6 exemples d'analyse prédictive : Comment les entreprises prédisent l'avenir

Read in English (Lire en Anglais).

L'analyse prédictive est une forme d'analyse de données qui utilise l'apprentissage automatique et d'autres méthodes d'intelligence artificielle (IA) pour prédire comment les humains et les systèmes se comporteront à l'avenir en examinant les façons dont ils ont agi dans le passé. L'analyse des données vous aide à répondre à quatre questions principales : quels événements se sont produits, comment les événements se sont produits, quelles sont les prochaines actions à entreprendre et quels événements sont susceptibles de se produire à l'avenir. L'analyse prédictive se concentre sur la réponse à la quatrième question, en nous donnant un aperçu des résultats potentiels de nos actions actuelles. 

Cet article présente des exemples d'analyse prédictive dans divers secteurs d'activité afin de démontrer les vastes possibilités de cette technologie. 

Qu'est-ce que l'analyse prédictive ?

Cette branche de l'analyse des données utilise diverses techniques pour anticiper les conséquences et les effets futurs. L'analyse prédictive utilise l'exploration de données, la modélisation de données, l'apprentissage automatique et l'apprentissage profond pour créer des modèles qui prédisent la probabilité de résultats futurs précis. Ce domaine de l'analyse des données utilise des modèles statistiques pour faire des prédictions exemptes de biais humains et basées sur des données historiques. 

Avoir une idée des événements futurs donne aux entreprises un avantage stratégique qui leur permet de réagir et de s'adapter plus rapidement que la concurrence. Grâce à l'analyse prédictive, les entreprises peuvent améliorer la sécurité de leurs données, analyser leur couverture d'assurance et améliorer leur prise de décision tant pour l'entreprise que pour le client. Grâce à l'analyse prédictive, les entreprises peuvent prévoir les ventes saisonnières, prendre des décisions plus intelligentes concernant les stocks et la logistique d'expédition, établir des stratégies de tarification et, d'une manière ou d'une autre, améliorer leurs résultats.

Modèles et techniques d'analyse prédictive

On utilise des modèles spécifiques au problème que l’on souhaite résoudre. On peut utiliser différentes techniques pour créer des modèles d'analyse prédictive, notamment des modèles de classification, des modèles de partitionnement, des modèles de séries chronologiques et des réseaux neuronaux. Ces modèles se chargent d’analyser les données et de donner un aperçu de ce qu'elles pourraient signifier. 

• Les modèles de classification : Un modèle de classification sépare les objets de données en sous-segments, en classant chaque objet par type. Ces modèles fonctionnent le mieux pour répondre à des questions de type oui ou non sur les données et peuvent être utilisés pour identifier des transactions anormales ou évaluer la solvabilité d'une personne ou d'une entreprise. Les modèles de classification les plus courants sont les arbres de régression et les arbres de décision.

• Les modèles de partitionnement : Les modèles de partitionnement utilisent l'apprentissage non supervisé pour prendre des décisions ouvertes, telles que le classement des clients en segments d'audience. Le modèle identifie des structures dans les données afin de déterminer le moyen le plus efficace d'organiser les données. Parmi les exemples de modèles de partitionnement, on peut citer le partitionnement par k-moyennes, le partitionnement par déplacement de la moyenne, le partitionnement hiérarchique et le modèle de mélange gaussien. 

• Les modèles de séries temporelles : Les modèles de séries temporelles permettent de savoir quand ou à quelle fréquence les événements se produisent. Par exemple, les modèles de séries temporelles peuvent prédire quelle période de l'année apportera le plus grand volume de trafic piétonnier à votre entreprise. Les modèles autorégressifs et les modèles de moyenne mobile sont deux modèles de séries temporelles couramment utilisés. 

• Les réseaux neuronaux : Un modèle de réseau neuronal simule la façon dont le cerveau humain traite les informations. Ce type d'analyse prédictive convient mieux aux situations complexes dans lesquelles les données ont une relation non linéaire entre elles. Par exemple, les réseaux neuronaux alimentent les services de modération de contenu qui suppriment les contenus nuisibles publiés en ligne en reconnaissant les mots-clés et les images. 

