Vidéo: Big Data : Comment ça marche ? (Novembre 2024)
L'analyse prédictive est le résultat pratique du Big Data et de la Business Intelligence (BI). Que faites-vous lorsque votre entreprise recueille des volumes stupéfiants de nouvelles données? Les applications professionnelles actuelles accumulent des tonnes de données sur les nouveaux clients, le marché, l'écoute sociale et les applications en temps réel, le cloud ou les performances des produits. L’analyse prédictive est un moyen d’exploiter toute cette information, d’obtenir de nouvelles informations concrètes et de garder une longueur d’avance sur la concurrence.
Les organisations utilisent l’analyse prédictive de différentes manières, du marketing prédictif à l’exploration de données, en passant par l’application d’algorithmes d’apprentissage automatique (ML) et d’intelligence artificielle (AI) afin d’optimiser les processus métiers et de mettre au jour de nouveaux modèles statistiques. Ce sont essentiellement des ordinateurs qui apprennent, à partir de comportements passés, comment améliorer certains processus métier et fournissent de nouvelles informations sur le fonctionnement réel de votre organisation. Cependant, avant de nous intéresser de manière fascinante aux entreprises et aux entreprises de technologie qui utilisent l’analyse prédictive pour gagner du temps, économiser de l’argent et se démarquer du reste du marché, il est important que nous parlions exactement de ce qu’est l’analyse prédictive..
Qu'est-ce que l'analyse prédictive?
L'analyse prédictive n'est pas un concept en noir et blanc ni une caractéristique distincte des gestionnaires de bases de données modernes. C'est un ensemble de technologies d'analyse de données et de techniques statistiques regroupées sous une même bannière. La technique principale est l’analyse de régression, qui prédit les valeurs associées de multiples variables corrélées en prouvant ou en réfutant une hypothèse particulière. L'analyse prédictive consiste à reconnaître les modèles de données en fonction de la probabilité de projet, selon Allison Snow, analyste principale du marketing B2B à Forrester.
"Il est essentiel de reconnaître que l'analyse repose sur des probabilités et non sur des absolus", a expliqué Snow, qui couvre le domaine du marketing prédictif. "Contrairement à l'analyse traditionnelle, l'application de l'analyse prédictive ne permet pas de savoir à l'avance quelles données sont importantes. L'analyse prédictive détermine quelles données sont prédictives du résultat que vous souhaitez prédire."
Pensez à un commercial qui examine un profil de lead dans une plateforme de gestion de la relation client (CRM) telle que Salesforce.com. Supposons que le prospect achète votre produit. D'autres hypothèses sont que les variables sont le coût du produit, le rôle du responsable dans une entreprise et le ratio de rentabilité actuel de l'entreprise. Plop maintenant ces variables dans une équation de régression et le tour est joué! Vous avez un modèle prédictif à partir duquel extrapoler une stratégie efficace de promotion et de vente d'un produit aux bons prospects.
Outre l'analyse de régression (les subtilités et les sous-ensembles dont vous pouvez parler dans ce manuel d' introduction à Harvard Business Review ), l'analyse prédictive utilise également progressivement davantage de data mining et de ML. L'exploration de données correspond exactement à ce que cela ressemble: vous examinez de grands ensembles de données pour découvrir des modèles et découvrir de nouvelles informations. Les techniques de ML sont, avec une plus grande régularité, en train de devenir les plateaux filtrants et les pioches pour trouver les pépites de données d’or. Les innovations ML telles que les réseaux de neurones et les algorithmes d'apprentissage en profondeur peuvent traiter ces ensembles de données non structurés plus rapidement qu'un chercheur ou chercheur en informatique traditionnel, et avec une précision de plus en plus grande à mesure que les algorithmes apprennent et s'améliorent. C’est la même façon de travailler avec IBM Watson et des boîtes à outils open source telles que TensorFlow de Google et CNTK de Microsoft offrent des fonctionnalités ML allant dans le même sens.
Le grand changement qui alimente le boom de l’analyse prédictive n’est pas seulement l’avancée de la ML et de l’IA, mais aussi le fait que ce ne sont plus seulement des scientifiques utilisant des données qui utilisent ces techniques. Les outils de visualisation de données et de BI, ainsi que les organisations à source ouverte telles que Apache Software Foundation, rendent les outils d'analyse Big Data plus accessibles, plus efficaces et plus faciles à utiliser que jamais. Les outils d'analyse de données et de blanchiment de ressources sont désormais en libre-service et sont entre les mains des utilisateurs professionnels ordinaires: des vendeurs qui analysent les données prospectives au dirigeant essayant de déchiffrer les tendances du marché dans la salle de conférence, en passant par le représentant du service clientèle recherchant les problèmes courants des clients et les médias sociaux. Le directeur du marketing mesure la démographie des suiveurs et les tendances sociales pour atteindre le bon public cible avec une campagne. Ces cas d'utilisation ne représentent que la partie visible de l'iceberg dans l'exploration de toutes les manières dont l'analyse prédictive transforme le commerce, dont nous verrons beaucoup d'autres ci-dessous.
