Predictive Analytics

Comment les entreprises génèrent une valeur ajoutée grâce à l’analyse prédictive


Les analyses ciblées des données permettent les pronostics sur les événements commerciaux futurs. L’analyse prédictive aide à mieux planifier les conditions de production, les flux de trésorerie ou les stocks dans de nombreux secteurs. Nos exemples concrets montrent le potentiel de la modélisation prédictive des données.


Texte: Felix Raymann, Images: ©Alamy, Strandperle, Banque nationale suisse, 24




Utiliser des données historiques pour prédire les événements et les tendances futures – c’est l’objectif de l’analyse prédictive (Predictive Analytics PA). Les données d’entreprise collectées contiennent beaucoup d’informations qu’il est pratiquement impossible de traiter manuellement, mais qui peuvent être rapidement trouvées et évaluées dans l’analyse automatisée. «De nombreuses entreprises, dans pratiquement tous les secteurs, peuvent bénéficier de l’analyse prédictive. Partout où les processus sont basés sur de nombreuses répétitions, la collecte de données au fil du temps produit une grande quantité d’informations exploitables qui permettent d’établir des pronostics», explique Martin Gutmann, responsable Analytics & Data Consulting chez Swisscom. Cela peut être le cas presque partout – par exemple dans le commerce, avec l’IoT ou le machine learning, dans le calcul des flux de trésorerie, la planification du personnel et l’identification des risques ou encore dans la production industrielle et la maintenance des machines.

Par exemple, un système logistique produit beaucoup de données qui peuvent être utilisées pour la planification des ressources. Chaque jour passé par un produit dans l’entrepôt coûte de l’argent. Sans optimisation, les entrepôts sont généralement trop pleins, car on ne veut pas risquer des retards de livraison. «Nous sommes en discussion avec diverses PME qui souhaitent optimiser la gestion de leurs stocks grâce à l’analyse prédictive. Grâce aux prévisions assistées par le système, l’état des stocks peut être planifié avec beaucoup plus de précision, ce qui permet de réaliser d’énormes économies», souligne M. Gutmann. La gestion des stocks n’est qu’un exemple parmi tant d’autres. Les deux exemples suivants montrent comment Swisscom utilise concrètement et avec succès l’analyse prédictive:

 


Exemple 1: optimiser le flux de trésorerie à l’aide de prévisions

Le service Treasury joue au sein de Swisscom le rôle d’une banque interne et est responsable, entre autres, de la planification des liquidités pour l’ensemble du groupe. Le service s’est rapproché de l’équipe d’analystes de données de Swisscom dans le but de mieux planifier les flux de trésorerie. L’optimisation de ces flux recèle un grand potentiel d’économies. En moyenne, 30 millions de francs suisses sont crédités chaque jour sur le compte, à cause des factures envoyées aux clients privés. Mais les responsables du service Treasury ne savent pas à l’avance quel jour exactement combien d’argent arrivera. Connaître ces recettes est important parce que les liquidités ne doivent pas être trop élevées, mais aussi pas trop basses. La liquidité minimale est actuellement aux alentours de 50 millions de francs suisses, sur lesquels s’applique des intérêts d’1,6 pour cent. Le fait est que si les recettes journalières peuvent être prédites plus précisément, la liquidité minimale et donc les coûts peuvent être considérablement réduits.





C’est pourquoi les analystes de données de Swisscom préparent actuellement pour chaque jour une prévision sur le montant probable des paiements entrants. La procédure est la suivante: en analysant les données stockées des derniers mois, les analystes peuvent identifier des corrélations et des facteurs d’influence entre les paiements entrants et d’autres facteurs. Différentes sources de données sont utilisées et des variables sont définies. Par exemple, le système prend en compte si des jours fériés ou des périodes de vacances se situent dans la période concernée, si un jour examiné est au début ou à la fin d’un mois, de quel jour de la semaine il s’agit, et caetera. Plus ce type de facteur est pris en compte, plus le flux de paiement peut être prédit avec précision pour un jour donné ou pour des cycles de plusieurs jours.

Jusqu’à récemment, Swisscom Treasury faisait encore des prévisions manuelles pour anticiper les flux de trésorerie. Grâce à l’expérience et aux valeurs historiques de 20 ans, on obtenait auparavant un écart de plus ou moins 5 millions de francs suisses par rapport aux 30 millions de francs suisses reçus en moyenne chaque jour. Ces calculs étaient établis en continu avec des tableaux Excel rudimentaires de seulement deux variables. Les nouvelles prévisions basées sur des algorithmes sont non seulement plus rapides, mais aussi plus précises: avec la nouvelle méthode, cet écart peut maintenant être réduit à 3 millions de francs suisses par jour, ce qui, en raison des taux d’intérêt, se traduit par des économies annuelles d’environ 30 000 francs suisses. Il ne s’agit pas d’une somme énorme, mais l’exemple montre que Swisscom Treasury a pu optimiser la planification avec ce petit projet et un effort minimum. Le principal avantage, cependant, est que tout l’effort d’analyse manuelle est maintenant éliminé.

Au fil du temps, le système apprend constamment de nouvelles choses: Swisscom Treasury livre chaque mois les chiffres réels des recettes aux analystes, qui utilisent les données pour améliorer le système d’analyse. Mais il y a encore du potentiel: Swisscom Treasury pourrait envisager d’autres optimisations à l’avenir, ou encore des analyses portant non seulement sur le nombre total de factures établies, mais aussi sur chacun des clients. Toutefois, cela nécessiterait un traitement des données beaucoup plus complexe.


