L’analyse prédictive occupe aujourd’hui un rôle central dans les processus de décision stratégique des entreprises et constitue, avec le Big Data, la troisième révolution dans l’industrie logiciels après le cloud computing et l’automatisation des tâches opérationnelles.
Elle permet aux entreprises d’exploiter une quantité de données considérable collectées auprès de leurs clients, de leurs marchés, des réseaux sociaux, des applications en temps réel, ou encore du cloud. L’objectif étant, in fine, d’apprendre de ces données pour mieux orienter la prise de certaines décisions stratégiques futures en se basant sur des probabilités. En sachant que plus de 90% des données ont été créées ces deux dernières années sur le plan mondial, les entreprises sont prêtes à investir pour s’équiper de différents outils d’analyses prédictives afin d’exploiter cette mine d’or à bon escient et d’anticiper les futures tendances marché et clients.
Cependant, comme pour toute initiative largement axée sur la technologie, pour mettre en place un projet d’analyse prédictive performant, les entreprises doivent d’abord intégrer une politique de gouvernance des données efficiente. Bien souvent, la gestion des données est négligée au détriment de la volonté de l’entreprise à dévoiler les résultats des investissements analytiques réalisés. Pour obtenir des résultats d’analyse prédictive pertinentes, il est nécessaire de prendre du recul et mieux comprendre les nouvelles exigences en matière de gouvernance des données et savoir comment les relever.
Les 5 leviers clés du succès d’un projet d’analyse prédictive :
Impliquer l’ensemble du personnel de l’entreprise dès le démarrage du projet
Il est possible qu’un seul département utilise l’analyse prédictive, mais les connaissances acquises peuvent concerner d’autres départements de l’entreprise. L’analyse prédictive pouvant contribuer à la transformation des processus de l’entreprise dans son ensemble, le panel d’utilisateurs concerné est potentiellement large et les usages couverts au sein de l’entreprise sont nombreux (marketing prédictif, data mining, algorithmes de Machine Learning, etc.).
Associer l’analyse prédictive aux besoins de l’entreprise
De manière générale, les entreprises déploient le plus souvent une solution d’analyse prédictive pour renforcer leur compétitivité (57 %), créer de nouvelles sources de revenus (50 %) et améliorer la rentabilité (46 %). Le passage à l’analyse prédictive axée davantage sur l’exploration et l’analyse statistique des données comporte un certain nombre de nouvelles exigences de qualité de la donnée auxquelles les entreprises n’avaient jamais été confrontées auparavant. Dans un premier temps, l’analyse prédictive produit de meilleurs résultats grâce une quantité exponentielle de données disponibles via une grande variété de sources. Il est essentiel de définir précisément les besoins particuliers de chaque département et de déterminer comment l’analyse prédictive répondra à ces besoins. La démarche doit être la plus spécifique possible. L’analyse prédictive n’est pas toujours axée sur les tendances, mais elle peut aussi consister à trouver des données importantes, des évènements et des conditions qui sont atypiques par rapport à la norme.
Allier l’analyse prédictive aux autres initiatives stratégique dans l’entreprise
De nombreux investissements sont réalisés dans divers projets liés au Big Data. En France, le marché du Big Data était estimé à 445 millions d’euros à fin 2016 selon IDC. Fusionner un projet d’analyse prédictive à ces projets permettra de justifier leur coût et leur complémentarité. L’analyse de rentabilité peut être encore plus convaincante en précisant que l’analyse prédictive apporte une plus-value lorsqu’elle est utilisée stratégiquement pour tirer parti d’autres investissements technologiques en cours.
Etablir une culture « data first »
Avec la multiplication des données provenant d’une grande variété de sources internes et externes à l’organisation, des administrateurs de données doivent être nommés pour gérer les politiques de gouvernance, le sens et la qualité des données. Ce niveau de gouvernance des données n’est peut-être pas nécessaire pour certaines initiatives d’analyse prédictive, cela dépendra de la teneur des analyses et résultats, s’ils seront critiques ou non pour l’entreprise. Si les analyses s’avèrent critiques, les résultats auront un impact très direct sur les opérations et, in fine, sur la qualité de l'expérience client. L'amélioration de l'expérience client étant l’objectif n°1 pour les entreprises.
Procéder étape par étape
Comme pour de nombreux projets largement axés sur la technologie, un déploiement est beaucoup plus simple lorsqu’il est décomposé en plusieurs étapes. Par exemple, pour les projets complexes, il est préférable de décomposer le projet global en une série de petits projets. Si le projet nécessite un travail important, il est nécessaire de prévoir des calendriers et des livrables distincts pour chaque phase. Ainsi, les parties prenantes seront informées et mobilisées tout au long de la réalisation du projet.