Cela dit, l’analyse prédictive ne ressemble pas à une boule de cristal ni à l’almanach sportif de Biff Tannen dans Back to the Future 2. Les algorithmes et les modèles ne permettent pas à votre entreprise de dire à tout le monde que son prochain produit remportera un milliard de dollars. ou que le marché est sur le point de tanker. Les données sont toujours un moyen de faire une supposition éclairée; nous sommes simplement beaucoup mieux éduqués que nous étions.
Décomposer les analyses prédictives, normatives et descriptives
Dans un autre rapport de Forrester intitulé "L'analyse prédictive peut conférer à vos applications un" avantage injuste "", l'analyste principal Mike Gualtieri souligne que "le mot" analyse "dans" analyse prédictive "est un peu trompeur. L'analyse prédictive n'est pas une branche de l'analyse traditionnelle telle que la génération de rapports ou l'analyse statistique. Il s'agit de trouver des modèles prédictifs que les entreprises peuvent utiliser pour prédire les résultats futurs et / ou le comportement des clients."
En résumé, Snow a expliqué que le terme "prédictif" dénotait de manière inhérente la probabilité plutôt que la certitude, décomposant le paysage des outils d'analyse et la manière dont il était pris en compte dans l'analyse prescriptive.
"L'analyse descriptive, même si elle n'est pas particulièrement" avancée ", capture simplement ce qui s'est passé", a déclaré Snow. "L'analyse analytique descriptive ou historique est la base sur laquelle un algorithme peut être développé. Ce sont des métriques simples mais souvent trop volumineuses pour être gérées sans outil d'analyse.
"De manière générale, les tableaux de bord et les rapports sont les applications les plus courantes de l'analyse prédictive au sein des organisations. Ces outils manquent souvent de lien avec les décisions commerciales, l'optimisation des processus, l'expérience client ou toute autre action. En d'autres termes, les modèles produisent des informations, mais pas explicites. L’analyse prescriptive est le lieu où l’opinion découvre l’action. Ils répondent à la question suivante: «Je connais maintenant la probabilité d’un résultat, ce qui peut être fait pour l’influencer de manière positive pour moi», que ce soit pour prévenir le client résonne ou rend une vente plus probable."
L'analyse prédictive est partout
À mesure que le paysage de la BI évolue, l’analyse prédictive se répand dans de plus en plus de cas d’utilisation. Des outils tels que les choix de nos rédacteurs Tableau Desktop et Microsoft Power BI associent une conception et une convivialité intuitives, ainsi que de vastes collections de connecteurs de données et de visualisations permettant de comprendre les énormes volumes d'importations de données importées depuis des sources telles que Amazon Elastic MapReduce (EMR), Google Distributions BigQuery et Hadoop de joueurs tels que Cloudera, Hortonworks et MapR. Ces outils en libre-service ne disposent pas encore des fonctionnalités d'analyse prédictive les plus avancées à ce jour, mais ils rendent le Big Data beaucoup plus petit et plus facile à analyser et à comprendre.
M. Snow a déclaré qu'il existait aujourd'hui une vaste série de cas d'utilisation de l'analyse prédictive dans les entreprises, allant de la détection de la fraude aux points de vente, en ajustant automatiquement le contenu numérique en fonction du contexte de l'utilisateur pour générer des conversions ou en lançant un service client proactif pour les personnes à risque. sources de revenus. Dans le marketing B2B, M. Snow a déclaré que les entreprises et les PME utilisaient le marketing prédictif pour les mêmes raisons que toute stratégie, tactique ou technologie: gagner, fidéliser et servir leurs clients mieux que les autres.
En fouillant plus en profondeur, Snow a identifié trois catégories de cas d’utilisation du marketing B2B qui, selon elle, dominent le succès prédictif précoce et jettent les bases d’une utilisation plus complexe de l’analyse prédictive du marketing.
1. Notation prédictive: hiérarchiser les prospects, les prospects et les comptes connus en fonction de leur probabilité d'agir.
"Le point d'entrée le plus courant pour les spécialistes du marketing interentreprises dans le marketing prédictif, le scoring prédictif ajoute une dimension scientifique et mathématique à la hiérarchisation conventionnelle qui repose sur la spéculation, l'expérimentation et l'itération pour déduire des critères et des pondérations", a déclaré Snow. "Ce cas d'utilisation aide les vendeurs et les spécialistes du marketing à identifier plus rapidement les comptes productifs, à consacrer moins de temps aux comptes moins susceptibles de conversion et à lancer des campagnes ciblées de vente croisée ou de vente incitative."