Exemple 2: reporting client complet

Pour les entreprises, les clients sont parfois une boîte noire, une personne inconnue dont les particularités et les besoins sont en grande partie mystérieux. Dans de nombreuses entreprises, différents services sont occupés à collecter assidument des données et à créer manuellement des rapports pour en savoir plus sur leurs clients. Chez Swisscom Natel Pay, les responsables essaient de remplacer les rapports qui nécessitent beaucoup d’efforts, et ne peuvent être réalisés que de manière ponctuelle, par une analyse automatique en temps réel. L’analyse prédictive est utilisée pour en savoir plus sur le comportement général des clients chez Natel Pay. Au lieu d’accumuler seulement quelques caractéristiques, il faut créer une vue d’ensemble. Le projet ne fait que commencer, mais il est déjà clair, d’après les tests, que plus il y a d’informations sur les besoins des clients, mieux le service peut répondre à leurs besoins et agir en conséquence. Swisscom traite toujours ces données avec soin, car la protection des données reste toujours la priorité absolue dans le traitement des données des clients.

Chez Natel Pay, l’analyse prédictive est utilisée à différents niveaux: avec la fonction qu’on appelle Carrier Billing, les clients ont la possibilité de payer les applications, les services numériques ou les produits par facture de téléphone portable. Pour pouvoir faire des prévisions, il est nécessaire de trouver des corrélations jusqu’ici cachées dans les enregistrements de données: quels clients utilisent quels services? Les utilisateurs d’Android âgés de 25 ans sont-ils plus fiables que les utilisateurs d’iPhone âgés de 40 ans? Existe-t-il un lien entre le type d’abonnement de téléphonie mobile et le type de produits achetés? Le modèle de calcul tente d’apporter des réponses à de nombreuses questions de ce type. En fonction du résultat, des produits plus adaptés peuvent être offerts, des remises peuvent être accordées sur les services préférés ou les clients peuvent se voir imposer une limite de dépenses.





Pour répondre à toutes ces questions, les analystes de données ont utilisé plusieurs douzaines de variables et ont cherché des corrélations entre toutes ces variables. Elles comportent diverses informations, par exemple sur la démographie, le comportement des utilisateurs ou les transactions passées. N’importe quel employé peut facilement relier deux variables l’une avec l’autre à l’aide d’un tableau Excel. Mais cela devient plus difficile avec des douzaines ou même des centaines de données. C’est précisément là que réside le potentiel des modèles automatisés, qui peuvent révéler des connexions cachées et des corrélations insoupçonnées.

«Pour comprendre les processus et trouver les interrelations complexes de tous les facteurs d’influence, nous avons d’abord exploré avec des experts de l’entreprise les variables avec lesquelles nous pourrions effectuer les calculs», explique Martin Gutmann. Il est également nécessaire de déterminer quelles sources de données sont appropriées et comment les données peuvent être utilisées. «La préparation des données est une tâche de grande envergure et représente, en général, le plus gros effort», ajoute M. Gutmann.

Les défauts de paiement des débiteurs sont également analysés. Pour beaucoup d’entreprises, ils font partie des grandes inconnues. Les paiements pour des produits qui ont déjà été livrés ne sont parfois pas honorés, comme le découvrent toutes les sociétés de vente par correspondance qui proposent le paiement à réception de la facture. Afin de maintenir les pertes aussi faibles que possible, certains clients peuvent se voir attribuer une limitation des dépenses individuelles. Mais quels clients devraient être affectés par une telle limite? Qui paie en retard? Qui ne paie pas du tout? Et pour finir, on ne doit faire fuir aucun client fidèle parce qu’il a commis un simple oubli. Par exemple, il y a des clients qui ne paient régulièrement leurs factures que quelques jours après l’expiration du délai de paiement. Certes, ces clients ne suivent pas exactement les règles, mais ils sont fiables et n’ont pas besoin d’être ennuyés par des rappels inutiles. Cela permet non seulement d’économiser sur les opérations administratives et donc sur les coûts, mais aussi d’améliorer durablement la relation avec le client. Avec la méthode d’analyse prédictive, de tels cas peuvent non seulement être évalués avec plus de précision, mais aussi beaucoup plus rapidement et avec moins d’efforts.


Analyses rapides, apprentissage continu

Les exemples décrits montrent comment les analyses de données prédictives génèrent un bénéfice concret. Par rapport aux analyses manuelles, l’analyse prédictive est non seulement plus rapide et plus précise, mais aussi plus objective: «Par exemple, lorsque les collaborateurs font des prévisions sur les ventes futures, la psychologie joue toujours un rôle. Les points de vue subjectifs ou les corrélations apparentes peuvent parfois avoir une influence sur le résultat», explique Martin Gutmann. Plus il y a de données disponibles, meilleur est le modèle applicable.

L’analyse basée sur les données trouve parfois des corrélations surprenantes qui ne peuvent pas être détectées manuellement. Cependant, pour pouvoir interpréter les relations de cause à effet, il est nécessaire d’avoir des connaissances spécialisées dans le domaine d’activité concerné. Martin Gutmann le sait: «Parce que les opinions des experts sont importantes pour obtenir des résultats significatifs et améliorer continuellement le système, les analystes sont toujours en contact étroit avec l’entreprise.»





Hand with smartphone

Newsletter

Vous souhaitez recevoir régulièrement des articles et Whitepapers passionnants sur des activités TIC actuelles?