La data au service du prédictif

Le Big Data représentera 40 zettaoctets de données collectées en 2020 (1021 octets), soit 33 fois plus qu’en 2010, tandis que le nombre de recherches sur le sujet a été multiplié par 20 depuis 2009.

Pourtant, les données ont commencé à être collectées bien avant que l’on ne parle de Big Data. Cependant, il est peu rentable de collecter sans analyse et sans une stratégie définie, comme ce fut le longtemps le cas. Heureusement, rares sont les entreprises qui collectent des données sans savoir comment les exploiter. De plus en plus, le Big Data vient alimenter le marketing prédictif.

Le prédictif, l’art de prédire les tendances

L’analyse prédictive consiste à définir des modèles via des algorithmes qui exploitent les données collectées. Ces modèles ont vocation à prévoir et anticiper les comportements des consommateurs. Cela permet, par exemple, d’identifier les consommateurs susceptibles de se désengager ou ceux dont les besoins évoluent.

Le prédictif permet ainsi d’atteindre le Saint Graal des marketeurs : adresser le bon message, au bon moment, à la bonne personne. Une notion marketing ancienne, mais pourtant difficilement applicable sans accès aux données pertinentes ou sans analyse de celles-ci.

La capacité à proposer des offres sur mesure au moment précis où le besoin naît a un impact important sur la satisfaction client, et par rebond, sur l’engagement du consommateur envers la marque et sur le résultat de l’entreprise.

Mais le prédictif n’est possible que si les données collectées sont suffisamment variées et qualitatives. Pour qu’un modèle prédictif soit efficace, il convient de suivre les étapes suivantes :

• Définir la problématique à laquelle le modèle prédictif doit répondre.
• Identifier les données nécessaires pour établir le modèle.
• Collecter et traiter les données.
• Construire effectivement le modèle.
• Evaluer la précision et l’efficacité du modèle.
• Utiliser le modèle pour répondre à la problématique et faire des recommandations.
• Améliorer le modèle continuellement.

Pour synthétiser, l’analyse prédictive permet de prendre de meilleures décisions, d’éviter les risques (anti-churn par exemple) et de se différencier grâce à des expériences clients plus personnalisées.
Attention aux externalités et limites des modèles prédictifs
Cathy O’Neil ne se définit pas comme une Data Scientist ; elle est « Data Sceptique ». Auteure d’un récent ouvrage sur les « Armes de Destruction Matheuses », ce docteur en mathématiques de Harvard met en garde dans son ouvrage contre les dérives des modèles prédictifs. Selon elle, les sources d’erreurs sont nombreuses :

• le manque de précision des données collectées.
• la faible pertinence des données utilisées.
• la mauvaise mesure des externalités.

Dans son ouvrage, Cathy O’Neil cite de nombreux exemples concrets de modèles prédictifs mauvais, pour l’une des raisons évoquées : le très compétitif classement national des universités américaines qui ne prend pas en compte les coûts de scolarité pour pondérer leur calcul ou encore les données d’arrestation de la police de New York qui montraient que dans les quartiers pauvres les arrestations concernaient essentiellement les noirs et les latinos alors que les données montrent qu’il y avait plus d’arrestations de gens des minorités que de personnes dans ces minorités… Évidemment, les exemples cités ont des impacts sociétaux potentiellement très graves, mais une erreur dans un modèle prédictif répondant à une problématique business peut avoir des effets importants sur le résultat d’une entreprise, il s’agit donc d’éviter au maximum les erreurs.

Quelles applications ?

Les cas d’usages sont nombreux et très variés selon les secteurs d’activité. La première limite est la créativité, mais les possibilités offertes par l’analyse prédictive dépendent également de la quantité, de la qualité et de la pertinence des informations collectées.

La Second Party Data peut avoir un rôle déterminant dans l’analyse prédictive. Il serait difficile pour un constructeur automobile de savoir que la famille d’un consommateur va prochainement s’agrandir, mis à part si un partenaire spécialisé dans la petite enfance lui fournit cette information. Il devient alors plus pertinent d’adresser à ce consommateur une offre personnalisée pour acquérir un véhicule plus adapté à ses nouveaux besoins, ou simplement de lui proposer ce véhicule dès la page d’accueil lors de sa prochaine visite sur votre site.

L’analyse prédictive permet aussi aux opérateurs de téléphonie mobile d’identifier les consommateurs qui dépassent régulièrement leur forfait ; ceci leur permet de mieux les cibler et de leur proposer des offres plus adaptées à leurs besoins, ce qui permet par ailleurs de travailler l’anti-churn.

Le prédictif a également un grand rôle à jouer du point de vue du contenu. Il ne s’agit pas seulement de faire du push commercial auprès des personnes chez qui le besoin apparaît, mais aussi de proposer un contenu adapté à chaque personne en fonction de son contexte.

Une analyse prédictive efficace représente un avantage concurrentiel fort pour les entreprises qui l’exploitent. L’analyse prédictive est en passe de devenir un important outil d’aide à la décision.

Le marketing prédictif, un domaine réservé aux experts ?

Selon une étude de Forrester, les modèles prédictifs sont devenus plus précis et plus efficaces ces dernières années, y compris au sein des sociétés qui disposent de peu de compétences en la matière. Ceci s’explique grâce à des outils devenus plus accessibles.
Si un grand nombre d’entreprises s’imaginent que l’analyse des données impose l’embauche d’un Data Scientist, ce n’est pas vraiment indispensable et il convient de privilégier dans un premier temps la montée en compétence des ressources humaines existantes. Selon Forrester, plus les employés qui interviennent dans l’analyse prédictive sont nombreux, mieux c’est. L’analyse prédictive devient accessible à tous, y compris à ceux qui n’ont pas de compétences particulières en statistiques.