Lorsqu’elle découle d’une collaboration entre les secteurs d’affaires et les TI, l’analyse prédictive peut grandement aider une organisation à atteindre ses objectifs commerciaux. 
Au départ, l’intelligence d’affaires était employée surtout à analyser les données en provenance de différents systèmes opérationnels, de manière à expliquer le passé. Il y a une dizaine d’années, cette discipline a commencé à se concentrer sur la description et la mesure du présent, à l’aide d’outils comme les tableaux de bord et les indicateurs clés de performance.
Si cette façon de faire demeure utile aujourd’hui, une nouvelle tendance se dessine : il s’agit de l’analyse prédictive, qu’on appelle aussi « analytique ». Il s’agit d’une science dans laquelle sont utilisées des méthodes numériques et statistiques avancées qui permettent de prédire des comportements à partir d’échantillons de données ou d’observations préalablement analysés.
L’année dernière, Gartner a désigné l’analyse prédictive comme la tendance la plus importante en matière d’intelligence d’affaires. Selon cette firme, le concept deviendra omniprésent au sein des organisations à l’horizon 2020. Un sondage récent indique que la valeur du marché de l’analytique atteindra plus de 6,5 milliards de dollars à l’échelle mondiale en 2019.
Différents facteurs expliquent cet engouement. D’abord, la puissance de traitement disponible aujourd’hui permet d’effectuer les analyses plus rapidement. Ensuite, le stockage est devenu plus facile et plus abordable, ce qui favorise l’exploitation des données volumineuses (big data) et le raffinement des modèles d’analyse, grâce à l’accroissement du nombre et de la précision des observations. Par ailleurs, nous disposons aujourd’hui de données liées à la géolocalisation et à l’identification par radiofréquence (RFID) : en localisant des personnes et des objets, ces technologies contribuent à la création d’algorithmes puissants. De plus, les solutions proposées sont plus conviviales et abordables et sont offertes sous diverses formes, par le biais d’applications traditionnelles, du mode infonuagique ou du logiciel libre.
Catégories d’analyse prédictive
L’analyse prédictive comprend deux catégories principales : la classification et la prévision.
Dans la catégorie de la classification, on retrouve parmi les exemples d’utilisation la détection automatique de la fraude, qui permet de dégager les tendances pertinentes dans les activités passées et de classifier les cas comme potentiellement frauduleux ou non. Ce type d’analyse peut servir aux institutions financières, qui émettent des cartes de crédit, aux compagnies d’assurance, pour déterminer si une réclamation est légitime, ou aux autorités fiscales, pour estimer si des audits doivent être menés auprès d’entreprises ou de particuliers.
L’analytique peut aussi se révéler très utile dans le secteur de la santé. À titre d’exemple, elle permet d’évaluer si une tumeur est bénigne ou cancéreuse, d’anticiper les patients à risque élevé et de développer de nouveaux traitements thérapeutiques. Elle s’applique aussi aux communications ou aux relations clients, par exemple en servant à déceler une situation où un client risque de mettre fin à un contrat.
La prévision, qui est la deuxième grande catégorie, se fonde sur des valeurs plus continues. Par exemple, elle pourrait être utilisée pour évaluer – avec un certain degré de certitude – l’évolution du prix d’une maison en fonction de l’historique des transactions et de facteurs comme le type de résidence, la superficie, le nombre de pièces, la ville et le quartier. Dans la même veine, on peut déterminer de quelle façon les consommateurs réagiront à des changements de prix afin de maximiser les profits. Plus il y a d’observations, plus les chances sont grandes que l’analyse soit précise.
Dans chacune des deux catégories d’analyse prédictive, il existe différents modèles mathématiques dont la caractéristique commune est la complexité. Le choix du modèle le mieux adapté à la situation est essentiel et s’inscrit dans l’art de cette science analytique. On retrouve des modèles très évolués dans le secteur de la finance, tout particulièrement, mais le concept gagne en popularité dans plusieurs industries.
Ainsi, Google et Amazon ont recours à l’analyse prédictive pour déterminer le contenu à présenter à un utilisateur particulier en fonction de ses habitudes d’achat et de navigation. Les chaînes d’alimentation s’en servent pour connaître les tendances des consommateurs et présenter les produits d’une façon susceptible d’optimiser les ventes. On observe également un fort accroissement de l’utilisation de l’analytique dans la gestion des ressources humaines.
Défis de l’analyse prédictive
Pour être utile, un modèle d’analyse prédictive doit répondre à un objectif d’affaires. La maîtrise des outils d’analytique est une expertise propre aux TI, mais les enjeux commerciaux sont habituellement confiés à d’autres secteurs. Pour cette raison, l’analyse prédictive doit résulter d’une collaboration entre les TI et la branche d’activités appropriée au sein de l’organisation. Quand l’un ou l’autre des deux groupes entreprend un tel projet isolément, l’entreprise ne peut en tirer un avantage optimal.
L’un des principaux freins à un essor plus rapide de l’analytique est la rareté des ressources. En ce moment, nombre d’entreprises renoncent à leurs projets, faute d’expertise. Un autre défi pour les organisations consiste à opérationnaliser les modèles d’analyse : habitués à recourir à leur instinct, à leur expérience et à tous les éléments sur lesquels ils se sont appuyés pendant des décennies dans la conduite des affaires, les gestionnaires doivent apprendre à utiliser des modèles qui reposent sur les mathématiques, ce qui requiert des tests et des expérimentations. Ce nouveau paradigme entraîne un changement culturel important pour lequel certaines organisations ne sont pas encore prêtes.
D’autre part, les entreprises qui investissent dans les entrepôts de données depuis un certain temps trouveront dans l’analytique une occasion d’optimiser cet investissement. Pour les autres, le manque de données pertinentes constitue une barrière à l’entrée.
Une utilisation judicieuse de l’analyse prédictive peut rapporter gros. Une organisation qui parviendrait à augmenter, ne serait-ce que de 1 %, la précision analytique d’une opération répétée des milliers, voire des millions, de fois par année, pourrait fort bien en retirer des gains substantiels. Dans cette optique, les entreprises doivent s’assurer d’avoir une préparation adéquate et d’arrimer leurs besoins d’affaires à l’expertise TI.