Exemples d'analyse prédictive

L'analyse prédictive peut apporter des informations aux entreprises de tous les secteurs et même à la sécurité publique. Par exemple, les prévisions météorologiques locales s'appuient sur la technologie de l'analyse prédictive. Examinons comment le big data et l'apprentissage automatique modifient les perspectives d'industries telles que l'industrie automobile, les services financiers, la fabrication, les soins de santé, le marketing et la vente au détail, ainsi que les industries du pétrole, du gaz et des services publics. 

Industrie automobile

L'analyse prédictive, ainsi que d'autres formes d'IA, ouvrent la voie aux véhicules à conduite autonome en prédisant ce qui se passera dans l'avenir immédiat lors de la conduite d'une voiture sur la route. Ce processus doit se dérouler en continu lorsqu'un véhicule est en mouvement, en tirant des informations de plusieurs capteurs et en évaluant les actions potentielles qui représentent un risque pour la sécurité. 

Tesla utilise l'analyse prédictive sous la forme d'accélérateurs de réseaux neuronaux pour ses véhicules à conduite autonome. Un modèle de réseau neuronal simule la manière dont le cerveau humain traite les informations pour prendre des décisions. 

Au-delà des véhicules autonomes, les fabricants et les détaillants peuvent également utiliser l'analyse prédictive à leur avantage. Par exemple, l'analyse prédictive aide les usines à créer des véhicules plus rapidement en utilisant moins de ressources. Les concessionnaires peuvent utiliser l'analyse prédictive pour les opérations de vente au détail et de marketing, notamment pour fixer les prix de vente en fonction de données tendancielles. En ce qui concerne l'entretien et les réparations de routine, l'analyse prédictive peut identifier les tendances en matière d'entretien des véhicules, ce qui permet aux concessionnaires d'encourager les clients à effectuer un entretien préventif. 

Services financiers et réduction des risques 

Lorsque vous recevez une alerte concernant une activité suspecte sur votre compte bancaire, vous pouvez remercier l'analyse prédictive d'avoir déterminé que quelque chose ne semblait pas normal en raison d'écarts par rapport à vos habitudes, comme une transaction effectuée dans une autre ville. Les institutions financières et d'autres entreprises utilisent l'analyse prédictive pour réduire les risques liés au crédit, lutter contre la fraude, prévoir les flux de trésorerie futurs, analyser leur couverture d'assurance et rechercher de nouvelles opportunités commerciales. Les entreprises utilisent l'analyse prédictive pour déterminer la probabilité qu'une personne ou une entreprise paie ses dettes ou manque à ses obligations.

Par exemple, la Société Générale met en oeuvre depuis 2015 dans ses réseaux bancaires le système d’applications Mosaic qui utilise des algorithmes d’apprentissage automatique et modélise les comportements des utilisateurs pour détecter et bloquer les tentatives de fraude externe, limiter les coûts liés aux opérations frauduleuses et protéger les clients de la banque [1]. 

Fabrication et automatisation industrielle

Dans un environnement de fabrication, l'analyse prédictive peut anticiper les pannes d'équipement importantes, qui peuvent être coûteuses et potentiellement dangereuses pour les employés. En analysant les défaillances passées des équipements, cette application de l’IA peut déterminer à quoi ressemble une défaillance imminente et avertir un employé lorsque les conditions commencent à sembler dangereuses. Des méthodes d'analyse prédictive similaires peuvent surveiller les situations qui présentent un risque pour la santé et la sécurité des employés, réduisant ainsi les accidents du travail et stimulant potentiellement le moral des employés. 

Par exemple, l’entreprise Renault Trucks a mis en place sur ses véhicules poids lourds son dispositif Predict de maintenance prédictive, composé de capteurs qui surveillent les pièces d’usure. Les données sont analysées pour prédire la fin de vie des pièces et programmer des opérations d’entretien avant la survenue d’une panne qui immobiliserait intempestivement le véhicule [2].

Secteur des soins de santé

L'analyse prédictive profite au secteur des soins de santé en prédisant l'apparition de maladies chroniques ou dangereuses. Les patients souffrant d'asthme ou de BPCO peuvent utiliser un dispositif d'analyse prédictive portable pour repérer les changements dans leur respiration qui pourraient signaler un problème. De même, un dispositif portable pourrait détecter les réactions allergiques au moment où elles se produisent et administrer automatiquement de l'épinéphrine au patient. 

