L’adoption croissante de l’analyse prédictive est alimentée par des tendances convergentes : le phénomène des données massives, l’amélioration des outils d’analyse de données et un afflux constant de réussites démontrées dans le cadre de nouvelles applications.
Tout devient prédictif. Y compris les livraisons. Voici peu, le géant de l’e-commerce Amazon a fait le buzz après avoir déposé un brevet sur la livraison prédictive. Le but ? Préparer la commande avant même que le client ne l’ait passée. Comment ? En s’appuyant sur la masse de données dont dispose le site : commandes passées, historique des recherches, liste de souhaits, etc.
Nous n’y sommes pas encore. Mais nous n’en sommes pas loin. Aujourd’hui, plusieurs acteurs du retail, en particulier, sont déjà en mesure de fixer de façon hebdomadaire le meilleur prix de chaque référence dans chacun de leurs magasins grâce à l’analyse des données internes, comme les tickets de caisse, mais aussi au départ de données externes telles que la météo ou les médias sociaux. Conséquence : une meilleure prévision des ventes. Et donc une connaissance anticipée et une gestion optimisée du stock.
Autre exemple, NetFlix. Avec environ 30 millions de films visionnés chaque jour, le fournisseur de VoD (Video on Demand) enregistre presque tout : depuis l’heure de visionnage jusqu’aux retours en arrière, pauses et avances rapides, en passant par le support sur lequel est consulté le site (smartphone, console de jeux, ordinateur, télévision), mais aussi le nombre de consultations d’une section spécifique, la notation, la géolocalisation, etc.
Pour satisfaire et donc fidéliser les clients, Netflix a mis en place un système de recommandations pointu, devenu sa marque de fabrique. Avec ces données, Netflix a par exemple pu prédire le succès de la série anglaise «House of Cards»… qui a effectivement battu tous les records d’audience. Pas facile pourtant : les algorithmes de personnalisation doivent prendre en compte les goûts des spectateurs, mais aussi la popularité des divertissements et même la disponibilité des vidéos en streaming !
PERSONNE N’Y ECHAPPERA. Les big data combinées à l’analyse prédictive peuvent combler l’écart d’efficacité dans le processus de génération de leads. En recoupant et en analysant des données internes (CRM, historiques d’achat,…) et externes (médias sociaux), elles révèlent ce que personne ne voit : des signaux d’achat.
Cette vision sur les intentions d’achat facilite et accélère l’identification des contacts affichant la plus forte propension à l’acquisition. Et là, on peut aller de surprise en surprise. Pour une compagnie aérienne européenne, on a ainsi pu constater des différences importantes dans les comportements d’achat. Ainsi, un habitué de la First class achète son billet au dernier moment, alors que les personnes voyageant en Economy réservent très en avance…
Partant du principe que la fidélisation d’un client existant coûte cinq fois moins que la séduction d’un prospect, les compagnies d’assurance et les mutuelles investissent aujourd’hui dans des applications analytiques pour améliorer leur connaissance client -c’est-à-dire pour mieux décrypter leurs comportements, besoins et goûts- et rendre plus efficace le ciblage de leurs messages marketing.
Aujourd’hui, a pu démontrer SAS, fixer ses prix en fonction de ceux de ses concurrents constitue une mauvaise stratégie. Qu’ils achètent en ligne, via un mobile ou en magasin, les consommateurs attendent désormais une expérience personnalisée. Dans cette perspective, les outils analytiques offrent aux supermarchés et à la distribution alimentaire une nouvelle solution pour optimiser leur politique tarifaire en fonction de la demande, tout en améliorant les marges.
PREDIRE C’EST ANTICIPER. Et donc, sur le terrain, faire mieux que la concurrence. Dans ce sens, l’analyse prédictive permet de prédire les tendances futures et les nouveaux comportements à partir de ces données. C’est pouvoir dire quel est le client prioritaire avec lequel il est bon de poursuivre une collaboration; comment et quand les prospects sont susceptibles d’acheter chez moi.
L’adoption croissante de l’analyse prédictive est alimentée par des tendances convergentes : le phénomène des données massives, l’amélioration des outils d’analyse de données et un afflux constant de réussites démontrées dans le cadre de nouvelles applications. Aujourd’hui, l’analyste moderne dirait sûrement «Donnez-moi suffisamment de données et je prédirai n’importe quoi !»
