Données décryptées : les quatre types d’analytique

Bienvenue dans le quatrième épisode de notre série mensuelle Données décryptées. Dans le cadre du mois de la culture des données, cette série clarifie les notions clés du monde de la donnée, répond aux questions que vous n’osez pas poser et le fait avec pédagogie. Pour revenir au début, lisez notre premier article : Qu’est-ce qu’un jeu de données ?

Dans cet article, nous allons explorer les différents types d’analytique, de la descriptive à la prescriptive, identifier les questions auxquelles les données peuvent répondre, illustrer avec des exemples, et plus encore. 

Quatre types de questions, quatre types d’analytique

Les données peuvent répondre à un nombre quasi infini de questions, mais on peut les regrouper en quatre catégories. Cela mène naturellement à différents types d’analyse de données : chaque catégorie de questions correspond à un type d’analytique.

Ces quatre types d’analyse sont listés par ordre de complexité croissante. Selon l’ampleur d’un projet data, mener une analyse complète peut impliquer plusieurs types d’analyses combinées.

Avant de plonger dans le détail, prenons l’analogie d’un patient chez le médecin. D’abord, le médecin examine le patient pour décrire les symptômes. Ensuite, il tente de diagnostiquer le problème médical à l’origine des symptômes. Puis il cherche à prédire l’évolution des symptômes dans le temps (si l’état du patient va s’améliorer ou se dégrader). Enfin, il prescrit un traitement.

Analytique descriptive : comprendre ce qui s’est passé

L’analytique descriptive répond aux questions du type « que se passe-t-il ? » ou « que s’est-il passé ? ».

Les principales techniques utilisées sont le calcul de statistiques descriptives et la création de visualisations de données. Les statistiques descriptives incluent les effectifs, des mesures de tendance centrale comme la moyenne et la médiane, et des mesures de dispersion comme l’étendue et l’écart type. 

Pour aller plus loin sur les statistiques descriptives, lisez le prochain article de Données décryptées consacré à ces notions. Vous pouvez aussi consulter cette fiche mémo pour approfondir les visualisations. 

Exemple d’analytique descriptive

Prenons un exemple. Vous souhaitez comprendre les moteurs de revenus de votre entreprise. Vous réalisez une analytique descriptive sur vos données de ventes pour répondre à des questions telles que :

• Combien de ventes ont été réalisées le mois dernier ? (Le nombre de ventes.)
• Quel est le montant moyen par transaction ? (Le prix de vente moyen.)
• Quelle est la variabilité des ventes totales par magasin ? (L’écart type des ventes totales par magasin.)
• Quelles étaient les ventes totales par jour ? (Une courbe des ventes totales en fonction de la date.)

Analytique diagnostique : comprendre le pourquoi

L’analytique descriptive fait souvent émerger de nouvelles questions. Dans l’exemple des ventes, vous constatez peut-être que les ventes totales ont été anormalement faibles un jeudi. Savoir ce qui s’est passé est un bon point de départ, mais ce n’est pas une conclusion satisfaisante. La question suivante est naturellement : « pourquoi les ventes ont-elles été faibles ce jeudi ? ».

Cette question relève d’une analyse diagnostique. En général, l’analytique diagnostique répond aux questions du type « pourquoi quelque chose s’est-il produit ? ». Il s’agit souvent d’une valeur exceptionnellement haute ou basse, aussi appelée valeur aberrante.

L’analytique diagnostique suit souvent ces étapes :

1. Formuler des hypothèses sur les causes possibles de l’anomalie.
2. Collecter des données liées à ces causes potentielles.
3. Réaliser une analytique descriptive sur des sous-ensembles de données (« data mining »).
4. Ajuster des modèles statistiques comme la régression pour examiner le lien entre les causes et le phénomène observé.

À noter : dans de nombreux cas, vous identifierez une relation entre ce que vous mesurez et la cause présumée, sans pouvoir prouver qu’il s’agit bien d’un lien de causalité. Dans un prochain article de Données décryptées, nous aborderons l’écueil corrélation vs causalité. 

