Guide du débutant sur l'analytique prédictive

L'analytique prédictive est le moteur dont une organisation a besoin pour améliorer la prise de décision, quel que soit son service ou son secteur. De plus, la mettre en place procure un avantage concurrentiel difficile à obtenir autrement.

Dans cet article, nous expliquons ce qu'est l'analytique prédictive, présentons des exemples d'utilisation et détaillons son fonctionnement.

Qu'est-ce que l'analytique prédictive ?

L'analytique prédictive est un terme générique qui regroupe diverses techniques statistiques et d'analyse de données, notamment l'exploration de données, la modélisation prédictive et l'apprentissage automatique. Son objectif principal est de formuler des prédictions sur des résultats, des tendances ou des événements à partir de motifs et d'enseignements tirés des données historiques.

L'analytique prédictive constitue la deuxième des quatre étapes de maturité analytique au sein d'une organisation. Ces quatre étapes, dans l'ordre, sont :

1. Analytique descriptive - identifier ce qui s'est passé
2. Analytique diagnostique - comprendre pourquoi cela s'est produit
3. Analytique prédictive - anticiper ce qui va se passer
4. Analytique prescriptive - optimiser et expérimenter pour déterminer la meilleure façon d'y parvenir

Les organisations doivent franchir ces étapes dans cet ordre, car on ne peut prédire efficacement l'avenir qu'en comprenant le passé. Ainsi, elles passent de la compréhension de ce qui s'est produit et de ses raisons à la prévision de ce qui va arriver. Une étape supplémentaire consiste en des systèmes analytiques autonomes, pleinement optimisés, qui apprennent en continu et deviennent, en quelque sorte, « intelligents ».

La modélisation prédictive s'appuie sur deux types d'algorithmes d'apprentissage automatique : supervisés et non supervisés. Les algorithmes supervisés servent à prédire une cible et constituent les principaux outils de l'analytique prédictive. 

Pour un pas à pas sur l'utilisation de l'apprentissage automatique en analytique prédictive, découvrez notre tutoriel Lyric Analysis.

On distingue deux grandes familles d'algorithmes supervisés :

• Modèles de classification - utilisés pour prédire si des observations appartiennent à une catégorie ou une classe donnée. Par exemple, prévoir si un client va se désabonner ou non. Parmi les techniques courantes : les arbres de décision et la régression logistique.
• Modèles de régression - utilisés pour prédire une valeur. Par exemple, estimer le taux de clics d'une publicité. Les méthodes usuelles incluent la régression linéaire et la régression polynomiale.

À l'inverse, les algorithmes non supervisés ne font pas de prédictions : ils recherchent des motifs dans les données afin d'étiqueter ou de regrouper des points de données similaires. Par exemple, l'un des algorithmes non supervisés les plus populaires est le partitionnement en k-moyennes (k-means), où des points semblables, comme des clients, sont regroupés en clusters.

L'analytique prédictive peut également mobiliser d'autres techniques statistiques et d'exploration de données pour identifier des tendances actuelles, établir des prévisions et anticiper des résultats. Nous aborderons plus loin quelques exemples concrets d'utilisation en entreprise.

Analytique prescriptive vs analytique prédictive

L'analytique prescriptive correspond à la troisième étape de maturité analytique d'une organisation et s'appuie sur les modèles prédictifs créés à l'étape précédente.

Alors que l'analytique prédictive indique pourquoi quelque chose se produit et ce qui pourrait se passer ensuite, l'analytique prescriptive vise à optimiser et à expérimenter sur les modèles déjà construits. Elle répond à vos questions « et si » et vous permet d'avancer avec le scénario le plus pertinent à partir des informations issues d'expériences et de simulations.

Jeff Bezos, PDG d'Amazon, a déclaré : « Notre succès chez Amazon dépend du nombre d'expérimentations que nous menons par an, par mois, par semaine, par jour. »

Mener des expériences sur tous les aspects des processus et projets analytiques est une condition clé pour réussir en analytique prescriptive.

Exemples d'analytique prédictive

L'analytique prédictive transforme des données en insights exploitables qui éclairent de multiples dimensions de l'organisation. 

Voici quelques exemples de la manière dont les entreprises peuvent en tirer parti :

Prévision des indicateurs financiers

Projeter des métriques clés comme le chiffre d'affaires, les dépenses et les niveaux de stock permet de décider plus efficacement, sur la base de faits et de données plutôt que de l'intuition.

Détection et réduction de la fraude bancaire

La fraude fait partie des risques les plus coûteux et dommageables pour une banque. L'analytique prédictive aide à repérer des anomalies et vulnérabilités indiquant une fraude potentielle afin d'agir rapidement.

Prévision du défaut de paiement d'un client

Accorder des prêts comporte intrinsèquement des risques pour les assureurs et les institutions financières. Utiliser des modèles prédictifs pour estimer la probabilité de défaut d'un client est la meilleure façon de réduire nettement ce risque.

Anticipation du turnover des employés

L'analytique prédictive peut améliorer la gestion des ressources humaines en anticipant l'attrition. Cela inclut la prévision des besoins futurs en recrutement et l'identification du bon moment pour fidéliser et motiver les collaborateurs.

Compréhension des comportements d'achat

Les organisations peuvent augmenter les ventes et les taux de conversion en identifiant les schémas derrière les achats et en explorant les raisons de ces comportements. Vous pouvez utiliser l'analytique client et l'A/B testing en Python pour les comprendre. 

