Qu’est-ce que l’analyse prescriptive ?

L’analyse prescriptive est une sous-discipline de l’analyse des données, une pratique faisant partie des disciplines de l’analytique métier et de la business intelligence, que l’on peut définir largement comme la conversion de données en informations exploitables.

Il existe quatre principaux types d’analyses des données, dont l’analyse prescriptive est la plus avancée :

• Analyse descriptive : « Que s’est-il passé ? »

• Analyse diagnostique : « Pourquoi est-ce arrivé ? »

• Analyse prédictive : « Que pourrait-il se passer par la suite ? »

• Analyse prescriptive : « Que faire par la suite ? »

Bien que ces quatre types d’analyse soient utiles pour faire raconter une histoire aux données, l’analyse prescriptive se distingue dans la mesure où elle se concentre non seulement sur la prévision des résultats futurs, mais également sur la recommandation d’actions ou de décisions qui permettraient d’atteindre les résultats souhaités ou d’éviter des résultats indésirables. Il ne s’agit pas simplement de se demander ce qu’il pourrait se passer dans le futur, mais ce qu’il faudrait faire pour s’y préparer.

Les entreprises utilisent l’analyse prescriptive pour des tâches aussi diverses que la segmentation des clients, la prédiction de l’attrition, la détection des fraudes, l’évaluation des risques, le forecasting de la demande, la maintenance prescriptive et les recommandations personnalisées. Bien que cette façon de procéder précède l’avènement du big data, la prépondérance des données historiques au sein des entreprises a accéléré cette pratique.

Aujourd’hui, les outils d’analyse prescriptive s’appuient sur de nombreuses techniques statistiques issues de la modélisation prédictive, mais ils tirent également parti de l’intelligence artificielle et des algorithmes et modèles de machine learning . Les logiciels d’analyse utilisent des modèles de machine learning entraînés sur de grands volumes de données, permettant aux analystes d’identifier plus précisément les risques et les opportunités, guidant et améliorant la prise de décision des dirigeants d’entreprise.

L’analyse prescriptive ajoute une couche de recommandations à l’analyse prédictive et s’en distingue en termes d’objectif, de portée et d’approche.

L’analyse prescriptive offre un large éventail de bénéfices dans nombre de secteurs et d’applications. Voici quelques-uns des avantages de l’analyse prescriptive, avec quelques exemples :

L’analyse prescriptive permet aux organisations de prendre des décisions fondées sur les données en fournissant des informations sur les tendances et les résultats futurs. Prenons l’exemple d’une chaîne de magasins qui souhaiterait prévoir la demande pour un nouveau produit. Grâce aux informations prédictives basées sur les données historiques du comportement des consommateurs, les chaînes de magasins peuvent prendre des décisions plus éclairées quant à savoir si, quand et comment lancer un nouveau produit, en fixer le prix et en faire la promotion.

En affinant en permanence les modèles prescriptifs, en se tournant vers de nouvelles sources de données et en explorant des approches innovantes, les entreprises peuvent se différencier sur le marché et conserver un avantage concurrentiel. Dans le secteur de la santé, où juger des résultats futurs peut être une question de vie ou de mort, l’analyse prescriptive peut être utilisée pour prendre des décisions sur les meilleurs traitements ou médicaments à administrer en fonction de nombreux facteurs.

L’analyse prescriptive aide les organisations à optimiser leurs opérations en améliorant l’allocation des ressources et en rationalisant les processus métier. En prévoyant les besoins de maintenance, en gérant les niveaux de stock et en optimisant les calendriers de production, les entreprises peuvent limiter les coûts et réduire le gaspillage.

Imaginez une entreprise de fabrication dotée d’une chaîne de montage impliquant divers processus interconnectés, notamment l’approvisionnement en composants, l’assemblage, le contrôle qualité et l’emballage. La maintenance prescriptive peut être utilisée pour analyser les données des capteurs, telles que les relevés de température, de vibrations et de pression, et prédire les taux de défaillance afin que les responsables des installations puissent entretenir leur équipement de manière proactive.

L’analyse prescriptive permet aux organisations d’identifier et d’atténuer les risques en détectant les anomalies et les tendances synonymes de menaces potentielles. Dans des secteurs tels que les services financiers, l’assurance et la cybersécurité, des modèles permettent d’évaluer les risques liés aux crédits et de détecter les activités frauduleuses, protégeant ainsi les actifs et préservant la confiance.

