Anticiper : une clé essentielle de la performance dans un univers complexe. Qu’il s’agisse de mesurer plus efficacement les risques, de détecter à temps des comportements frauduleux ou d’anticiper les comportements clients, l’analyse prédictive éclaire les décisions des entreprises.
L’analyse prédictive fournit un cadre méthodologique associé à des techniques analytiques permettant d’étayer et de justifier le processus décisionnel de certains métiers. À partir d’éléments connus, il devient ainsi possible de déterminer des modèles afin d’anticiper les comportements futurs. Intégrée dans un processus métier, l’analyse prédictive favorise donc une prise de décision éclairée.

Le décisionnel : analyser ce qui s’est passé

Avec l’informatisation de la majorité des services des entreprises, il devint possible de produire des rapports sur l’activité ou la performance globale de chaque entreprise et de ses différents départements : la BI (Business Intelligence, ou encore informatique décisionnelle) était née. De nombreux acteurs du monde logiciel s’engouffrèrent dans ce nouvel eldorado (Cognos, BO, Hyperion…). Avec le décisionnel, les entreprises pouvaient désormais disposer de véritables tableaux de bord permettant d’affiner leur pilotage : en croisant facilement les données on pouvait ainsi déterminer précisément ce qui avaient été vendu, dans quelles régions, sur quels types cibles, et même établir des liens entre ces différents éléments…

Les équipes commerciales, financières ou même marketing se sont ainsi servies de ces solutions pour mesurer leurs réussites. Il était enfin possible d’avoir une vue de ce qui c’était passé, avec des outils de mesure.

Cette approche consistant à se servir de ces informations pour prendre les décisions les plus avisées fut baptisée informatique décisionnelle. Cependant, ces chiffres limitaient la perception de l’activité à une vue du réalisé, a posteriori. Et l’heure où l’environnement économique et concurrentiel d’une entreprise évoluait toujours plus vite, cette lunette tournée vers le passé montrait les limites intrinsèques des solutions de BI. Et si les décideurs comprenaient ce qui s’était passé, ils avaient plus de difficultés à déterminer pourquoi (ce qui est pourtant essentiel pour prendre des actions correctives…). Et surtout, ils ne pouvaient pas anticiper le futur. La Business Intelligence concerne donc directement l’expérience, et se contente d’éclaire derrière soi. Pour franchir une étape supplémentaire, il fallait alors s’essayer à éclairer l’avenir.

Dresser un pont éclairé entre le passé et le futur

Comment pouvait-on prévoir le futur à partir des données du passé ? La réponse est venue de l’émergence, au début des années 2000, de solutions intégrant de puissantes fonctions statistiques qui permettent de modéliser un comportement à partir de données mesurées. Ce comportement peut être le comportement d’achat d’un consommateur ou bien le déroulé d’un processus industriel. Ces applications montraient clairement qu’il n’y avait pas de limite à la modélisation tant que des données étaient mesurées et historisées.

De la modélisation à la prédiction il n’y a qu’un pas. C’est pourquoi des mathématiciens et des statisticiens ont commencé à mettre à profit la puissance des mathématiques au service de la connaissance du futur.

Extraire la substantifique moelle de la masse

Avec l’analyse prédictive, pas de magie ou de boule de cristal. Statistiquement, il est possible d’établir que toutes les personnes affichant un comportement spécifique ont certaines caractéristiques communes. Par exemple, l’analyse du comportement d’achat d’un nombre conséquent de consommateurs permet de déterminer que d’autres consommateurs avec les mêmes caractéristiques auront certainement le même comportement.

La difficulté tient alors dans le fait de trouver ces «caractéristiques» ou «variables» dans la masse des données dont regorgent les systèmes d’information. Parmi les informations accumulées, dont une large partie présente peu de pertinence, il s’agit de fouiller. Pour extraire l’information ou l’intelligence nécessaire à la prédiction, les solutions d’analyse prédictive vont donc creuser dans ces entrepôts de données afin de dénicher et retenir l’information utile. Le terme «creuser» n’est pas choisi au hasard, puisque les premières solutions qui ont vraiment exploité ces données sont les solutions de «Data Mining» : elles allaient ainsi creuser dans les strates accumulées de données des entreprises, en espérant y trouver des pépites, à l’image des mineurs du monde réel.

Si la Business intelligence a permis de stocker les informations du passé, le datamining retrouve, classe, remet en forme, établit des liaisons et analyse ces données. Il devient donc désormais possible de modéliser les comportements et d’offrir les fonctionnalités de prédiction qui manquaient aux solutions de BI.