L’analyse prédictive : nouveau Veau d’Or de l’ère numérique ?

Les outils de modélisation décisionnelle existant permettent de traiter des données de plus en plus massives, éclectiques et acquises en temps réel. Fidélisation, détection des fraudes, image de marque, satisfaction client, cross-selling… les usages sont nombreux. Tous en commun le chromosome de la connaissance client.

Le véritable enjeu : celui de la connaissance client

De plus en plus d’acteurs ont pris le virage de l’analyse prédictive, pure players ou non, et ce à travers de nombreux secteurs (1)). Les modèles qu'ils utilisent permettent de développer une connaissance fine du client et d’anticiper des comportements non plus de masse, mais à des échelles extrêmement fines et sur des intervalles de temps très courts.

Cette connaissance est obtenue par des techniques qui permettent de comprendre et prévoir les comportements des gens en exploitant des données les concernant directement ou indirectement sur plusieurs centaines de variables (ou dimensions) ensuite exploitées par des modeleurs mathématiques fonctionnant sur des régressions, des groupements logiques, des projections, des règles d’association et de corrélation dont la pertinence s’améliore au fur et à mesure que l’on s’en sert. Toute la difficulté de la modélisation est de trouver, premièrement, ce qui dans la masse d’information exploitée est pertinent pour le modèle et deuxièmement, quel modèle choisir pour répondre au cas d’espèce voulu pour avoir une vision sur ce qui pourrait très vraisemblablement se produire.

Il existe une application de navigation sociale sur Smartphone (www.citysense.com) utilisable à San Francisco qui, en fonction de la connaissance de votre profil, vous indique là où devriez normalement vous trouver à un moment donné car toutes les personnes qui correspondent à vos affinités y sont … Les réseaux sociaux fonctionnent sur un principe similaire lorsqu’ils vous recommandent des contacts supplémentaires … Les sites de rencontre en ligne fonctionnent sur un modèle semblable et savent de surcroît repérer les fausses identités en fonction de types de comportement suspects. Mieux que nous peut-être même ?...

Des leviers techniques  à adapter selon les entreprises

Pour que l’analyse prédictive en temps réel réponde efficacement aux enjeux des métiers, plusieurs leviers existent, qu’il faut actionner ou non selon les besoins et la maturité en « capital données » de l’entreprise :

1- Le recours à des techniques de Big Data,
2- Le recours au Cloud Computing,
3- La mise en place d’une infrastructure de calcul massif en mémoire vive,
4- Le mode de représentation ou de visualisation d’information à adopter.

Prenons l’exemple du Big Data. Son recours s’impose dans des situations où les données structurées de l’entreprise sont insuffisantes pour apprécier des tendances ou réagir très vite à des phénomènes de rupture, des processus non continus. Il s’agit alors de passer à l’exploitation de gros volumes de données structurées et non structurées (audio, vidéo) et notamment en provenance de l’extérieur de l’entreprise : réseaux sociaux, données INSEE, Open Data, relevés de consommation anonymes (relevés de cartes de crédit, de cartes de fidélité multi-enseignes, etc.). L’analyse prédictive ne fonctionne alors plus sur un stock de données, mais sur un flux et elle se spécialise par domaine d’application : le « Customer Analytics », « le Web Analytics », « le Social Media Analytics », etc. qui conduisent à établir des suivis de tendances pour mieux cibler des campagnes marketing, mieux comprendre l’incidence d’un évènement commercial ou autre, suivre l’évolution d’une réputation sur le Web, etc.

Au bout du bout, le nœud du problème reste la disponibilité de compétences sur le sujet avec des expériences vécues. Il est néanmoins possible d’identifier le bon cas d’usage et d’expérimenter l’apport au métier avec des démonstrateurs industriels pour aiguiser l’appétit vers le prédictif. Et comme chacun sait, l’appétit vient en mangeant… en mangeant des données.

Le défi est le mode de mise en œuvre

L’analyse prédictive est un des leviers clés permettant d’exploiter et de valoriser un « capital donnée » disponible ou accessible. Ces données concernent les clients existants ou potentiels, qui ils sont, où ils sont, ce qu’ils disent et à qui, ce qu’ils achètent, etc.… dans le respect de leur vie privée.
Pour y arriver, le défi n’est pas seulement technique : des outils industriellement éprouvés existent sur le marché, mais ils ne se suffisent pas à eux-mêmes. Ne les vénérons pas comme le Veau d’Or ! La réelle difficulté est d’arriver à installer dans l’entreprise une mise en œuvre de l’analyse prédictive par une approche radicalement différente de celle adoptée pour des projets métier/IT traditionnels. C’est un changement de paradigme. Une bonne décision inspirée par de l’analyse prédictive s’inspire des mêmes savoir-faire qu’un médecin qui sait correctement interpréter la situation évolutionnaire de son patient à partir d’un bilan biologique ou qu’un astrophysicien qui sait prévoir la fin d’une étoile après application d’un modèle sur des milliards d’informations reçues.

La découverte des pépites dans le déluge de données du monde digital c’est d’abord se poser la bonne question puis construire des hypothèses, faire le tri entre les données exploitables et celles qui ne le sont pas, procéder par essai-erreur, apprendre à interpréter les résultats. Comme le disent D. Marchand et J. Peppard (2), il peut être parfois préférable de ne pas vouloir chercher à répondre directement à la question « Quel produit mettre en avant lors de notre prochaine campagne commerciale ? » mais plutôt procéder indirectement : « Y-a-t-il une meilleure façon pour nous de déterminer quel produit promouvoir ? ». Au final, quand on fait le bilan des potentialités de l’analyse prédictive, il n’y a qu’une seule erreur à ne pas commettre : oublier de s’y intéresser maintenant.

-------------------------------------

Références

(1) - Information Management & Analytics Consulting MarketPlace 2010-2013 ; Kennedy Consulting Research & Advisory estimates.
(2) - “Why IT Fumbles Analytics. Tech projects should focus less on technology and more on information”; Donald A. Marchand & Joe Peppard, Harvard Business Review, Jan.-Feb. 2013.