Comment utiliser la predictive analytics ? 5 étapes pour vous lancer

Publié le 09/07/2019 par Caroline Rousseau et Gitanjali Maria

Partager cet article

Comment utiliser la predictive analytics 5 étapes pour vous lancer

Les prédictions ont quelque chose de fascinant. Peut-être parce qu’elles sont difficiles à établir. Peut-être parce qu’il est toujours difficile de viser juste. Pourtant, les prévisions commerciales et la predictive analytics (ou analyse prédictive) peuvent vous aider à faire de belles économies et à obtenir de meilleurs résultats.

 

EXEMPLES :

  • Le propriétaire d’un petit café peut réduire ses frais marketing en déterminant quels clients sont susceptibles de lui tourner le dos et en leur envoyant des offres de réduction ciblées. Il peut investir moins de temps et de moyens dans les clients fidèles et les clients ponctuels peu susceptibles de revenir. 
  • Il est possible de prédire quels produits risquent d’être renvoyés par des clients après les soldes, ce qui permet aux entreprises d’e-commerce de mieux gérer leurs équipes de livraison et de réduire leurs frais.

 

Mais comment établir des prédictions et sélectionner les plus justes (c’est-à-dire les plus réalistes) ?

La réponse est simple : en exploitant les données.

Avec les bonnes informations, vous pouvez prévoir vos résultats avec une plus grande précision.

 

EXEMPLES :

  • De plus en plus de spécialistes de l’e-commerce affirment que la predictive analytics accélère les ventes.
  • Les équipes commerciales qui utilisent la predictive analytics présentent près de trois fois plus souvent des performances supérieures ou excellentes.

 

Cependant, l’implémentation de l’analyse prédictive n’est pas de tout repos, en particulier pour les PME qui disposent de ressources limitées pour gérer leurs données. Elle exige avant tout de récolter, d’organiser et de stocker les informations pertinentes.

Vous devez vous discipliner pour pouvoir établir des prévisions plus précises. Si vous récoltez de mauvaises données et si vous n’êtes pas correctement préparé, vous ne pourrez générer que des modèles prédictifs boiteux, ce qui vous empêchera de prendre les meilleures décisions possible.

Dans cet article, vous découvrirez non seulement comment utiliser la predictive analytics dans différents cas à partir d’exemples concrets, mais aussi quelles étapes suivre pour l’intégrer à vos processus.

Qu’est-ce que la predictive analytics ?

La predictive analytics est une forme d’analyse avancée qui s’appuie sur le big data ou des contenus spécifiques pour répondre à des questions comme “Qu’est-ce qui pourrait se produire ?”

Les prédictions se basent sur l’historique des activités, l’intelligence artificielle et l’apprentissage automatique (machine learning).

Les solutions d’analyse prédictive s’appuient sur des outils statistiques comme les analyses de régression, la modélisation des données, les prévisions et les analyses multivariées pour prévoir ce qui pourrait se produire dans le futur.


3 exemples d’application de la predictive analytics

La predictive analytics aide les entreprises à relever les différents types de défis qui peuvent se présenter et à atteindre leurs objectifs commerciaux.

Voici 3 exemples où elle peut booster vos résultats.

1. La predictive analytics permet de réduire l’attrition de clientèle en vous aidant à créer des offres personnalisées

Vous devez dépenser cinq fois plus pour acquérir de nouveaux clients que pour conserver votre clientèle. En réduisant le nombre de consommateurs qui vous tournent le dos, vous pouvez faire des économies et créer une base clientèle étendue et fidèle.

Identifier les clients insatisfaits et créer des offres personnalisées font partie des applications les plus communes de la predictive analytics.

Pour calculer votre score de “perte de clientèle potentielle”, vous avez besoin de données sur les profils, les transactions et les retours client. Ces informations sont ensuite saisies dans des outils de predictive analytics qui utilisent des techniques comme les corrélations et les régressions multiples pour identifier les clients les plus susceptibles de partir.

Selon le score obtenu, vous pouvez ensuite préparer des offres personnalisées (remises ou affiliations exclusives, par exemple) pour convaincre vos clients de vous rester fidèles.

 

EXEMPLE :

Coyote a optimisé son programme fidélité grâce à la predictive analytics.