En 2023, l’hôpital Bicêtre AP-HP a adopté l’application RlapsRisk® BC d’Opkins, qui aide à évaluer les risques de rechute du cancer du sein et obtenir une prédiction précise pour personnaliser et optimiser le traitement de chaque patiente [3].

L'analyse prédictive peut prédire les résultats d'infections telles que la septicémie sur la base des dossiers médicaux antérieurs des patients afin de déterminer le meilleur traitement. Les professionnels de la santé utilisent également l'analyse prédictive pour mieux connaître les taux de réadmission, se protéger contre les rançongiciels et autres cyberattaques, et traiter les prises en charge par l’assurance maladie plus rapidement et avec moins d'erreurs. 

Marketing et commerce de détail

Les professionnels du marketing utilisent l'analyse prédictive de différentes manières : pour adapter le marketing à des segments spécifiques de leur public cible, pour les prévisions de ventes saisonnières, pour améliorer les relations avec les clients et pour les fidéliser. Par exemple, une entreprise peut utiliser l'analyse prédictive pour alimenter un moteur de recommandation qui suggère de nouveaux produits aux clients en fonction des produits qu'ils ont déjà consultés ou achetés. Le comportement antérieur des clients peut également aider à prédire leur progression dans l'entonnoir des ventes. Ces informations peuvent vous aider à placer des dispositifs de communication ciblés afin d'engager un dialogue constructif avec les clients. 

Subway a utilisé l'analyse prédictive pour décider s'il fallait continuer à vendre son sandwich Footlong à 5 $ US. Leurs données ont montré que l’augmentation des ventes ne leur permettait pas de compenser la diminution du prix. Grâce à un programme d'analyse prédictive proposé par Mastercard, Subway a appris que les clients qui achetaient des sandwichs Footlong ajoutaient des articles supplémentaires à leur commande, tels que des chips ou une boisson. Grâce à de meilleures informations, Subway a pu prendre une décision éclairée sur sa stratégie de prix. 

Pétrole, gaz et services publics

En ce qui concerne le pétrole, le gaz et les services publics, on peut utiliser l'analyse prédictive pour prévoir la demande d'énergie sur la base de l’historique d'utilisation et des événements saisonniers tels que les conditions météorologiques. De même, les entreprises de services publics peuvent prédire comment les prix fluctueront probablement au fil du temps. 

À l'instar de l'industrie manufacturière, les entreprises de services publics peuvent utiliser l'analyse prédictive pour détecter les pannes d'équipement et les problèmes de sécurité. En raison de la nature potentiellement catastrophique des pannes et des dysfonctionnements des équipements dans le secteur des services publics, il est essentiel que les entreprises investissent dans l'analyse prédictive pour que les choses se passent le mieux possible. 

Cette technologie peut également rendre plus fiables et plus sûres les conditions de travail des employés dans des installations de production d'énergie potentiellement dangereuses. Par exemple, ExxonMobil utilise l'analyse prédictive pour le fonctionnement de ses stations de forage autonomes en Guyane. Grâce à l'IA et à l'apprentissage automatique, Exxon prédit les conditions idéales pour le forage sous-marin et met en place un système d'automatisation en boucle fermée afin de minimiser les interventions du personnel. 

En savoir plus avec Coursera

Si vous êtes prêt à en apprendre davantage sur l'analyse prédictive et à poursuivre une carrière dans l'analyse de données, envisagez la Spécialisation Analytics for Decision Making de l'Université du Minnesota sur Coursera. Ce programme adapté aux débutants peut vous aider à acquérir les bases de l'analyse commerciale, y compris l'analyse prédictive. Ou, si vous avez déjà une certaine expérience, envisagez l’Advanced Data Analytics Professional Certificate proposé par Google, également sur Coursera. Ce programme de sept cours peut vous aider à vous qualifier pour devenir un analyste en science des données et à affiner vos compétences, notamment en matière d'analyse statistique, de représentation visuelle des données et de communication des informations que vous obtenez.