Predictive Analytics

Predictive Analytics: les données connaissent l’avenir

Tirer les leçons du passé pour gérer l’avenir. Pour les entreprises, cela signifie: évaluer la probabilité d’événements futurs au moyen de Predictive Analytics pour en tirer des conclusions pertinentes.

Texte: Felix Raymann, Images: Alamy, Keystone, Strandperle, 20 octobre 2017

Acheter une boule de cristal ou faire confiance à une voyante ne comptent sûrement pas parmi les solutions envisagées par la plupart des entreprises pour améliorer leurs performances en matière de RH. Alors que faire pour savoir quels précieux collaborateurs vont bientôt démissionner? Comment détecter en interne les collaborateurs qui mériteront dans le futur une promotion? Predictive Analytics devrait permettre de répondre à ces questions: les probabilités d’événements ultérieurs sont calculées à l’aide des données de l’entreprise. Cette méthode permet de prédire des phénomènes économiques complexes au moyen de modèles comportementaux statistiques.

Les données collectées renferment un potentiel considérable

Dans certaines branches, le manque de main d’œuvre qualifiée est alarmant: les meilleurs collaborateurs démissionnent tandis que leur succession interne n’est pas encore assurée. Pour trouver une issue à cette situation difficile, l’entreprise a besoin de savoir comment retenir les meilleurs collaborateurs et comment identifier les talents cachés du personnel existant.

Une tâche malaisée, étant donné que les démissions semblent souvent tomber du ciel. Et les collaborateurs dont la promotion apporterait une plus-value à l’entreprise ne sont pas toujours ceux qui font le plus de bruit et qui savent le mieux se vendre. Les collaborateurs sont les ressources les plus précieuses d’une entreprise. Cela vaut la peine d’y regarder de plus près et d’utiliser les données disponibles.

Pour cela, les données concernant le personnel sont mises en relation les unes avec les autres. «Le plus grand nombre possible d’indicateurs tels que le salaire, l’évolution du salaire des dernières années, l’ancienneté, l’évaluation dans l’entretien avec le collaborateur ou l’âge servent de base», explique Martin Gutmann, Directeur Analytics & Data Consulting chez Swisscom. On peut se représenter la chose ainsi: le logiciel d’analyse SAP Predictive Analytics vérifie sur la ligne «Démission» la concordance avec tous les critères dans les colonnes. «Plus le nombre de critères pris en compte est élevé, plus la probabilité de concordances significatives augmente, ce qui permet alors d’émettre des prédictions», précise M. Gutmann. «De cette manière, vous détectez également des indicateurs qui ne sont pas évidents au premier abord, mais qui influencent quand même la démission. Par exemple l’évaluation du supérieur hiérarchique et même l’évaluation du patron de celui-ci», ajoute M. Gutmann.

Les données isolées ne révèlent rien

Pour pouvoir générer des données révélatrices, les informations et les données brutes doivent être agrégées en conséquence. «La correction, l’enrichissement et la préparation des données représentent 80 à 90% du travail», explique Martin Gutmann et illustre cela à l’aide d’un simple exemple: «Si l’on veut établir un pronostic pour les chiffres de ventes de sandwichs devant la gare de Berne, les chiffres des ventes passées en disent peu sur les ventes futures. Mais si on y ajoute d’autres indicateurs comme les conditions météo, le jour de la semaine ou les manifestations qui ont lieu à proximité, il est possible de faire des prévisions utilisables.» Au moyen d’algorithmes, le système calcule quelle combinaison d’indicateurs est la plus probable pour qu’un événement survienne.

Anticiper les besoins de la clientèle

Savoir à l’avance la manière dont les clients vont se comporter, la date idéale pour effectuer des opérations de maintenance ou la date à laquelle une fraude va avoir lieu, tout cela apporte un avantage concurrentiel important et évite les mauvaises surprises. Predictive Analytics a des usages très variés et convient à toutes les branches. Quelques exemples: dans le secteur du marketing, il permet de déterminer le groupe cible et le canal de communication approprié. Dans l’industrie, en particulier dans le secteur de la construction de machines et de projets d’IdO, les volumes de données générées peuvent être analysés. L’important, dans ce cas, est de détecter les anomalies afin de faciliter la maintenance. Le procédé est également utilisé dans la facturation pour pronostiquer la moralité de paiement des clients: quand on sait qu’un client va payer la facture en retard, mais qu’il va très probablement la payer, on renonce à envoyer un rappel et l’expérience du client reste positive.

Optimisations dans le secteur financier

Dans le secteur financier, Predictive Analytics permet d’optimiser et de mieux prévoir le cashflow. Les banques peuvent améliorer leur gestion du risque de crédit, optimiser leur portefeuille de clients ou mieux prévoir les opérations de blanchiment d’argent. «Plus une banque comprend ses clients, plus ses services de conseil sont bons. Au lieu de leur soumettre des solutions standard, on peut préparer des offres sur mesure grâce à une évaluation ciblée des données du client», décrit M. Gutmann. Dans une grande banque de Zurich, on essaie ainsi, dit-il, de déceler, à l’aide d’une analyse appropriée, les clients qui ne vont très probablement pas renouveler leur hypothèque. Churn Prediction (pronostics de pertes de clients) permet de trouver les clients susceptibles de résilier leur contrat et de s’adresser à eux de façon ciblée. «Pour cela, on tient compte de critères tels que l’âge, le sexe et le type de bien immobilier, mais aussi d’indicateurs tels que la détention de titres, les fluctuations du compte en banque ou l’utilisation du E-banking», explique M. Gutmann.

Predictive Analytics ne se contente pas de collecter les données

L’évaluation de données historiques n’est en soi rien de nouveau: elle est pratiquée depuis longtemps, surtout dans le commerce et dans le secteur des assurances. Mais ce qui a radicalement changé, c’est la quantité de données et surtout la facilité d’accès à des algorithmes performants qui permettent d’établir des pronostics. Contrairement à Business Intelligence (BI), Predictive Analytics ne transforme pas seulement des données non structurées en informations utiles mais décrit aussi des corrélations révélant des événements à venir.

Pour utiliser Predictive Analytics, certaines conditions préalables doivent cependant être respectées: les données, notamment, doivent être de bonne qualité et être disponibles en quantité suffisante. Dans ce contexte, la protection des données est un facteur important. Il ne s’agit pas seulement de respecter entièrement et en permanence les lois sur la protection des données: il faut également s’interroger sur les questions de morale et de sécurité.

Tools autoadaptatifs

De nos jours, les modèles prédictifs sont capables de se procurer régulièrement et automatiquement de nouvelles données et de mettre eux-mêmes à jour les résultats antérieurs. Cela entraîne une réévaluation et un perfectionnement continuels du pronostic. La recommandation des algorithmes ainsi révisée est analysée et discutée avec les experts en matière d’affaires, puis introduite étape par étape. La tendance va à l’automatisation de bout en bout: de la collecte et du traitement des données jusqu’à la mise en œuvre automatique des meilleurs modèles dans les systèmes informatiques en passant par leur élaboration et leur sélection sur la base de critères définis.

Predictive Analytics dans la gestion du capital humain

Les risques et tendances peuvent être identifiés très tôt par une analyse des données. Les données de RH entraînent notamment la création de rapports détaillés qui permettent d’agir de manière proactive pour promouvoir par exemple les collaborateurs précieux et les garder dans l’entreprise. Concrètement parlant, Swisscom propose un workshop d’idéation dans lequel les entreprises peuvent traiter leurs propres cas d’application de RH.

> En savoir plus sur le Smart Data Lab