Les modèles d’analyse prédictive sont conçus pour évaluer les données historiques, repérer des schémas, observer les tendances et utiliser ces informations pour prédire les tendances futures. Parmi les modèles d’analyse prédictive populaires figurent la classification, l’agrégation et les modèles de séries temporelles.

Modèles de classification

Les modèles de classification relèvent de la branche des modèles de machine learning supervisés. Ces modèles catégorisent les données en fonction des données historiques, décrivant les relations au sein d’un jeu de données donné. Ils peuvent par exemple être utilisés pour classer les clients ou prospects en groupes, à des fins de segmentation. On peut également s’en servir pour répondre aux questions avec des sorties binaires, telles que « oui »/« non », ou « vrai »/« faux » ; ces modèles sont souvent utilisés dans la détection des fraudes et l’évaluation des risques de crédit. Les types de modèles de classification comprennent la régression logistique, les arbres décisionnels, la forêt aléatoire, les réseaux neuronaux et la classification naïve bayésienne.

Modèles de partitionnement

Les modèles de partitionnement relèvent de l’apprentissage non supervisé. Ils regroupent les données en fonction d’attributs similaires. Par exemple, un site de commerce électronique peut utiliser ce type de modèle pour répartir les clients en groupes similaires en fonction de caractéristiques communes et développer des stratégies marketing pour chaque groupe. Les algorithmes de partitionnement courants incluent le partitionnement en k-moyennes, le mean-shift, le partitionnement DBSCAN (density-based spatial clustering of applications with noise), le partitionnement espérance-maximisation (ou EM pour Expectation-Maximization) à l’aide de modèles de mélange gaussien (GMM) et le partitionnement hiérarchique.

Modèles de séries temporelles

Les modèles de séries temporelles utilisent différentes entrées de données à une fréquence temporelle spécifique, telle que quotidienne, hebdomadaire, mensuelle, etc. Il est courant de tracer la variable dépendante dans le temps afin d’évaluer les données en termes de saisonnalité, de tendances et de comportement cyclique, ce qui peut indiquer la nécessité de transformations et de types de modèles spécifiques.Les modèles autorégressifs (AR), moyenne mobile (MA), ARMA et ARIMA sont tous des modèles de séries temporelles fréquemment utilisés. Par exemple, un centre d’appels peut utiliser un modèle de série temporelle pour prévoir le nombre d’appels qu’il recevra par heure à différents moments de la journée.

L’analyse prédictive peut être déployée dans divers secteurs pour répondre à différents problèmes métier. Vous trouverez ci-dessous quelques cas d’utilisation par secteur pour illustrer comment l’analyse prédictive peut éclairer la prise de décisions dans des situations réelles.

• Banque : Les services financiers utilisent le machine learning et des outils quantitatifs pour faire des prédictions sur leurs prospects et clients. Ces informations aident les banques à répondre à certaines questions : qui est susceptible de ne pas rembourser un prêt, quels clients sont à risque ou non et à quel degré, quels clients sont les plus rentables en termes de ressources et de dépenses marketing, et quelles dépenses sont de nature frauduleuse.
• Santé : L’analytique prédictive dans le secteur de la santé est utilisée pour détecter et gérer les soins des patients malades chroniques, ainsi que pour suivre des infections spécifiques telles que la septicémie. Geisinger Health a utilisé l’analytique prédictive pour analyser les dossiers médicaux afin d’en savoir plus sur le diagnostic et le traitement de la septicémie.  Geisinger a créé un modèle prédictif basé sur des dossiers médicaux pour plus de 10 000 patients chez qui une septicémie avait été diagnostiquée par le passé. Le modèle a donné des résultats impressionnants, prédisant correctement les patients avec un taux élevé de survie.
• Ressources humaines (RH) : les équipes RH utilisent l’analyse prédictive et les indicateurs de sondages des employés pour trouver des candidats potentiels, réduire le taux de rotation du personnel et accroître l’engagement des employés. Cette combinaison de données quantitatives et qualitatives permet aux entreprises de réduire leurs coûts de recrutement et d’augmenter la satisfaction des employés, ce qui est particulièrement utile lorsque les marchés du travail sont volatils.
• Marketing et ventes : alors que les équipes marketing et commerciales connaissent très bien les rapports de business intelligence (veille économique) qui permettent de comprendre l’historique des performances des ventes, l’analyse prédictive permet aux entreprises d’être plus proactives dans la manière dont elles interagissent avec leurs clients tout au long de leur cycle de vie. Par exemple, les prévisions de désabonnement peuvent permettre aux équipes commerciales d’identifier plus rapidement les clients insatisfaits, ce qui leur permet d’engager des conversations pour favoriser leur fidélisation. Les équipes marketing peuvent tirer parti de l’analyse prédictive des données pour leurs stratégies de vente croisée, ce qui se traduit généralement par un moteur de recommandation sur le site Web d’une marque.
• Chaîne d’approvisionnement : les entreprises utilisent généralement l’analyse prédictive pour gérer les stocks des produits et définir des stratégies de tarification. Ce type d’analyse prédictive aide les entreprises à répondre à la demande des clients sans surcharger les entrepôts. Elle permet également aux entreprises d’évaluer le coût et le retour sur leurs produits au fil du temps. Si une partie d’un produit donné devient plus coûteuse à importer, les entreprises peuvent prévoir l’impact à long terme sur leurs revenus si elles répercutent ou non des coûts supplémentaires sur leur clientèle. Pour une étude de cas plus approfondie, découvrez comment FleetPride a utilisé ce type d’analyse de données pour éclairer sa prise de décision sur son inventaire de pièces pour les excavateurs et les remorques de tracteurs. Les commandes passées leur ont permis de planifier plus précisément pour adapter les seuils d’offre en fonction de la demande.

Une organisation qui sait à quoi s’attendre en fonction des tendances passées dispose d’un avantage dans la gestion de ses stocks, de son personnel, de ses campagnes marketing et de la plupart des autres aspects opérationnels.

• Sécurité : toute organisation moderne doit se soucier de la sécurité des données. Une combinaison d’automatisation et d’analyse prédictive améliore la sécurité. Des modèles spécifiques associés à un comportement suspect et inhabituel des utilisateurs finaux peuvent déclencher certaines procédures de sécurité.
• Réduction des risques : en plus d’assurer la sécurité des données, la plupart des entreprises s’efforcent de réduire leurs profils de risque. Par exemple, une entreprise qui accorde un crédit peut utiliser l’analyse des données pour mieux comprendre si un client présente un risque de défaut de paiement plus élevé que la moyenne. D’autres entreprises peuvent utiliser l’analyse prédictive pour mieux comprendre si leur couverture d’assurance est adéquate. 
• Efficacité opérationnelle: des workflows plus efficaces se traduisent par une amélioration des marges. Par exemple, comprendre quand un véhicule d’une flotte utilisée pour la livraison aura besoin d’un entretien avant qu’il ne tombe en panne sur le bord de la route signifie que les livraisons sont effectuées à temps, sans les coûts supplémentaires liés au remorquage du véhicule et à l’intervention d’un autre employé pour effectuer la livraison.
• Amélioration de la prise de décisions : gérer une entreprise implique de prendre des décisions calculées. Toute expansion ou tout ajout à une gamme de produits ou toute autre forme de croissance nécessite de trouver un équilibre entre le risque inhérent et le résultat potentiel. L’analyse prédictive peut fournir des informations pour éclairer le processus de prise de décisions et offrir un avantage concurrentiel.