Exemple d’analytique diagnostique

Revenons à notre exemple. Après avoir détecté des ventes totales inhabituellement faibles un jeudi du mois dernier, vous décidez de mener une analyse diagnostique.

• Formuler une hypothèse : votre première hypothèse est qu’une panne du site web a bloqué les ventes en ligne.
• Collecter des données : vous récupérez les données de performance du site.
• Analytique descriptive : vous tracez une courbe de performance dans le temps, mais n’observez pas de chute ce jeudi-là. Ensuite, vous calculez les ventes totales en les distinguant entre en ligne et en magasin, et voyez que la baisse concerne les magasins d’une région du pays.
• Formuler une autre hypothèse : vous vous souvenez qu’une forte tempête a touché cette région ce jeudi et émettez l’hypothèse que cela a dissuadé les clients.
• Collecter des données : vous récupérez les données météo pour chaque magasin.
• Ajuster des modèles statistiques : vous ajustez un modèle de séries temporelles sur les ventes totales, en intégrant la météo comme variable d’entrée. Le résultat montre qu’un mauvais temps est corrélé à une baisse des ventes.

Analytique prédictive : comprendre ce qui va se passer

L’analyse de données ne sert pas qu’à comprendre le passé. Le troisième type d’analytique concerne la prédiction. Il peut s’agir de prévisions sur l’avenir, mais pas uniquement. On peut aussi prédire si des clients appartiennent à certains segments ou si une transaction est frauduleuse ou non. Les principales techniques mobilisées sont des modèles statistiques, souvent appelés modèles d’apprentissage automatique (machine learning) dans ce contexte. 

Pour en savoir plus sur le machine learning, lisez le troisième article de Données décryptées sur les différences entre data science, intelligence artificielle, machine learning et deep learning. 

Exemple d’analytique prédictive

Après avoir diagnostiqué la cause des faibles ventes, votre responsable s’inquiète du prochain trimestre et souhaite connaître l’évolution du chiffre d’affaires dans les mois à venir. Vous réutilisez donc le même modèle de séries temporelles pour prévoir les ventes futures. 

Votre responsable veut aussi savoir quels prospects cibler en priorité selon leur propension à acheter. Vous créez alors un modèle de machine learning basé sur des caractéristiques clients, comme l’historique d’achats et le revenu estimé, afin de prédire la probabilité d’achat. 

Analytique prescriptive : comment faire en sorte que cela arrive ?

L’un des grands atouts de l’analytique est d’éclairer vos décisions. Plutôt que de vous fier à l’intuition, vous prenez des décisions basées sur les données. L’analytique prescriptive aide à répondre à la question « que devons-nous faire ? ».

Les techniques utilisées s’appuient sur les modèles de machine learning des analytiques diagnostique et prédictive pour explorer différents scénarios. L’analytique prescriptive inclut aussi l’optimisation afin d’identifier le meilleur scénario parmi plusieurs options.

Exemple d’analytique prescriptive

Votre responsable est dans l’impasse. Les prévisions de revenu ne sont pas au niveau espéré par le conseil, et il faut proposer des leviers de croissance. Il vous sollicite pour une réponse fondée sur les données.

• Ensemble, vous élaborez plusieurs scénarios en faisant varier la répartition des ventes magasin/en ligne et les prix de produits clés.
• Vous utilisez l’analytique prédictive pour estimer l’impact de chaque scénario.
• Après avoir identifié des pistes prometteuses, vous appliquez des techniques d’optimisation pour affiner le scénario vers le meilleur résultat possible.

Envie d’en savoir plus ?

Nous espérons que cette brève introduction aux différents types d’analytique vous a plu. Dans le prochain épisode, nous approfondirons l’analytique descriptive et nous concentrerons sur les techniques statistiques qu’elle mobilise. 

• Découvrez notre programme pour le mois de la culture des données
• Commencez avec notre parcours de compétences Understanding Data Topics
• Abonnez-vous au podcast DataFramed
• Découvrez nos prochains événements
• Lisez le prochain article de la série Données décryptées sur les statistiques descriptives