Objectif : Coyote, une entreprise française proposant des solutions d’avertissement sur le trafic en temps réel, voulait renforcer sa clientèle en utilisant un programme fidélité efficace. L’objectif était de segmenter ses clients, qualifier les données entrantes et quantifier l’utilisation des appareils.

Actions : Coyote a utilisé le logiciel Dataiku Data Science Studio pour implémenter un outil d’analyse prédictive des comportements destiné à segmenter sa clientèle. L’application a automatiquement compilé des données variées, dont des informations provenant en temps réel des appareils, des données contractuelles et des informations client. Le logiciel a ensuite nettoyé les données et utilisant le machine learning pour modéliser les comportements client. Les résultats ont permis d’optimiser les campagnes marketing.

Résultats : Coyote a pu segmenter très précisément sa clientèle, améliorer les performances de ses campagnes d’appels de 11 % et réduire la perte de clients grâce à des campagnes marketing personnalisées.

 

Dataikul logiciel
Outil de prévision de l’attrition de clientèle de Dataiku DSS

2. La predictive analytics renforce les prévisions de ventes

En entreprise, de nombreuses décisions comme l’intégration de nouveaux collaborateurs, l’ouverture de nouveaux bureaux et l’inventaire des stocks sont prises sur la base de prévisions de ventes.

Mais vos prédictions sont-elles généralement justes ou ont-elles au minimum une marge d’erreur acceptable ?

Les prévisions des ventes traditionnelles reposent fortement sur des intuitions et des données limitées.

prévisions ventes traditionnelles

Les modèles d’analyse prédictive qui utilisent des sources de données internes et externes comme les informations issues d’outils de marketing automation, d’historiques des ventes, de données client, de performances des vendeurs, etc. permettent d’établir des prédictions exactes dans la majorité des cas.

 

EXEMPLE :

Les données provenant de sources multiples améliorent la précision des prévisions de ventes.

Objectif : une administration de services publics américaine était confrontée à des dépassements de budget constants en raison de mauvaises prévisions commerciales. Elle surévaluait constamment la demande et dépensait donc trop en personnel et en achats de matériaux.

Actions : plutôt que de se fier exclusivement aux informations tirées de l’historique de ses opérations, l’administration a récolté plus de données à l’aide d’enquêtes, d’études de marché, des tendances Google et des informations sur ses ventes passées. Ce nouvel ensemble de données, plus large, a été intégré dans un modèle prédictif développé avec l’aide d’un consultant externe.

Remarque : si votre budget ne vous permet pas de vous offrir les services d’un consultant, vous pouvez adopter un logiciel d’analyse prédictive équipé pour l’intégration de calculs et de modèles sur mesure et conçu pour traiter des données issues de sources multiples.

Résultats : le nouveau modèle prévisionnel, 13 fois plus précis que l’ancien, a aidé l’administration à anticiper les demandes des consommateurs et à s’adapter plus rapidement aux fluctuations du marché.

3. Les outils d’analyse prédictive vous permettent de fixer un prix optimal pour vos produits

Il n’est pas toujours évident de fixer le bon prix pour vos produits ou services. Un prix élevé peut décourager certains consommateurs et réduire vos volumes de ventes, mais un prix bas est synonyme de marges réduites.

La predictive analytics peut vous aider à déterminer le prix juste pour vos produits et services.

En prédisant la demande et en comprenant le comportement de vos clients, leurs habitudes d’achat et les tendances du marché, vous pourrez optimiser vos prix et améliorer vos rentrées et la gestion de vos stocks.

EXEMPLE :

Rue La La a augmenté ses revenus de 10 % en optimisant ses prix.

Objectif : Rue La La est un petit commerce de détail américain qui doit généralement prévoir les ventes et fixer les prix de produits vendus sur sa boutique en ligne pour la première fois (et donc sans historique des ventes). L’entreprise souffrait souvent de ruptures de stock pour certains produits écoulés en une heure ou devait gérer des stocks massifs pour ceux qui ne se vendaient pas. Elle perdait donc de l’argent.

Actions : Rue La La a défini une série d’attributs quantitatifs pour ses produits et a utilisé des données issues de ses historiques de ventes pour prédire les futures demandes. L’entreprise a établi un modèle de prédiction et d’optimisation des ventes en s’appuyant sur des techniques de calcul et des statistiques comme les analyses de régression et le machine learning. Elle a collaboré avec le Massachusetts Institute of Technology (MIT) pour créer un outil personnalisé de fixation automatique des prix.

