceptible de se produire sur la base de mes données actuelles, et que puis-je faire pour changer ce résultat ?" Par exemple, une compagnie d'assurance est susceptible de prendre en compte des facteurs potentiels de sécurité au volant, tels que l'âge, le sexe et les antécédents de conduite, lorsqu'elle distribue des polices d'assurance automobile. L'analyse prédictive peut aider les organisations à identifier les campagnes de marketing et les comportements sur le site web les plus efficaces afin d'augmenter les réponses des clients, les conversions et les clics, et de réduire les interruptions.

À quoi sert l'analyse prédictive ?

L'analyse prédictive peut donner aux utilisateurs finaux des informations et suggérer des actions qui ont un impact direct sur les opérations, les revenus et l'évaluation des risques. Elle s'applique aux applications commerciales pour un large éventail de cas d'utilisation dans divers secteurs d'activité. Voici quelques scénarios :

• Réduire le taux d'attrition des clients : Une application de vente dotée d'une fonction d'analyse prédictive pourrait analyser les comportements réguliers des clients et alerter le professionnel de la vente lorsqu'un client est susceptible de se désabonner. Des promotions ciblées peuvent alors être déployées efficacement.
• Détecter la fraude : Dans le domaine de la finance, l'analyse prédictive permet d'identifier les comportements potentiellement frauduleux avant qu'ils ne se produisent. Les banques peuvent ainsi prévoir les défaillances de prêts, approuver des crédits ou détecter des activités suspectes.
• Réduire les temps d'arrêt des machines : L'analyse prédictive peut améliorer la capacité de production et réduire les temps d'arrêt en analysant les données historiques et en ligne des lignes de production.
• Signaler les patients à haut risque : Les hôpitaux et les médecins peuvent identifier les patients à haut risque afin de les soumettre à un dépistage prioritaire et de leur recommander des traitements préventifs. Cela permet également de réduire les réadmissions à l'hôpital.

Comment démarrer avec l'analyse prédictive

Pour de nombreuses équipes chargées des applications, l'analyse prédictive peut commencer par un exemple unique visant à prouver qu'elle peut ajouter de la valeur à leur application, augmenter la satisfaction des utilisateurs et prouver le retour sur investissement pour l'entreprise. Quelles que soient les raisons, les étapes sont essentiellement les mêmes.

1. Identifier un problème à résoudre :

Chaque question d'analyse prédictive doit offrir une valeur mesurable et claire. Le cadre PADS peut vous aider à identifier une question qui répond aux besoins critiques de l'entreprise. PADS signifie : Prévenir les problèmes, Aider les humains, Détecter les problèmes et Rationaliser les services.

2. Sélectionnez et préparez vos données :

Pour exécuter des modèles d'analyse prédictive, vous avez besoin d'un ensemble de données pouvant générer des informations. Dans la plupart des cas, vous utiliserez à la fois des données historiques, qui servent à entraîner votre algorithme prédictif à prédire un résultat, et de nouvelles données, qui permettent d'effectuer des prédictions futures. La plupart des équipes d'application stockent les données historiques et les nouvelles données dans des bases de données distinctes. Mais si vous disposez d'une seule base de données pour tous vos ensembles de données, vous pouvez utiliser un filtre temporel (par exemple, six mois) sur les données historiques et un filtre du dernier jour ou de la dernière semaine pour prédire les nouvelles données.

3. Impliquer les autres :

Commencez par les parties prenantes de votre organisation, y compris les cadres ou les chefs d'équipe qui devront adhérer au projet. À mesure que les parties prenantes deviennent des défenseurs, elles peuvent aider à promouvoir l'initiative auprès d'autres personnes, en s'assurant que vous obtenez les données interfonctionnelles dont vous avez besoin et en préparant votre projet à une réussite à long terme.

4. Choisissez vos modèles d'analyse prédictive :

Le modèle d'analyse prédictive que vous choisissez dépend de la question que vous posez. La plupart des questions d'analyse prédictive utilisent l'un de ces cinq modèles courants :

• Modèle de classification : Le modèle prédictif de classification répond à une question de type oui/non. Par exemple : Ce client est-il sur le point de se désabonner ? Ce prêt sera-t-il approuvé ? S'agit-il d'une transaction frauduleuse ?
• Modèle de regroupement : Ce modèle est utile pour classer les points de données en groupes. Par exemple, vous pouvez souhaiter trouver dans votre base de données le groupe de clients qui est le plus susceptible d'être insatisfait. Vous devrez peut-être les classer en catégories en fonction des types de problèmes qu'ils sont susceptibles de rencontrer. Le modèle de regroupement peut rapidement trier ces individus avec un haut degré de précision.
• Modèle de prévision : Ce modèle prédit des chiffres - tels que le nombre de clients susceptibles de se convertir au cours d'une semaine donnée, le nombre d'appels d'assistance que votre centre d'appels recevra par heure et la quantité de stocks que vous devriez conserver.
• Modèle des valeurs aberrantes : Ce modèle met en évidence les anomalies dans vos données. Par exemple, il peut enregistrer un pic dans les appels d'assistance, ce qui peut indiquer une défaillance de produit susceptible d'entraîner un rappel. Il peut trouver des données anormales dans une déclaration de sinistre et mettre en évidence un exemple de fraude. Il pourrait même trouver des informations inhabituelles dans vos journaux NetOps et remarquer les signes d'un temps d'arrêt non planifié imminent.
• Modèle de série temporelle : Une série temporelle est une séquence de points de données saisis dans un ordre opportun. Par exemple, le nombre d'appels quotidiens reçus au cours des trois derniers mois, les ventes des 20 derniers trimestres et le nombre de patients ayant visité un hôpital donné au cours des six dernières semaines. Les séries chronologiques constituent un moyen efficace de comprendre l'évolution d'une mesure dans le temps et sont souvent plus précises que d'autres modèles qui ne considèrent pas le temps comme une mesure.

5. Combler le fossé entre les connaissances et les actions :

De nombreuses solutions d'analyse prédictive ne parviennent pas à responsabiliser les utilisateurs finaux. Elles fournissent des informations, mais ne disent pas aux utilisateurs ce qu'ils doivent faire avec ces informations, et encore moins leur permettent d'agir sans quitter l'application. Cette déconnexion fait perdre du temps et interrompt les flux de travail de vos utilisateurs. Dans le cadre d'un projet d'analyse prédictive, vous devez réfléchir sérieusement non seulement à la fourniture d'informations, mais aussi à la possibilité pour vos utilisateurs d'agir en conséquence. Comment rendre ces informations utiles ? Tout d'abord, vous devez les transmettre aux bonnes personnes. Ensuite, vous devez suggérer les étapes suivantes sur la base des informations, et idéalement permettre aux utilisateurs d'agir sans quitter l'application.

6. Construire des prototypes :

Commencez par quelque chose de simple et proposez-le à vos utilisateurs finaux et à vos parties prenantes pour qu'ils le testent. Ce seront les premiers utilisateurs de votre produit et leurs commentaires détermineront l'orientation de votre solution d'analyse prédictive.

7. Répéter régulièrement :

Au fur et à mesure de l'évolution du projet, il convient de s'entretenir en permanence avec le groupe chargé des essais afin de faire le point sur les progrès accomplis et d'intégrer les nouveaux retours d'information.