Top Predictive Analytics Examples : L’analytique pour la réussite commerciale

L’analytique prédictive se projette dans l’avenir pour tenter de deviner des événements ou des actions futurs inconnus en se basant sur l’exploration de données, les statistiques, la modélisation, l’apprentissage profond et l’intelligence artificielle, et l’apprentissage automatique. Les modèles prédictifs sont appliqués aux activités commerciales pour mieux comprendre les clients, dans le but de prédire les habitudes d’achat, les risques potentiels et les opportunités probables.

De toutes les formes d’analyse, aucune n’est peut-être plus risquée que l’analyse prédictive, car il s’agit essentiellement d’une voyance, bien que ce soit une version très sophistiquée. La veille stratégique, son prédécesseur dans l’analytique, est un regard en arrière. Qui étaient nos meilleurs clients ? Quels étaient les jours où les ventes étaient faibles ? Pourtant, à l’ère du cloud computing, ce regard en arrière ne suffit plus – d’où la demande du marché pour des outils d’analyse prédictive.

L’analyse prédictive se reflète aujourd’hui dans les tendances Big Data, et ses outils sont essentiellement des technologies Big Data. La demande du marché pour les logiciels d’analyse prédictive correspond à un ensemble d’outils étroitement liés, les outils d’analyse Big Data.

Les utilisations courantes de l’analyse prédictive incluent, mais ne sont pas limitées à :

• L’optimisation des campagnes marketing pour déterminer les réponses des clients aux campagnes marketing ou les habitudes d’achat.

• Améliorer les opérations pour mieux gérer les stocks et d’autres ressources, ou pour fixer les prix des services en fonction d’éléments tels que la saisonnalité.

• Détection des fraudes. L’analytique peut surveiller l’activité et noter ou attraper les activités inhabituelles ou hors de l’ordinaire des clients, souvent en temps réel.

• Réduire les risques. Les commerçants, comme les concessionnaires automobiles, utilisent désormais plus qu’un simple score de crédit pour déterminer s’ils doivent approuver un prêt. Ils examinent également des éléments tels que les réclamations d’assurance et les dossiers de conduite pour déterminer si l’acheteur représente un risque.

Exemples d’analyse prédictive

Chaque industrie et secteur met l’analyse prédictive au travail de différentes manières. Nous les décomposons par industrie et par cas d’utilisation.

Vente au détail

Probablement le plus grand secteur à utiliser l’analyse prédictive, la vente au détail cherche toujours à améliorer sa position de vente et à forger de meilleures relations avec les clients. L’un des exemples les plus omniprésents est celui des recommandations d’Amazon. Lorsque vous effectuez un achat, il met en place une liste d’autres articles similaires que d’autres acheteurs ont achetés.

Une grande partie de cette activité se situe dans le domaine de la prévente – avec des choses comme la prévision des ventes et l’analyse du marché, la segmentation de la clientèle, les révisions des modèles commerciaux, l’alignement de l’informatique sur les unités commerciales, la gestion des stocks pour tenir compte de la saisonnalité et la recherche des meilleurs emplacements de vente au détail. Mais elle agit également après la vente, en agissant pour réduire les retours, faire revenir le client et prolonger les ventes sous garantie.

Santé

Une première tentative en ce sens a été Google Flu Trends (GFT). En surveillant les comportements de suivi de la santé de millions d’utilisateurs en ligne et en les comparant à un niveau de référence historique de l’activité grippale pour une région correspondante, Google espérait prédire les tendances de la grippe. Mais ses chiffres se sont avérés largement surévalués, en raison d’informations moins qu’idéales fournies par les utilisateurs.

Mais il existe d’autres utilisations, comme la prédiction d’épidémies ou de problèmes de santé publique en fonction de la probabilité qu’une personne souffre à nouveau de la même affection. Ou encore prédire les chances qu’une personne atteinte d’une maladie connue se retrouve aux soins intensifs en raison de changements dans les conditions environnementales. Il peut également prédire quand et pourquoi les patients sont réadmis et quand un patient a besoin de soins de santé comportementale également.

Sports

L’exemple le plus célèbre est Bing Predicts, un système de prédiction du moteur de recherche Bing de Microsoft. Il a obtenu des scores dans le percentile 80 pour des concours de chant comme American Idol, le pourcentage élevé des années 90 dans les courses à la Chambre et au Sénat des États-Unis, et a fait 15 sur 15 lors de la Coupe du monde 2014. Il utilise des statistiques et le sentiment des médias sociaux pour faire ses évaluations.

