De quoi demain sera fait? L’analyse prédictive aide les entreprises à y voir clair

Il y a quinze ans était projeté sur nos écrans Minority Report, qui nous transportait dans le futur où des précogs, sorte de mutants aux capacités intellectuelles supérieures, donnaient aux services de police la possibilité d’anticiper les crimes. Pour réaliser ce film, Steven Spielberg trouva son inspiration dans une nouvelle de Philipp K. Dicks parue en 1956. Le phénomène remonte néanmoins bien plus loin dans le temps.

L’analyse prédictive occupe aujourd’hui une place importante lorsque l’on parle d’analytics. Sans être une science nouvelle en tant que telle, elle trouve ses fondements dans la théorie des jeux et, plus récemment, dans le data mining. Si les précogs ne sont qu’un pur produit sorti de l’imaginaire du romancier, la ville californienne de Modesto (200 000 habitants) utilise PredPol, un algorithme permettant de définir les quartiers à plus haut risque de délits en fonction du jour et de l’heure. C’est ainsi qu’une baisse de plus de 25% des cambriolages et une forte augmentation des arrestations ont été constatés avec une priorité renforcée des patrouilles dans les secteurs identifiés.

Nous concevons aujourd’hui l’analyse prédictive comme une science à part entière. Celle-ci se base sur des techniques s’appuyant sur des événements passés mais également présents et permet de détecter des tendances, de faire des corrélations dans les données afin d’anticiper un comportement futur.

Progrès techniques

Le point de départ d’une démarche prédictive est de définir le bon cas d’usage. Celui-ci doit comporter un intérêt métier au retour sur investissement espéré et de l’information doit être disponible à ce sujet. La donnée et sa manipulation sont deux éléments centraux d’une telle approche, représentant jusqu’à 80% du travail. Il s’agit en effet, à l’instar de ce qui se pratique en matière de business intelligence, d’identifier, de manipuler, d’intégrer, de consolider ou encore d’améliorer sa qualité au besoin. Par la suite, en fonction du cas d’usage, les algorithmes les plus probants seront sélectionnés, paramétrés et appliqués au jeu de données. La base du modèle prédictif est ainsi créée. Il s’agira enfin, à travers plusieurs itérations, d’amener le modèle vers un taux de confiance et de robustesse maximisés et d’envisager son intégration au sein du système d’information.

Les travaux actuels diffèrent de ce que l’on connaissait par le passé dans la mesure où de nouvelles techniques comme l’intelligence artificielle sont intégrées. On parle notamment de machine learning et de réseaux de neurones. Les modèles prédictifs sont capables de s’autoalimenter de manière automatique selon une fréquence définie de nouvelles données et d’apprendre par eux-mêmes de résultats passés. Ceci permet de réévaluer continuellement la pertinence des modèles. Tout cela n’est possible que grâce à l’évolution des technologies, qui permettent d’atteindre une puissance de calcul sans précédents.

Applications variées

L’attrait pour l’analyse prédictive vient du fait que ses cas d’usage sont quasiment illimités. Au niveau des fonctions transversales d’entreprise, on peut rapidement identifier des cas touchant aux ressources humaines (identification des causes de départ volontaires), à la finance (optimisation et prévision de la trésorerie) ou encore au marketing (cross/up-selling de produits). Mais la matrice peut se compléter en se plaçant d’un point de vue sectoriel là où, à titre d’exemple, les banques vont pouvoir améliorer la gestion du risque crédit, optimiser le portefeuille de leurs clients ou encore mieux anticiper le blanchiment de fonds.

Concrètement, toute entreprise souhaitant amorcer la dynamique du prédictif devrait toujours débuter par l’étude d’un cas simple. Cela permet à la direction générale et aux métiers concernés de comprendre les différentes logiques inhérentes à ce monde de la data science et d’en voir rapidement les bénéfices.

Comme tout projet, l’investissement dans l’analyse prédictive doit se justifier et pouvoir être mesuré. Prenons l’exemple d’une direction des ressources humaines comme client: elle souhaitera à la fois voir la satisfaction de ses collaborateurs augmenter, mais aussi leur fidélité à l’entreprise. En effet, le coût d’acquisition d’un talent est généralement bien plus onéreux que le coût pour le retenir.

Ainsi, en phase amont de projet, des objectifs quantifiables, réalistes et atteignales doivent être fixés.

En utilisant une démarche agile, itérative et très orientée sur le retour sur investissement, il est possible de mettre en place de l’analyse prédictive à moindre frais. En quelques jours, il est alors possible de démontrer la plus-value apportée par ce type d’analyse.

Conclusion

L’analyse prédictive a de beaux jours devant elle, tant ses applications sont multiples. Son succès est largement lié à la masse de données produite actuellement par les millions d’objets connectés dans le monde. A l’avenir, l’omniprésence des solutions prédictives est d’autant plus assurée que les experts estiment à près de 200 millions le nombre d’objets connectés d’ici 2020.

Pour autant, les solutions développées – aussi innovantes soient-elles – doivent systématiquement répondre aux normes légales en matière de protection des données. L’éthique joue dans ce contexte un rôle prépondérant et les ingénieurs devront composer avec leur volonté d’innover ainsi qu’avec les limites posées par le législateur. Le fait que Minority Report se conclue justement sur la réflexion de savoir jusqu’où l’utilisation d’un tel système peut nous entraîner n’est pas un hasard.