Qu’est-ce que l’analytique prédictive ?

Les analystes utilisent quatre types d’analytique des données : l’analytique descriptive, diagnostique, prédictive et prescriptive.

• L’analytique descriptive identifie ce qui s’est produit dans le passé par le biais d’une analyse des données historiques.
• L’analytique diagnostique utilise les données historiques pour expliquer pourquoi quelque chose s’est produit dans le passé.
• L’analytique prédictive prédit les tendances futures sur la base de schémas trouvés dans les données historiques et actuelles.
• L’analytique prescriptive prescrit les actions et les décisions futures, permettant aux entreprises d’optimiser la prise de décision.

Analytique prédictive et analytique descriptive

L’analytique descriptive est la science des données qui permet aux ingénieurs des données de savoir ce qui s’est passé lors d’événements passés. Il explore les données passées et les présente dans des modèles statistiques faciles à comprendre, tels que des tableaux et des graphiques. Par exemple, les entreprises utilisent l’analytique descriptive pour étudier les tendances des ventes saisonnières depuis plusieurs années. 

L’analytique descriptive est basée sur des événements et des modèles factuels découverts grâce à des techniques d’exploration de données. Cependant, elle ne permet pas de prédire les événements futurs, contrairement à l’analytique prédictive.

Analytique prédictive et analytique prescriptive

L’analytique prédictive vous indique ce qui pourrait se passer en fonction des événements passés, tandis que l’analytique prescriptive recommande également des décisions qui influencent les résultats. Par exemple, le modèle prédictif suggère que l’équipe de livraison ne peut pas faire face aux fêtes de fin d’année à venir. Les directeurs d’usine utilisent alors des analytiques prescriptives pour trouver les meilleurs délais de livraison, les meilleurs services de messagerie et les meilleurs arrangements de rotation du personnel. 

De nombreuses organisations utilisent activement l’analytique prédictive pour guider les résultats en temps réel et futurs. Voici quelques exemples d’analytique prédictive.

Finance

Les banques et les gestionnaires de fonds prennent des décisions à enjeux élevés qui peuvent affecter la rentabilité de l’institution financière. L’analytique prédictive leur permet de prendre des décisions en toute confiance en fournissant des informations métier basées sur les données transactionnelles passées. Par exemple,

• Les gestionnaires de prêts utilisent un logiciel d’analytique avancé pour prévoir le risque de crédit avant d’approuver les prêts aux demandeurs. 
• Les équipes de sécurité bancaire utilisent un logiciel d’analytique prédictive pour identifier les données transactionnelles anormales suggérant des activités frauduleuses.
• Les compagnies d’assurance peuvent utiliser la modélisation prédictive pour identifier les fausses réclamations d’assurance. 

Vente au détail

Les entreprises de vente au détail utilisent l’analytique prédictive pour prévoir la demande des clients au niveau régional et local et livrer à l’avance les stocks aux stations de distribution régionales et locales dans le but de réduire les délais de livraison. D’autres entreprises utilisent des modèles d’évaluation des prospects pour améliorer les taux de conversion de ces derniers, ainsi que des recommandations prédictives pour augmenter les opportunités de vente incitative et croisée en fonction des profils des clients. Ici, l’analytique prédictive permet de déterminer des stratégies marketing plus efficaces. Les entreprises utilisent également l’analytique prédictive pour prévoir la demande et les ventes futures.

Fabrication

Les fabricants utilisent l’analytique prédictive pour améliorer la productivité, la rentabilité et la qualité sur toute la chaîne d’approvisionnement. Par exemple, les responsables des achats utilisent l’analytique prédictive pour prévoir les prix des matériaux et les obtenir au tarif le plus bas possible. Parallèlement, le service logistique effectue des analyses prédictives pour définir les itinéraires de livraison optimaux et réduire les frais d’expédition.

Le service de la fabrication utilise également le machine learning prédictif pour identifier les défaillances potentielles de l’équipement. Les techniciens peuvent effectuer des réparations planifiées avec un impact minimal sur le calendrier de production. Les fabricants utilisent l’analytique des données prédictive pour surveiller les équipements des lignes de production afin d’optimiser le débit, de détecter les irrégularités et de mettre en évidence les défauts des équipements. Les entreprises de fabrication utilisent l’analytique prédictive pour surveiller les machines, identifier leur état et prévoir les besoins de maintenance.

