Predictive analytics
Faire des pronostics et découvrir des corrélations. Voilà les deux objectifs de l'analytique prédictive. Les entreprises utilisent de plus en plus souvent cette technique pour prévoir le comportement futur des clients. Comme par exemple le risque que votre client passe à la concurrence.
Entreprendre, c’est prévoir. Et c'est exactement ce que fait l'analytique prédictive : déterminer la probabilité qu’un événement donné se produise à l’avenir.
La popularité croissante de cette analytique est due à deux causes : le cloud computing et l’open source software. Dans le cloud computing, les données sont stockées et traitées via l’internet. Les entreprises ne doivent plus acheter de logiciels et de matériel. Au lieu de cela, elles ‘louent’ une capacité externe de calcul et de stockage, au moment qui leur convient le mieux. L’avantage complémentaire, c’est que les entreprises n’ont plus à payer leur entretien (onéreux).
L’analytique prédictive commence avec les données
L’analytique prédictive dépend totalement des données et celles-ci sont réparties dans différentes catégories :
Données historiques contre real time data
Les ‘données historiques’ offrent de nombreuses informations : ce sont les données du passé, étudiées pour y découvrir des corrélations. De plus en plus d’entreprises analysent aussi les informations en temps réel, comme les données GPS des téléphones mobiles des consommateurs.
Données internes contre données externes
Les entreprises génèrent des masses de données sur leurs clients au fil des ans : fidélité des clients, nombre de contrats, valeur contractuelle totale, chiffre d’affaires par client, visites des clients, réclamations, etc.
Ces données internes, vous pouvez les compléter avec des données externes. Vous pouvez par exemple récolter des données sur le nouveau produit de votre concurrent. Ou aller chercher des commentaires sur les réseaux sociaux. Les données du marché sont indispensables aussi. Il est crucial de savoir si vous êtes sur un marché en croissance ou en déclin.
Ces données vous permettent de faire des prédictions : donc, plus vous récoltez de données, au mieux. La précision des prédictions augmente avec la taille de votre collection de données.
Comment prédire ?
Si vous voulez effectuer des prédictions, deux possibilités s’offrent à vous en gros.
- Vous pouvez récolter vous-même les données et effectuer des analyses prédictives.
- Vous pouvez aussi, de plus en plus, acheter des prédictions et recourir à un nombre accru de fournisseurs de SaaS, comme par exemple INfer et Fliptop. Ceux-ci génèrent via des plug-in un 'predictive leadscoring', sans que vous deviez apporter vous-même une contribution.
Dans le cas d’une prédiction, vous déterminez la probabilité qu'un événement donné se produise ou pas. Vous calculez par exemple la probabilité que le client X vous quitte dans le courant de cette année.
Vous essayez aussi de découvrir les liens ou corrélations entre différentes variables, afin de pouvoir contrôler certains résultats. Vous pouvez ainsi déterminer s’il y a un lien entre le chiffre d’affaires d’un client et le nombre de visites qu'il reçoit.
Les scores déterminent le comportement des clients
Vous voulez par exemple connaître la probabilité qu’un certain client cesse sa collaboration avec vous. La predictive analytics étudie à cet effet toutes les variables pouvant avoir une influence sur votre collaboration avec le client.
Dans ce cas, il se peut que le nombre de réclamations des années passées exercent un impact important, par exemple. Mais le nombre de visites chez le client et les échanges de mails vont également influencer votre collaboration future. Toutes ces données sont étudiées par un programme logiciel pour détecter les liens. Le résultat peut être une prédiction sur la base d'un score. Exemple : la probabilité que le client A vous quitte cette année, est de 60%.
Les prédictions ne doivent d’ailleurs pas se limiter aux clients existants. L’analytique prédictive vous permet aussi de prédire la probabilité que certains prospects deviennent des clients. Elle compare le profil du prospect à celui des clients existants. Plus il y a de concordance entre les deux, plus la probabilité que le lead s’engage avec vous est grande.
Lisez aussi:
La précision augmente
Plus souvent vous utiliserez l’analytique prédictive, plus les résultats seront fiables. Vous pouvez en effet vérifier si les prédictions se sont vraiment réalisées. Et ajouter ces résultats à votre série de données existante. Le système devient donc de plus en plus intelligent, les prévisions plus précises.
Ce qui est amusant avec l’analytique prédictive, c’est que vous ne savez jamais au préalable quelles corrélations vous allez découvrir. Vous pourriez par exemple apprendre que les clients qui réclament sont beaucoup plus fidèles que vous le pensez.
Du prédictif au prescriptif
Il n’est pas très intéressant de vous contenter de récolter les données. Les corrélations et les prédictions ne servent à rien si vous n’agissez pas en conséquence. C’est pourquoi vous devez passer du prédictif au prescriptif. En d’autres termes : entreprendre une action vous permettant de contrer une prédiction donnée, ou justement la renforcer, parce que vous en connaissez le résultat à l’avance. Voici quelques exemples inspirants :
Stock de couques
Wall-Mart, la chaîne américaine de supermarchés, a fait une très étrange découverte. Les analyses de vente ont révélé qu’en cas de tempête prévue, les consommateurs stockent des couques supplémentaires pour le petit déjeuner. Wall-Mart avait déjà constaté précédemment que lorsqu’une tempête était annoncée, les consommateurs achètent des lampes de poche et des piles. Wall-Mart utilise ces informations pour compléter les stocks. Lorsque les services de météorologie annoncent des tempêtes, Wall-Mart réapprovisionne ses rayons en lampes de poche et en piles, et maintenant aussi en couques pour le petit déjeuner.
Prédire les fermetures d'entreprises = prévenir les pertes
Le Discontinuation Score de Graydon prévoit pour chaque entreprise la probabilité qu'elle ait cessé d'exister dans les 12 prochains mois. Il ne s’agit pas tellement de faillites, mais de fermetures d'entreprises. Ce score est calculé sur la base de différentes variables, comme le comportement de paiement de l’entreprise, les comptes annuels et des facteurs ‘démographiques’ comme l’âge, la taille, la forme juridique et le secteur. Le score tient également compte des 'modèles exceptionnels' qui influencent la santé de l'entreprise. Songez aux changements fréquents d'administrateurs, ou à l'implication des administrateurs dans des faillites et liquidations précédemment.
Les informations sur les fermetures sont cruciales pour les Finances. Les clients ou fournisseurs qui en sont là exercent un impact sur le cash-flow de l'entreprise. Auparavant, on partait du principe que chaque année, 5% des entreprises cesseraient d’exister. Sur un chiffre d’affaires d’1 million d’euros, cela impliquait un risque de 50.000 euros. Le Discontinuation Score est beaucoup plus précis. Le score permet de déterminer au niveau des débiteurs quelle partie du chiffre d'affaires est menacée. Le score peut révéler que les débiteurs associés à un risque accru de liquidation ont en moyenne un chiffre d’affaires plus élevé. Dans ce cas, vous devez tenir compte d’une perte de 80.000 au lieu de 50.000 euros. Ces informations sont intéressantes pour les sales et le marketing aussi. En ne consacrant pas de budget aux entreprises sur le point de disparaître, les départements peuvent augmenter leur rendement.
L’analytique prédictive s’achève avec l’application
Ce que vous faites avec les résultats, détermine finalement la plus-value que l’analytique prédictive peut offrir. La puissance de la valeur prédictive réside partiellement dans la qualité des données. Ce n’est en effet pas simple de maintenir la qualité des données à niveau. Il faut aussi des compétences pour traduire les résultats en opportunités et risques, et les transposer ensuite en processus et actions.