2. Modèles d'identification: Identifier et acquérir des prospects avec des attributs similaires à ceux des clients existants.
"Dans ce cas d'utilisation, les comptes affichant le comportement souhaité (achat, renouvellement de contrat ou achat de produits et services supplémentaires) servent de base à un modèle d'identification", a déclaré M. Snow. "Ce cas d'utilisation aide les vendeurs et les spécialistes du marketing à trouver des perspectives intéressantes plus tôt dans le cycle de vente, à trouver de nouveaux spécialistes du marketing, à hiérarchiser les comptes existants en vue de leur expansion et à dynamiser les initiatives de marketing basé sur les comptes (GAB) en mettant en évidence des comptes raisonnablement prévisibles. plus réceptif aux messages commerciaux et marketing."
3. Segmentation automatisée: Segment conduit pour la messagerie personnalisée.
"Les spécialistes du marketing interentreprises ne pouvaient classer que les attributs génériques, comme l'industrie, avec un tel effort manuel que la personnalisation ne s'appliquait qu'aux campagnes hautement prioritaires", a déclaré Snow. "Désormais, les attributs utilisés pour alimenter des algorithmes prédictifs peuvent désormais être ajoutés aux enregistrements de compte afin de prendre en charge la segmentation complexe et automatisée. Ce cas d'utilisation aide les ventes et le marketing à diriger les communications sortantes avec des messages pertinents, à permettre des conversations approfondies entre les ventes et les prospects, et à informer la stratégie de contenu. plus intelligemment."
Les outils de BI et les frameworks open-source tels que Hadoop démocratisent les données dans leur ensemble mais, outre le marketing B2B, l'analyse prédictive est également intégrée dans de plus en plus de plates-formes logicielles basées sur le cloud dans de nombreux secteurs. Prenez le site Web de la société de rencontres en ligne Elevated Careers de la société eHarmony ainsi que la poignée d'autres fournisseurs de l'espace "d'analyse prédictive pour l'embauche". Ces plateformes en sont encore à leurs débuts, mais l'idée d'utiliser des données pour prédire quels demandeurs d'emploi correspondent le mieux à des emplois et à des entreprises spécifiques est susceptible de réinventer la manière dont les gestionnaires des ressources humaines (RH) recrutent des talents.
Les fournisseurs de centre d’assistance tels que Zendesk ont également commencé à ajouter des fonctionnalités d’analyse prédictive au logiciel de centre d’aide. La société a doté sa plate-forme de pouvoirs prédictifs pour aider les représentants du service clientèle à identifier les zones problématiques avec un système d'alerte rapide basé sur les données appelé Satisfaction Prediction. La fonction utilise un algorithme ML pour traiter les résultats des enquêtes de satisfaction, générant des variables, notamment le temps nécessaire pour résoudre un ticket, la latence de la réponse du service client et la formulation spécifique du ticket dans un algorithme de régression permettant de calculer le taux de satisfaction projeté du client.
Nous constatons également que l’analyse prédictive a un impact important sur les résultats nets à l’échelle industrielle et avec l’Internet des objets (IoT). Google utilise des algorithmes ML dans ses centres de données pour exécuter une maintenance prédictive sur les batteries de serveurs alimentant son infrastructure de cloud public Google Cloud Platform (GCP). Les algorithmes utilisent des données sur la météo, la charge et d'autres variables pour ajuster les pompes de refroidissement du centre de données de manière préventive et réduire considérablement la consommation d'énergie.
Ce type de maintenance prédictive se généralise également dans les usines. Les entreprises technologiques telles que SAP proposent des plates-formes de maintenance prédictive et de services utilisant des données de capteurs provenant d'appareils de fabrication IoT connectés pour prédire quand une machine est à risque de problèmes ou de pannes mécaniques. Des entreprises technologiques telles que Microsoft explorent également la maintenance prédictive pour les applications aérospatiales, engageant Cortana à analyser les données de capteurs provenant de moteurs et de composants d'aéronefs.
La liste des applications professionnelles potentielles ne cesse de s'allonger, allant de la manière dont l'analyse prédictive transforme le secteur de la vente au détail aux start-up fintech utilisant la modélisation prédictive sur l'analyse de la fraude et le risque des transactions financières. Nous n'avons fait qu'effleurer la surface, tant par la manière dont différents secteurs ont pu intégrer ce type d'analyse de données que par la profondeur à laquelle les outils et les techniques d'analyse prédictive vont redéfinir notre façon de travailler en fonction de l'évolution de l'IA. À mesure que nous approchons de la véritable cartographie d'un cerveau artificiel, les possibilités sont infinies.