L’analyse prescriptive attribue des scores de risque aux transactions ou entités individuelles en fonction de la probabilité qu’elles soient frauduleuses. En tenant compte de divers facteurs de risque tels que le montant des transactions, leur fréquence, leur localisation et le comportement des clients, les algorithmes d’analyse avancée peuvent hiérarchiser les alertes et focaliser les efforts d’investigation sur les transactions ou les entités à haut risque. Les équipes de détection des fraudes peuvent ainsi allouer leurs ressources plus efficacement et répondre rapidement aux menaces potentielles.

En anticipant les besoins et les préférences des clients, les entreprises peuvent leur offrir des expériences personnalisées et des solutions sur mesure. L’analyse prescriptive permet aux organisations de segmenter leur base clients pour un meilleur ciblage, et de proposer des recommandations spécifiques et d’autres engagements anticipés basés sur ce que le modèle pense que les clients veulent.

Les entreprises d’aujourd'hui peuvent réduire le taux d’attrition en prédisant la manière dont les clients souhaitent interagir avec les marques et les produits, en prenant des décisions fondées sur les données, des domaines dans lesquels elles ne pouvaient auparavant se baser que sur des suppositions. Ces outils ne sont pas uniquement destinés à la vente et au marketing : ils sont destinés à l’ensemble de l’organisation. Toutes les décisions relatives au développement et à l’évolution d’un produit au fil du temps peuvent désormais être éclairées par une analyse prescriptive qui recommande les actions qui favoriseront le mieux la satisfaction du client.

L’analyse prescriptive comporte généralement les étapes suivantes :

1. Définition du problème : Tout d’abord, les spécialistes doivent définir ce que le modèle doit prédire afin de déterminer la meilleure approche. De nombreux types de modèles sont adaptés à plusieurs cas d’utilisation spécifiques. Il est essentiel d’utiliser le modèle approprié et les données adaptées pour obtenir les meilleurs résultats plus rapidement et de manière plus économique.

2. Collecte et prétraitement des données : Le processus commence par la collecte des données pertinentes de diverses sources internes et des données externes provenant de fournisseurs tiers. La qualité et la quantité des données collectées sont cruciales en vue de garantir la précision et l’efficacité des modèles. Une fois collectées, les données sont prétraitées, à savoir nettoyées, transformées et préparées pour l’analyse. Cela peut impliquer le traitement des valeurs manquantes, la suppression des doublons, la normalisation des formats et l’encodage des variables catégorielles. Le prétraitement des données permet de s’assurer que les données sont cohérentes et qu’elles se prêtent à la modélisation.

3. Sélection et ingénierie des caractéristiques : Ensuite, les caractéristiques pertinentes sont sélectionnées à partir du jeu de données pour être utilisées comme entrées pour les modèles. Cette étape consiste à identifier les caractéristiques les plus informatives avec un pouvoir prédictif ; elle peut nécessiter une expertise du domaine pour déterminer quelles variables sont les plus pertinentes pour la tâche de prédiction.

4. Analyse descriptive et prédictive : Avant de procéder à l’analyse prescriptive, les organisations réalisent généralement une analyse descriptive pour comprendre les performances passées, ainsi qu’une analyse prédictive pour prédire les résultats futurs. L’analyse descriptive consiste à synthétiser et à visualiser les données afin d’obtenir des informations sur les tendances et les schémas historiques, tandis que l’analytique prédictive associe modèles statistiques et machine learning pour prédire les événements ou les comportements futurs.

5. Modélisation prescriptive : Les solutions d’analyse prescriptive impliquent la création de modèles mathématiques et d’algorithmes d’optimisation afin de recommander les décisions métier qui conduiront aux meilleurs résultats possibles. Ces modèles prennent en compte divers facteurs tels que les contraintes, les objectifs, les incertitudes et les compromis. Ils s’appuient sur les résultats de l’analyse descriptive et prédictive pour suggérer aux entreprises une marche à suivre face à divers scénarios.

6. Déploiement : Après évaluation, les modèles sont déployés dans des systèmes opérationnels ou des applications où ils peuvent faire des prédictions en temps réel et suggérer le meilleur plan d’action. Cela peut impliquer l’intégration des modèles dans des systèmes logiciels, des API ou des tableaux de bord existants pour automatiser les processus de prise de décision ou fournir des informations prescriptives aux utilisateurs. Les automatisations contribuent à une collecte et à une utilisation plus transparentes des informations.

7. Surveillance et optimisation : Pour garantir leur efficacité et leur pertinence au fil du temps, les modèles doivent faire l’objet d’une surveillance et d’une maintenance continues. Il s’agit de contrôler les performances des modèles, de les mettre à jour avec de nouvelles données, de les réentraîner périodiquement et de les affiner pour les adapter à de nouvelles circonstances ou à de nouveaux schémas dans les données.