La façon dont les modèles prédictifs apportent de la valeur ajoutée constitue un concept très simple : ils permettent de prendre des décisions plus éclairées, de façon plus rapide et à moindre coût. Ils améliorent les décisions humaines en augmentant leur efficacité et leur efficience. Dans certains cas, ils permettent même d’automatiser un processus complet de prise de décision. Ainsi, l’évaluation du crédit. Les modèles de risque de crédit, utilisant l’information de chaque demande de prêt pour prédire les risques de perte, ont été conçus et remaniés au fil des ans.
PRE-REQUIS. L’analyse prédictive s’appuie sur d’importants volumes de données, des méthodes statistiques et quelques hypothèses de fond. Des données de qualité sont bien évidemment la clé d’analyses prédictives crédibles : elles doivent être nombreuses, fiables, actualisées et accessibles quel que soit le système d’information. En effet, une fois consolidées, elles représentent un atout considérable pour l’entreprise, le principal frein en interne résidant le plus souvent dans des silos de données.
Les statistiques visent à identifier divers facteurs -comme le sexe, l’âge, les revenus, les centres d’intérêt- et à établir un lien, ou non, entre ceux-ci et, par exemple, les produits ou services achetés. On peut ainsi déterminer quel profil d’acheteur sera intéressé par quel type de produits. Les hypothèses sont le dernier aspect clé de l’analyse prédictive. Bases de tout modèle, elles sont la présomption sur laquelle celui-ci s’appuie. Il faut cependant rester vigilant, car ce qui marchait par le passé peut s’avérer inefficace aujourd’hui et vice versa. Il faut donc s’assurer que ces hypothèses sont toujours valides pour que les résultats de l’analyse soient fiables.
Avant de se lancer tête baissée dans l’élaboration d’une stratégie, les entreprises doivent toutefois tenir compte de certains pré-requis, insiste Capgemini. En premier lieu, elles doivent s’intéresser à leurs données, à leur qualité et à leur granularité, ainsi qu’aux technologies nécessaires pour les exploiter. Mais elles doivent surtout se préoccuper des données qui ne sont pas encore accessibles aisément. Un important travail de repérage est ainsi nécessaire, comparable aux programmes de conformité que les institutions financières ont mis en œuvre récemment.
Selon CGI, le modèle prédictif constitue une façon extrêmement efficace d’obtenir une valeur ajoutée des données et offre une foule d’applications qui n’ont pas encore été pleinement exploitées. Parallèlement, l’analyse prédictive ne convient pas à tous les types d’applications. Comme pour n’importe quelle technologie puissante, une attention particulière doit être portée pour implanter des modèles prédictifs de façon pragmatique afin de créer une réelle valeur ajoutée.
Des besoins dans tous les domaines d’activité
(source : CGI)
° Ventes et marketing direct – Les pistes provenant du site web d’une entreprise peuvent être évaluées afin de déterminer la probabilité de conclusion d’une entente et d’établir son niveau de priorité. Les campagnes peuvent cibler les candidats les plus susceptibles de répondre.
° Relations avec la clientèle – Les caractéristiques et le comportement du client permettent de prévoir le niveau d’attrition (contrats de téléphonie mobile, cartes de crédit…). Les entreprises peuvent établir des stratégies pour réduire les variations de taux d’attrition au moyen de d’offres spéciales.
° Optimisation des prix – La relation entre la demande et le prix peut être modelée pour n’importe quel produit puis utilisée pour établir la meilleure stratégie en matière de prix. Déjà bien exploité dans le transport aérien, le tourisme, les biens de consommation emballés. Le secteur bancaire de détail s’y met.
° Résultats en matière de santé – Les modèles liant les symptômes aux traitements sont de plus en plus répandus auprès des fournisseurs. Par exemple, un modèle peut prédire la probabilité qu’un patient présentant certains symptômes soit en fait victime d’une crise cardiaque, aidant ainsi le personnel des urgences à déterminer le traitement requis et le niveau d’urgence.
° Paiements indus. Santé, logement, bien-être… Trop de paiements indus d’assistance sont effectués, réduisant la disponibilité des ressources pour les gens qui en ont réellement besoin. Des modèles semblables à ceux employés pour contrer la fraude à l’assurance peuvent aider à prévenir et à récupérer ces pertes.
° Prévision et prévention de la violence. Qu’il s’agisse de criminalité ou violence familiale, voire de terrorisme, les risques peuvent être réduits. En plus de lier les techniques d’analyse aux enquêtes de crimes, les modèles prédictifs permettent de déterminer les situations à haut risque et les mesures préventives à employer.