Ciblage des campagnes marketing

En s'adressant aux bons clients au bon moment, les entreprises augmentent les taux de clic des publicités et les conversions de leurs campagnes. Pour approfondir l'application de l'analytique prédictive au marketing, découvrez le cours de DataCamp sur la prédiction du churn client en Python.

Réduction des déchets en production

L'analytique prédictive aide à comprendre les facteurs à l'origine des pertes en fabrication afin d'agir aux bons endroits. Exploiter des modèles prédictifs pour analyser ces facteurs peut générer des économies substantielles.

Comment fonctionne l'analytique prédictive ?

De nombreux outils d'analytique prédictive existent. Le choix dépend de votre objectif : d'outils de business intelligence et de visualisation comme Tableau et Power BI à des langages de programmation avancés comme R Programming et Python.

Pour une introduction à l'analytique prédictive en Python, consultez notre cours Introduction to Predictive Analytics in Python. Si vous connaissez déjà Python ou l'analytique prédictive, explorez le cours Intermediate Predictive Analytics in Python.

La plupart des projets suivent des démarches proches. Dans cette section, nous présentons les étapes les plus fréquemment rencontrées.

Objectif

Tout projet doit commencer par la clarification de l'objectif, l'identification du problème et le choix de la meilleure solution.

Les projets d'analytique prédictive visent à aider l'organisation à atteindre ses objectifs stratégiques. Lorsqu'un projet se rattache à un enjeu clé, il a plus de chances d'obtenir l'adhésion des niveaux concernés, ce qui renforce sa valeur et sa réussite.

Une fois l'objectif défini, le problème à résoudre se précise naturellement et oriente la solution à mettre en œuvre.

Données

Les données peuvent provenir de fichiers CSV, bases de données, entrepôts ou applications tierces. Si ce n'est pas déjà fait, regroupez et gérez ces sources dans un espace centralisé avant de les utiliser pour l'analytique et la modélisation prédictives. Cela garantit sécurité, qualité et gouvernance.

Comme le dit l'adage en analyse de données : « garbage in, garbage out ». Évitez de tout stocker dans des feuilles de calcul. Bien que flexibles, elles sont facilement modifiables et partagées, au détriment de la qualité et de la sécurité des données.

Prenez aussi en compte le volume de données actuel et futur. Sans systèmes et processus adaptés aux grands volumes, construire des modèles prédictifs devient inutilement long et peu efficace au regard des problèmes à résoudre.

Transformation

Cette étape consiste à nettoyer, explorer et préparer les données pour l'analyse ou la modélisation à venir.

Lors du nettoyage, recherchez les valeurs manquantes, les valeurs aberrantes ou suspectes qui n'ont pas de sens dans le contexte. Cela va de pair avec l'exploration : en parcourant les données, vous les comprenez mieux et les anomalies deviennent plus visibles.

Enfin, préparez les données pour l'étape suivante, selon l'algorithme et le type d'analyse à réaliser. 

Par exemple, si vous ajustez un modèle de régression linéaire pour prédire le taux de clics d'une campagne, vérifiez les hypothèses de la régression linéaire et leur validité. Il faut aussi convertir les variables catégorielles en variables indicatrices, via le one-hot encoding.

Avant de passer à la modélisation, scindez vos données en ensembles d'entraînement, de validation et de test. Le modèle s'ajuste sur l'entraînement pour apprendre les motifs, la validation sert à l'itération et à l'amélioration, et le test fournit une estimation finale, impartiale, de la performance.

Analyse

Si vous construisez un modèle avec un algorithme supervisé relativement simple comme la régression logistique, il s'agira d'ajuster le modèle et d'évaluer les résultats. Des algorithmes plus complexes, tels que les réseaux de neurones, exigent des réglages fins pour produire des prédictions fiables.

Gardez à l'esprit que de nombreux modèles prédictifs nécessitent de grands volumes de données pour bien généraliser. Si vous ne disposez pas encore des volumes requis, envisagez d'autres techniques permettant de prévoir ou d'anticiper à plus petite échelle, selon votre objectif et le problème métier, en mobilisant par exemple l'exploration de données et des méthodes statistiques variées.

Déploiement

La dernière étape est le déploiement. C'est le livrable final qui matérialise la valeur du modèle pour votre organisation. Selon le projet et la solution retenue, cela peut aller d'un simple rapport ou tableau de bord à une intégration complexe dans des plateformes existantes.

Évaluez si votre organisation dispose des compétences nécessaires pour des déploiements avancés, afin d'assurer fluidité et efficacité. Par exemple, recruter au moins 1 data engineer peut grandement favoriser des déploiements réussis.

Conclusion

L'analytique, et en particulier l'analytique prédictive, n'est pas réservée à quelques géants de la tech ou à un cercle restreint en interne. Aujourd'hui, des organisations de toutes tailles l'utilisent, dans presque tous les secteurs. De plus, l'analytique prédictive est désormais une fonction distribuée et portée par des équipes à travers l'organisation.

L'analytique prédictive peut offrir un avantage concurrentiel considérable à presque toute organisation. Il reste toutefois essentiel de comprendre les éléments qui conditionnent la réussite d'un projet. Cet article vous a proposé un guide de l'analytique prédictive, de ses applications métier et de son processus de mise en œuvre.