Comment utiliser l’analyse prédictive pour l’informatique décisionnelle

Des services bancaires aux services hôteliers, en passant par le commerce de détail, le gouvernement, le pétrole et le gaz, les analyses prédictives peuvent être utiles à diverses organisations. Voici quelques scénarios dans lesquels des analyses prédictives sont utilisées aujourd’hui :

Cote de crédit. Les bureaux de crédit effectuent des analyses prédictives sur les individus afin de déterminer leur solvabilité, ce qui tient compte de leur cote de crédit.

Détection de la fraude. L’analyse prédictive peut aider les institutions financières à détecter la fraude avant que la fraude ne se produise.

Commerce d'actions. Les analyses peuvent entraîner les systèmes financiers pour qu’ils achètent ou vendent automatiquement une action en fonction des données antérieures, dans le but de maximiser les rendements.

Campagnes de marketing. Les campagnes publicitaires ciblées utilisent des analyses pour cibler les utilisateurs les plus susceptibles de cliquer sur les recherches ou les publicités sur les médias sociaux. Les plateformes comme Facebook afficheront également des publicités plus performantes en affichant certaines publicités plus souvent, en fonction des analyses.

Agencement des magasins. Les analyses peuvent indiquer aux magasins où placer différents articles afin de stimuler les ventes. Si vous voyez toujours des barres de chocolat dans l’allée des caisses, c’est qu’il y a probablement des données qui motivent cette décision.

Inventaire des magasins. De même, les analyses peuvent prédire les besoins en matière d’inventaire afin que les magasins disposent des bons produits, dans les bonnes quantités. (Bien entendu, aucune analyse n’aurait pu prédire la grande pénurie de papier hygiénique de 2020.)

Prix des billets. Si vous suivez une équipe sportive professionnelle, vous avez peut-être remarqué que les matchs n’affichent pas tous le même prix. Les analyses peuvent aider à déterminer quels jours de la semaine et quels opposants sont les plus/moins populaires et ajuster les prix en conséquence. Cela s’applique même aux sites de revente de billets, qui utilisent des analyses pour modifier le tarif des billets en fonction de la demande. De plus, si vous avez utilisé Google Flights, vous savez que les tarifs aériens peuvent fluctuer largement, même d’un jour à l’autre, en fonction de données prédictives.

Cybersécurité. Les plus récents outils de cybersécurité utilisent l’analyse prédictive pour détecter les anomalies d’un réseau et repérer les comportements inhabituels pour aider à détecter les intrus avant que le logiciel malveillant n’entre en action. Ces analyses sont également utilisées pour aider à filtrer les pourriels hors de votre boîte de réception.

Industrie 4.0. Les organisations utilisent l’analyse prédictives pour analyser leurs données d’exploitation et former des modèles visant à améliorer l’efficacité opérationnelle et maximiser les revenus.

Réduction des risques. Les analyses prédictives peuvent aider à réduire les risques pour les opérations critiques, comme l’exploitation minière, où des vies sont potentiellement en jeu.

Un modèle prédictif est un ensemble de calculs mathématiques qui vise à prédire les résultats futurs en fonction du comportement passé et attribue un score prédictif. « Comment élaborons-nous un modèle prédictif? Il est très compliqué d’y arriver si un cerveau humain construit ce modèle », dit M. Singh. « Mais pour ce faire, nous pouvons nous tourner vers l’apprentissage automatique (ML). »

« Grâce à l’apprentissage automatique, nous pouvons construire ces modèles par la rétro-ingénierie des données afin de découvrir des modèles dans les données. Ces modèles aident le système à construire un modèle prédictif. Mais pour y arriver, les algorithmes et les systèmes d’apprentissage automatique doivent être entraînés », dit M. Singh.

L’apprentissage automatique peut être divisé en apprentissage supervisé et non supervisé. « L’apprentissage supervisé est similaire à celui d’un enseignant qui enseigne à un groupe d’étudiants dans une salle de classe », explique M. Singh. « Vous savez quoi enseigner, vous connaissez les données et comment le système a réagi dans le passé, alors vous utilisez ces données passées pour entraîner l’algorithme. Les ensembles de données utilisés pour l’apprentissage supervisé sont étiquetés. Nous connaissons les résultats passés et nous utilisons l’apprentissage de ces résultats pour prédire l’avenir. »

M. Singh souligne que l’apprentissage supervisé est utilisé dans la détection des pourriels, l’analyse des sentiments, les prévisions météorologiques et les prévisions de prix. « Ce type d’apprentissage automatique offre une plus grande précision en termes de prédictions parce que nous avons entraîné notre système en fonction des expériences passées. »

L’apprentissage non supervisé, d’autre part, ne repose pas sur des données antérieures et utilise des ensembles de données non étiquetés. « Nous essayons simplement de découvrir des tendances en ingérant de grands volumes de données dans l’algorithme », explique M. Singh. « L’objectif est d’obtenir des renseignements issus des apprentissages en utilisant de grandes quantités de données. » L’apprentissage non supervisé est utilisé dans le cadre de la cybersécurité pour détecter les anomalies de trafic réseau, ainsi que dans des domaines comme l’établissement de profils de clients dans le marketing ou pour recommander des émissions que vous aimeriez sur les services de diffusion en continu.

« Nous traitons beaucoup de données, surtout avec l’apprentissage non supervisé », dit M. Singh. « De nombreux calculs sont effectués en arrière-plan et sont utilisés. En même temps, nous utilisons également beaucoup d’espace de stockage. Toutes ces données que nous devons traiter doivent être stockées dans un endroit accessible et offrant un temps d’attente raisonnable, afin que nous puissions rapidement traiter l’information. Nous devons effectuer beaucoup de calcul et avons besoin de beaucoup d’espace de stockage pour cela, et comme vous pouvez l’imaginer, le nuage est vraiment pratique. »

La bonne nouvelle, c’est que vous pouvez gérer et mettre à l’échelle toutes les plateformes d’analyse de données sans acheter de matériel, car les principaux fournisseurs de services en nuage comme AWS, Microsoft Azure et Google offrent tous des solutions d’analyse. « Ces plateformes d’entrepôt de données disposent toutes d’une intelligence artificielle et d’un apprentissage automatique intégrés », explique M. Singh. « Vous pouvez utiliser l’apprentissage automatique dans un entrepôt de données, qui est construit dans le nuage, et exécuter des analyses prédictives en amont de votre entrepôt de données. Des outils sont disponibles pour créer des modèles évolutifs pour votre organisation. »

Le nuage offre également une sécurité accrue et un modèle de paiement à l’utilisation, ce qui peut contribuer à réduire les coûts. « Si vous avez besoin d’un travail à effectuer rapidement, vous pouvez ajouter plus de ressources informatiques ou y ajouter un stockage plus rapide et terminer le travail plus rapidement. Ou, si vous voulez réduire les coûts, vous pouvez diminuer vos instances informatiques, de sorte que vous avez ce contrôle pour utiliser efficacement le nuage. »