Prévisions L’analyse prédictive au service de la décision

Anticiper : dans un univers complexe, c’est une clé essentielle de la performance. Qu’il s’agisse de mieux mesurer les risques, de détecter à temps des comportements frauduleux ou d’anticiper les comportements clients, l’analyse prédictive éclaire les décisions des entreprises. Comment fonctionnent au juste les modèles d’analyse prédictive ? Et comment en tirer le meilleur parti ?

Les réponses de Mouloud Dey, directeur des stratégies et nouvelles technologies de SAS.

Comment définissez-vous l’analyse prédictive ?

C’est un cadre méthodologique associé à des techniques analytiques permettant d’argumenter et de justifier le processus décisionnel de certains métiers. A partir d’éléments connus, on détermine des modèles qui permettent d’anticiper les comportements futurs. Intégrée dans un processus métier, l’analyse prédictive favorise ainsi une prise de décision éclairée.

La modélisation du comportement des abonnés permet, par exemple, à un opérateur téléphonique de détecter a priori un risque de désabonnement (on parle de la détéction du « churn », dérivé de l’expression « change and turn »), ou au contraire une opportunité de développement du compte, et in fine de faire au client une proposition commerciale plus adaptée à son profil de consommation.

Quelles sont les applications concrètes de l’analyse prédictive ?

Les applications sont vastes. Parce qu’elle porte souvent sur l’analyse du comportement d’individus, l’analyse prédictive est très utilisée en gestion de la relation client (ou CRM), pour fidéliser des clientèles existantes, comme on vient de le voir dans l’exemple de la téléphonie, ou pour améliorer le ciblage dans le cadre de campagnes marketing.

L’analyse prédictive peut aussi être utilisée dans la détection de fraude (transactions bancaires, prestations sociales...) et plus globalement dans l’évaluation a priori et le pilotage des risques (risques de crédit, risques de marché, risques opérationnels). On trouve des applications concrètes de ces techniques dans les décisions d’assurer ou non un risque potentiel ou d’octroyer une ligne de crédit.

Comment se positionne l’analyse prédictive par rapport aux solutions décisionnelles ?

L’analyse prédictive est une démarche méthodologique, et non une solution en soi. Elle vise à améliorer un processus métier, en fournissant des arguments factuels pour nourrir la prise de décision. Cette dernière pourra être humaine ou automatisée, dans le cadre d’une solution métier, mais dans tous les cas, c’est bien le processus de décision et l’action qui en découle qui importe !

Quels sont les déterminants de la qualité en analyse prédictive ?

L’analyse des faits doit être la plus fine possible pour bien expliquer les mécanismes associés au processus opérationnel. La disponibilité des données et leur qualité dont déterminants. La précision, la robustesse et la richesse des algorithmes mathématiques sont essentiels. Accélérer et réduire la complexité de la prise de décisio Ensuite vient la capacité des entreprises à déployer ces modèles auprès des utilisateurs métier, en inscrivant ceux-ci dans leurs processus de décision. Ceci peut justifier la mise en œuvre de dispositifs temps-réel associés aux applications opérationnelles, dans le cas de la détection de fraude à la carte bancaire, par exemple.

Enfin, il faut pouvoir évaluer régulièrement les modèles tout au long de leur cycle de vie, en mesurer la qualité et les adapter voire les renouveler. Dans le cas de la fraude, le profil des fraudeurs n’est plus le même aujourd’hui qu’il y a cinq ans, de nouveaux types de fraudes apparaissent.

De la même manière les profils de consommation des abonnés évoluent au même rythme que les technologies qui leur sont proposées (développement du SMS, de l’ADSL et plus récemment de la 3G). Les modèles doivent donc naturellement évoluer avec les comportements.

Un nombre croissant d’entreprises ont recours à des solutions basées sur l’analyse prédictive. Quel conseil pouvez-vous leur donner ?

Si ces solutions ont fait la preuve de leur efficacité, elles doivent toutefois être utilisées à bon escient. Certaines entreprises compensent l’absence de modèle prédictif par le savoir-faire de leurs collaborateurs. C’est un élément important : il ne faut jamais oublier l’humain !

Toutefois, lorsque les historiques sont longs, ou que le nombre de paramètres de la décision est trop important, l’intuition humaine ne suffit plus. Les modèles d’analyse prédictive sont avant tout rentables quand ils permettent de réduire la complexité d’une décision.

Par ailleurs, il est essentiel d’ancrer les modèles prédictifs dans la réalité concrète du métier. Ainsi pour décider de l’attribution ou non d’un crédit, le conseiller bancaire doit pouvoir disposer en temps réel d’une évaluation multi-critères (ou score) du client potentiel qu’il a en face de lui. Ce besoin se renforce avec les services en ligne.

Et si nous nous projetons à notre tour dans le futur... Quel est l’avenir de l’analyse prédictive ?

L’avenir du prédictif, c’est d’abord son extension régulière à des applications nouvelles et à des nouveaux métiers. Des applications nouvelles mettent en œuvre des données non structurées.

Il s’agit, par exemple dans l’industrie d’analyser les courriers de réclamations des clients ou les retours du service après-vente pour anticiper la découverte d’une gamme de produits défectueux avant que les dégâts ne soient trop dommageables pour l’image de la marque. Dans ce cas comme souvent, l’analyse prédictive se trouve au carrefour de la relation client et de la gestion du risque.

Une autre application dans le domaine de l’intelligence économique est d’étudier les caractéristiques textuelles des multiples brevets déposés, par exemple, dans le cadre d’un processus de veille dans l’industrie pharmaceutique, pour y détecter des opportunités de développement sur des axes laissés à l’abandon : molécules dont certains usages secondaires ne sont pas développés mais dont le potentiel commercial est important.

publié le 31/03/2008