Résultats : en appliquant les prix suggérés par son outil de calcul, l’entreprise a pu augmenter ses rentrées de 10 % à 13 % dans différents départements.

 

Voici d’autres domaines où la predictive analytics peut se montrer utile :

  • Départs des employés
  • Défauts de paiement
  • Visites médicales récurrentes
  • Maintenance ou remplacement annuel de machines

La predictive analytics est efficace dans bien d’autres domaines.

Avant de vous plonger dans cet univers fascinant, voici quelques mesures à prendre.


5 étapes pour se préparer à adopter la predictive analytics

Afin de générer le type de données nécessaires pour établir de bonnes prévisions, vous devez avant tout veiller à ce que votre entreprise soit orientée données.

5 étapes pour préparer votre entreprise à adopter la predictive analytics

5 étapes pour préparer votre entreprise à l'analyse prédictive

1. Définissez les résultats souhaités

La predictive analytics vous permet de visualiser vos futurs résultats. Définissez donc clairement vos objectifs pour créer les solutions de predictive analytics correspondantes.

La predictive analytics permet notamment de répondre aux questions suivantes :

  • Quels clients ou segments de clientèle sont les plus susceptibles de nous rester spontanément fidèles ?
  • Quel produit sera le plus demandé durant les soldes ?
  • Quels clients B2B risquent de payer en retard ?
  • Quels fournisseurs sont susceptibles de ne pas livrer dans les temps ?
  • Quelles étapes de la production risquent de nous coûter plus cher au prochain trimestre ?

Vous découvrirez peut-être que les informations dont vous disposez ne sont pas suffisantes pour répondre à vos questions. Dans ce cas, vous devrez soit récolter des données pertinentes pendant un certain temps, soit aborder vos questions sous un angle différent.

2. Tirez des données pertinentes de toutes les sources disponibles

Les modèles d’analyse prédictive ont besoin de données. Vous devez donc identifier les informations qui permettront de répondre à vos questions.

Si celles-ci sont enregistrées dans des tableurs, il peut être difficile, voire impossible, de les saisir dans vos modèles d’analyse prédictive.

Utilisez plutôt vos applications de CRM, votre logiciel de caisse, vos outils marketing et d’autres logiciels pour stocker les informations pertinentes. Ces outils vous permettent de conserver et de classer plus de données (souvent sur le cloud, ce qui réduit les coûts d’infrastructure informatique).

Vous pouvez ensuite utiliser des outils d’extraction des données pour prélever des informations depuis différentes sources. Les API vous permettent aussi de vous connecter à plusieurs applications pour collecter des informations.

Vous pouvez en outre enregistrer de grandes quantités de données dans des systèmes de base de données, des data warehouses (entrepôts de données) et des réservoirs de données.

3. Améliorez la qualité des données en employant des techniques de nettoyage des données

GIGO est l’acronyme de “garbage in, garbage out” (déchets entrants, déchets sortants), une expression qui rappelle que des données de mauvaise qualité produisent des analyses du même niveau.

Vos prédictions seront erronées si elles sont établies sur la base de données médiocres. Vous devez donc vous assurer que vos vendeurs, marketeurs et autres employés saisissent les valeurs dans les formats convenus. Vous perdrez ainsi moins de temps à nettoyer les données.

Vous devrez aussi prévenir les doublons (et résoudre les problèmes de duplication le cas échéant) ainsi que normaliser les données pour assurer leur cohérence dans vos dossiers. La plupart des logiciels de business intelligence incluent des fonctionnalités de nettoyage des données comme l’élimination, la standardisation, l’harmonisation et le profilage.

4. Choisissez des solutions d’analyse prédictive existantes ou créez vos propres modèles pour mettre les données à l’épreuve

Pour créer votre propre modèle d’analyse prédictive, il vous faut une expertise en science des données. Vous devrez donc recourir à des spécialistes du domaine ou des personnes dont les compétences analytiques sont suffisamment poussées pour créer de toutes pièces des modèles prédictifs.