Un autre exemple est ce qu’on appelle « Moneyball », basé sur un livre sur la façon dont l’équipe de baseball Oakland Athletics a utilisé des analyses et des données basées sur des preuves pour assembler une équipe compétitive. L’équipe a abandonné les anciens indicateurs de succès, tels que les courses à la batte, au profit d’indicateurs négligés, comme le nombre de bases. Cela a conduit les Athletics à deux séries éliminatoires consécutives.

Météo

Les prévisions météorologiques se sont améliorées à pas de géant grâce aux modèles d’analyse prédictive. Aujourd’hui, une prévision à cinq jours est aussi précise qu’une prévision à un jour des années 1980. Des prévisions de neuf à dix jours sont désormais possibles et, plus important encore, les prévisions de 72 heures sur la trajectoire des ouragans sont plus précises que les prévisions de 24 heures d’il y a 40 ans.

Le vortex polaire extrême qui a fait chuter les températures du Wisconsin et du Minnesota à -50 degrés Fahrenheit a été prévu plusieurs jours à l’avance. Tout cela se fait grâce aux satellites qui surveillent la terre et l’atmosphère. Ils alimentent ces données dans des modèles qui représentent mieux nos systèmes atmosphériques et physiques.

Assurance/Évaluation des risques

Malgré d’affreuses catastrophes en 2017, les compagnies d’assurance ont diminué les pertes dans les limites de la tolérance au risque, grâce à l’analyse prédictive. Elle les a aidées à fixer des prix compétitifs lors de la souscription, à analyser et à estimer les pertes futures, à attraper les réclamations frauduleuses, à planifier les campagnes de marketing et à fournir de meilleures informations sur la sélection des risques.

Modélisation financière

La modélisation prédictive pour les services financiers aide à optimiser la stratégie commerciale globale, la génération de revenus, l’optimisation des ressources et la génération de ventes. L’analyse automatisée des services financiers peut permettre aux entreprises d’exécuter des milliers de modèles simultanément et de fournir des résultats plus rapides qu’avec la modélisation traditionnelle.

Elle le fait en analysant les investissements commerciaux stratégiques, en améliorant les opérations quotidiennes, en augmentant la productivité et en prédisant les changements du marché actuel et futur. La forme la plus courante d’analyse prédictive dans les services financiers est le système de notation du crédit utilisé pour approuver ou refuser des prêts, souvent en quelques minutes.

Énergie

L’analyse dans les centrales électriques peut réduire les pannes d’équipement inattendues en prédisant quand un composant pourrait tomber en panne, ce qui permet de réduire les coûts de maintenance et d’améliorer la disponibilité de l’énergie.

Les services publics peuvent également prédire quand les clients pourraient recevoir une facture élevée et envoyer des alertes aux clients pour les avertir qu’ils accumulent une facture importante ce mois-là. Les compteurs intelligents ont permis aux services publics de prévenir les clients des pics à certains moments de la journée, les aidant ainsi à savoir quand réduire leur consommation d’électricité.

Analyse des médias sociaux

Les médias sociaux en ligne constituent un changement fondamental de la façon dont l’information est produite, en particulier en ce qui concerne les entreprises. Le suivi des commentaires des utilisateurs sur les médias sociaux permet aux entreprises d’obtenir un retour immédiat et la possibilité de réagir rapidement.

Rien ne fait bondir un commerce local comme un mauvais avis sur Yelp, ou ne fait réagir un commerçant comme un mauvais avis sur Amazon. Cela implique de collecter et de trier des quantités massives de données sur les médias sociaux et de créer les bons modèles pour extraire les données utiles.

Alerte et surveillance

Cela couvre un large éventail. Rien que dans les transports, les automobiles modernes ont plus de 100 capteurs et certaines approchent rapidement les 200 capteurs. Cela donne un rapport beaucoup plus précis que le vieux voyant générique Check Engine.

Les avions modernes ont près de 6 000 capteurs qui génèrent plus de 2TB de données par jour, qui ne peuvent pas être analysées par des êtres humains avec quelque expédient. L’apprentissage automatique pour reconnaître le comportement normal ainsi que les signes menant à une défaillance peut aider à prédire une défaillance bien avant qu’elle ne se produise.

Internet des objets

L’IDC estime que moins de 1 % des données générées aujourd’hui sont analysées, et que ce flot ne fera qu’augmenter à mesure que davantage de dispositifs IoT seront mis en ligne, comme les voitures intelligentes.

L’analyse prédictive est nécessaire pour aider à trier ce qui arrive afin d’éliminer les données inutiles et de trouver ce dont vous avez besoin pour prendre des mesures intelligentes. Dans un exemple, Cisco et Rockwell Automation ont aidé un fabricant japonais d’équipements d’automatisation à réduire le temps d’arrêt de ses robots de fabrication à près de zéro en appliquant l’analyse prédictive aux données opérationnelles.

.