Santé

Le secteur de la santé bénéficie de l’analytique prédictive aux niveaux macroéconomique et microéconomique. Par exemple, les experts médicaux utilisent la modélisation prédictive pour tracer l’évolution des maladies mondiales en fonction de variables changeantes telles que la mise au point et la disponibilité de vaccins. Les médecins utilisent également l’analytique prédictive des soins de santé pour surveiller les symptômes des patients et anticiper les complications qui pourraient survenir à l’avenir. Les entreprises du secteur de la santé utilisent l’analytique prédictive sur les équipements de surveillance des patients pour détecter les changements en temps réel de l’état des patients tout en éliminant les alarmes intempestives qui rendent les équipements de surveillance des patients inefficaces.

Comme pour de nombreuses applications de machine learning, l’analytique prédictive est une activité dynamique qui utilise constamment de nouvelles données pour mettre à jour les prédictions. Cela signifie que la technique utilise le pipeline de nettoyage des données, d’entraînement des modèles, de déploiement, de commentaires, de réentraînement et de redéploiement, ainsi que la capacité d’ingérer des données en temps quasi réel. Les scientifiques des données utilisent les techniques d’analytique prédictive suivantes.

Arbres de décision

Un arbre de décision est un modèle de machine learning qui permet au logiciel de faire des prédictions en répondant à une série de questions par oui ou par non. Comme son nom l’indique, cette technique imite une forme d’arbre avec des nœuds et des branches. Chaque nœud contient une fonctionnalité propre au problème auquel il faut répondre avant de passer au nœud suivant. Chaque nœud se ramifie en deux feuilles, qui mènent aux nœuds suivants.

Un arbre de décision permet de prédire des données qualitatives et quantitatives. Par exemple, vous pouvez utiliser un modèle prédictif basé sur un arbre de décision pour prévoir les prix de l’immobilier ou l’état de santé d’un patient en fonction de symptômes visibles. Les arbres de décision sont faciles à comprendre, mais moins flexibles lorsqu’il s’agit d’analyser de nouvelles données diverses.  

Analyse de régression

La régression est une approche statistique utilisée par les scientifiques des données pour faire des prédictions en classant ou en corrélant de nouvelles données avec des jeux de données connus. La régression linéaire modélise la relation entre une variable indépendante et une valeur dépendante sur un graphique bidimensionnel. Par exemple, les responsables des ressources humaines utilisent la régression linéaire pour prédire le salaire d’un candidat en fonction des années d’expérience. 

Pendant ce temps, la régression logistique classe les variables en deux catégories ou plus en fonction des probabilités. Par exemple, les équipes informatiques utilisent la régression logistique pour détecter et prédire si un e-mail est du spam. Le modèle classe l’e-mail comme suspect s’il détecte trop de caractéristiques indésirables au-delà d’un seuil défini. 

Analyse de séries chronologiques

L’analyse de séries chronologiques est une technique d’analytique prédictive utilisée pour analyser les points de données collectés ou enregistrés au fil du temps, en reconnaissant l’importance de l’ordre temporel. Cela le rend particulièrement utile pour les applications de prévision telles que les mouvements des cours des actions, la consommation d’énergie ou la planification de la demande dans la gestion de la chaîne d’approvisionnement.

L’une des méthodes clés de l’analyse des séries chronologiques est la moyenne mobile intégrée autorégressive (ARIMA), qui modélise les relations dépendantes du temps en tenant compte des valeurs passées et des erreurs pour prédire les tendances futures. Des approches plus avancées, telles que la mémoire à long terme (LSTM), permettent de conserver la mémoire sur de longues périodes, en tirant parti du deep learning pour capturer les dépendances à long terme dans les données de séries chronologiques.

Réseaux neuronaux et deep learning

Le deep learning a révolutionné l’analytique prédictive en permettant aux modèles de traiter des données complexes et de grande dimension, mais aussi de découvrir des relations complexes que les techniques traditionnelles pourraient ignorer. Les réseaux neuronaux sont particulièrement efficaces pour faire des prédictions à partir de données complexes telles que des images, des vidéos et des enregistrements vocaux. Les modèles de deep learning améliorent les capacités prédictives dans des secteurs complexes tels que la santé et la cybersécurité.