Toutes les entreprises possèdent des données. Certaines en tirent de l'or, mais d'autres se contentent de les collecter dans l'espoir d'en obtenir un jour la valeur.
S'il n'y a pas de voie facile pour maximiser la valeur de vos données, il existe au moins une progression claire. Dans ce dernier billet d'une série de quatre (Analyse Descriptive, Analyse des Flux, Analyse Prédictive), nous examinerons comment nous pouvons utiliser notre analyse prédictive pour façonner l'avenir.
La construction d'un modèle prédictif n'est pas un processus unique. C'est un processus qui exige une évaluation, un suivi et un recyclage continus. Le test décisif est la qualité de vos prédictions réelles avec des données jamais vues auparavant. Vous avez peut-être construit un modèle qui mesure avec une précision impressionnante 99 % des données, mais si chaque prédiction qu'il fait avec de nouvelles données est fausse, elle ne vaut absolument rien. De même, un modèle qui, au début, fait des prédictions stellaires peut se dégrader à mesure que les modèles sous-jacents dérivent.
Avec le temps, vous développerez un certain nombre de modèles différents qui feront des prédictions pour différents aspects de votre activité. Vous aurez continué à suivre l'efficacité de ces modèles, à séparer le signal du bruit, ce qui vous mènera à notre dernière étape: l'analyse prescriptive.
Nos modèles prédictifs sont tous basés sur des données historiques et si nous avons prouvé que ces modèles sont une représentation exacte de notre activité, nous avons le pouvoir de commencer à appliquer la méthode scientifique. Nous pouvons formuler une hypothèse, simuler le scénario dans nos données et voir quelles sont les implications grâce à nos modèles prédictifs.
L'un des meilleurs exemples concrets est documenté par Michael Lewis dans son livre Moneyball. Il suit le manager de l'équipe de base-ball Oakland A's, une équipe à petit budget qui a réussi à égaler les performances de l'équipe au budget le plus élevé, les New York Yankees. En 2002, les deux équipes ont remporté 103 matchs, mais le coût par victoire des A s'est élevé à 0,39 millions de dollars, contre 1,22 million de dollars pour les Yankees, soit une économie de 85 millions de dollars sur l'année.
Comment y sont-ils parvenus ? Leurs modèles ont révélé des relations prédictives qui ne correspondaient pas aux idées reçues. En menant de nombreuses expériences à partir des données des joueurs historiques, ils ont pu affiner encore les attributs dont ils avaient besoin dans l'équipe. Ils ont pu exploiter ces données pour engager des joueurs que le marché considérait comme de faible valeur mais qui possédaient les attributs qui leur permettraient de remporter les victoires prévues par leurs modèles.
Nous pouvons obtenir des avantages similaires dans d'autres secteurs comme la vente au détail. Connaître la demande de produits est utile pour faire des prévisions, mais que faire si l'on peut déterminer les causes de cette demande ? Pourriez-vous en tirer parti pour augmenter la demande de produits moins populaires ou pour étendre la demande de produits à forte valeur ajoutée ? En fin de compte, l'analyse normative vous permet d'optimiser votre activité.
Pour compléter votre démarche, vous pouvez commencer à explorer le domaine de l'intelligence décisionnelle en utilisant vos données historiques, vos modèles prédictifs et vos scénarios prescriptifs pour prendre des décisions fondées sur les données pour votre entreprise.
La limite de la valeur de vos données est la quantité d'efforts que vous déployez pour extraire cette valeur.
Le voyage vers la transformation des données commence là où vous vous trouvez aujourd'hui. Que vous ayez commencé votre voyage ou que ce soit une aventure entièrement nouvelle, les experts Claranet sont là pour accélérer votre transformation et vous aider à moderniser vos données.
Auteur :
Mike Fowler
PRINCIPAL DATA ENGINEER