Vous pouvez sous-traiter ce travail à une société de conseil qui propose des services d’analytics ou faire appel à des chercheurs universitaires.

Si le budget nécessaire est un obstacle pour votre PME, vous pouvez opter pour lune des nombreuses solutions logicielles qui incluent des outils de modélisation prédictive.

Ils ne peuvent pas entièrement remplacer un spécialiste de la science des données, mais leurs modèles prédictifs intégrés sont faciles à utiliser et nettement moins chers que des scientifiques. Les logiciels d’analyse prédictive peuvent aider les entreprises à se faire la main sur des techniques prévisionnelles.

Choisissez un logiciel d’analyse prédictive qui propose ces fonctionnalités
clés :

logiciel d'analyse prédictive

Consultez notre répertoire de logiciels d’analyse prédictive pour accéder à une liste complète de solutions logicielles à capacités prédictives. 

5. Évaluez et validez la robustesse des modèles prédictifs

En évaluant et en validant vos modèles prédictifs à partir de différents ensembles de données, vous pourrez identifier leurs faiblesses et vous assurer qu’ils s’adapteront à différents cas de figure.

Il existe différentes techniques de validation de modèles prédictifs, dont la validation croisée et la validation par régression.

Ne vous inquiétez pas : même si ces techniques ne vous sont pas familières, aujourdhui, la plupart des outils logiciels danalyse prédictive intègrent la validation de modèles. Vous pouvez utiliser des fonctionnalités automatisées pour évaluer la robustesse de votre modèle.

Vous pouvez ensuite intégrer les modèles prédictifs au sein de vos processus de vente et utiliser les résultats pour prendre de meilleures décisions.


Soyez conscient des défis liés à l’implémentation de solutions d’analyse prédictive

L’implémentation d’outils de modélisation prédictive n’est pas un long fleuve tranquille.

Les outils d’analyse prédictive fournissent des prévisions, pas des certitudes

Même si vous aimeriez que vos outils vous fournissent des prévisions 100 % exactes, ils ne produisent en fait que des prédictions sur des événements susceptibles de se produire. Toutes les prévisions, même celles qui sont basées sur les meilleures données disponibles, ne sont pas exemptes d’erreurs ni d’incertitudes.

Vos décisions commerciales devraient donc reposer sur un ensemble de facteurs (données, jugement personnel, valeur ou impact de la décision, etc.) et pas sur un seul type d’information.

La construction de modèles prédictifs prend du temps

La predictive analytics ne sinvente pas en quelques heures. Pour créer et implémenter des modèles prédictifs robustes, vous aurez besoin de plusieurs semaines, voire de plusieurs mois selon votre niveau dexpertise et vos connaissances de départ.

Soyez patient et testez continuellement vos modèles pour découvrir les nuances de lart de la prévision. Des modèles prédictifs robustes et réutilisables vous permettront de faire des économies.

Le passage à la predictive analytics n’est pas gratuit. Outils, formations, systèmes de test… tout a un coût

Le prix des logiciels danalyse prédictive est en baisse depuis quelques années, mais il reste élevé. Et cest sans compter linvestissement indispensable dans la formation des employés.

Les PME doivent dépenser entre 7 000 € et 18 000 € par an pour implémenter la predictive analytics dans leurs processus, frais de formation exclus. Les structures de 500 à 5 000 employés investissent annuellement jusquà 80 000 € et les plus grandes entreprises au moins 400 000 €.

Et maintenant ?

Commencez à tester la predictive analytics à petite échelle puis passez à la vitesse supérieure une fois que vous aurez un peu plus dexpérience et que vous aurez obtenu des résultats intéressants.

Vous pouvez commencer par identifier des cas réels dans lesquels lutilité de la predictive analytics a déjà été avérée (réduction de lattrition de la clientèle, prédictions concernant lévolution de la demande, etc.) pour les adapter à vos activités.

3 conseils pour commencer

analyse prédictive conseilsRessources complémentaires

Consultez le répertoire GetApp des logiciels d’analyse prédictive pour découvrir une liste complète de solutions incluant des fonctionnalités prédictives.

Partager cet article


This article may refer to products, programs or services that are not available in your country, or that may be restricted under the laws or regulations of your country. We suggest that you consult the software provider directly for information regarding product availability and compliance with local laws.