Des données pour soutenir les décisions. Quelle est la bonne analyse pour votre entreprise?

Levez la main si vous n'avez jamais assisté à des réunions au cours desquelles des graphiques étaient projetés sur l'évolution de certains indicateurs clés (KPI) de votre entreprise: évolution des ventes, du chiffre d'affaires, de la production, de la qualité, etc. Cela est-il arrivé à presque tout le monde? Nous disposons d'une première définition: il s'agit de l'analyse descriptive. Analyse descriptive: outils qui donnent une description de la situation actuelle et passée des processus d'entreprise ou des domaines fonctionnels.

Ces types d'outils sont utilisés pour répondre à des questions telles que: Quel a été le produit le plus vendu au cours de la dernière période? Dans quelle province est-ce que je fais le plus de ventes? Lequel de mes produits est le plus rentable?

Ces outils utilisent des données commerciales sur des bases de données relationnelles classiques, des entrepôts de données, des cubes OLAP, des outils de veille stratégique pour voir les données de différents points de vue.

Je dirais qu'il est déjà très utile de disposer de ces informations pour étayer les décisions.

Mais dans un monde de plus en plus technologique et rapide, peut-on faire plus? Combien d'autres types d'analyses sont possibles et à partir de quelles sources? Pour répondre à ces questions, j'ai préparé une infographie (également un mot à la mode) qui les résume:

Explorons les outils suivants, le groupe de l'analyse prédictive.

Analyse prédictive: outils avancés qui, grâce à l'analyse de données, répondent à des questions sur ce qui pourrait se produire à l'avenir.

Ces outils sont profondément différents de leurs prédécesseurs, à la fois dans leur traitement sous-jacent et dans leurs résultats. Ils répondent à des questions telles que: Quelle pourrait être la tendance des ventes au cours de la prochaine période? À quelles ventes puis-je m'attendre à l'avenir dans une province donnée? Quelles sont les prévisions de vente pour un certain produit au cours du prochain trimestre?

En pratique, ces outils sont utilisés pour faire une prévision ou estimer une valeur, accompagnée d'une probabilité qu'elle se produise. Il s'agit d'outils statistiques avancés, comme ceux utilisés pour les prévisions météorologiques, mais appliqués à l'entreprise.

Mais comment arrive-t-on à ce résultat prodigieux? Principalement grâce à l'apprentissage automatique. Cela ouvre un autre chapitre, que nous aborderons plus tard. Pour l'instant, il faut savoir que le Machine Learning apprend à partir de données, donc pour mettre en place ces algorithmes, il faut des données, beaucoup de données, qui doivent décrire sous de multiples aspects ce que l'on a à étudier. Lorsque ces données commencent à présenter certaines caractéristiques de volume (quantité), de vitesse (acquises rapidement), de variété (données hétérogènes), de véracité (propres et fiables) et de variabilité (liaison du sens au contexte), nous pouvons alors parler de Big Data. Nous aborderons également ce sujet ultérieurement.

Grâce aux outils d'analyse prédictive, nous pouvons avoir une idée de ce qui pourrait se produire à l'avenir. Nous pouvons ainsi bénéficier d'un avantage concurrentiel équitable. Il semble que nous n'ayons besoin de rien d'autre, mais au lieu de cela...

L'analyse prédictive: des outils avancés qui peuvent identifier le meilleur scénario futur sur la base de l'analyse effectuée et le recommander.

En utilisant l'analyse prédictive que nous avons vue précédemment, nous sommes en mesure de faire des prédictions sur des facteurs individuels, mais ensuite, pour agir, nous devons rassembler toutes les réponses, créer des scénarios futurs et sélectionner celui qui nous rapproche le plus de nos objectifs. C'est ce que font les outils d'analyse prescriptive, en ajoutant à la fin la recommandation sur la manière d'agir, que ce soit sur le plan stratégique ou opérationnel.

Par exemple, un système d'analyse prescriptive pourrait analyser les tendances des ventes de tous les produits, intégrer ces données avec le sentiment du marché (l'internet peut fournir des données utiles à cet égard), faire des prévisions et recommander ensuite la modulation des stocks ou l'adoption de nouvelles lignes de produits au cours de la période suivante. On pourrait penser qu'un bon gestionnaire ne fait que cela, mais lorsqu'il y a tant (trop) d'informations à gérer et qu'elles changent rapidement, le fait de disposer d'un tel système vous donne un grand avantage concurrentiel.

Contrairement à l'analyse prédictive, un projet d'analyse prescriptive est plus complexe à mettre en œuvre et est spécifique à un domaine (entreprise, secteur, etc.). Il n'existe donc pas d'outils prêts à l'emploi car les décisions recommandées par le système sont liées au sujet spécifique et le projet doit être conçu sur mesure.

Les outils d'analyse prescriptive sont basés sur ceux déjà décrits ci-dessus (Prescriptive Analytics), ils utilisent donc toujours le Machine Learning et le Big Data.

Les projets d'analyse prescriptive comprennent également, par exemple, les véhicules autopilotés, qui analysent en permanence les scénarios futurs et ne se contentent pas de recommander une manœuvre: ils l'exécutent. Je classerais plutôt ces types d'outils dans la catégorie suivante: l'analyse automatisée.

Analyse automatisée: outils capables de mettre en œuvre de manière autonome l'action proposée sur la base du résultat de l'analyse des données effectuée.

Avec l'analyse automatisée, vous ne demandez pas à un système de prendre des décisions commerciales stratégiques, vous prenez de petites décisions qui doivent être mises en œuvre dans un délai très court.

Par exemple, un système d'analyse automatisée peut « deviner » qu'une transaction par carte de crédit est frauduleuse et la bloquer, ou il peut varier de manière autonome les prix des produits affichés sur un site web (tarification dynamique) pour tirer le meilleur parti de la situation du marché.

Dans le domaine industriel, un système d'Automated Analytics peut, par exemple, décider de changer un outil sur une machine automatique parce que les paramètres de stress, comparés à un outil neuf, suggèrent qu'il est usé; il peut analyser le bruit émis par les machines et les arrêter parce qu'une anomalie se présente; il peut améliorer le temps de cycle d'une machine en « apprenant » ce qui la ralentit, etc.

D'une manière générale, dans le domaine industriel, les systèmes d'Automated Analytics permettent de réaliser à la fois de nouvelles actions et celles qui ont été réalisées jusqu'à présent avec l'automatisation classique, mais dans ce cas avec une différence importante: le système d'Automated Analytics peut s'adapter et réagir à des situations imprévues, tandis que le système d'automatisation classique exécute les actions prédéfinies en fonction des cas introduits dans le programme.

Les outils d'analyse automatisée sont également principalement basés sur l'apprentissage automatique et les données massives (Big Data).

Conclusion

J'espère avoir clarifié, au moins un peu, les possibilités offertes par les outils d'analyse des données.

Vous devriez avoir deviné quels outils peuvent vous être utiles. J'espère maintenant que vous avez également à l'esprit les premiers éléments constitutifs du schéma global: parmi les quatre catégories d'outils d'analyse de données que nous avons vues, la première peut encore être basée sur des bases de données classiques (données dans des tableaux), tandis que les trois autres, plus avancées, utilisent principalement l'apprentissage automatique et les données massives (Big Data). Nous verrons dans les prochains articles ce qu'ils sont et comment ils peuvent être utilisés. Restez à l'écoute!