On a beaucoup parlé des incertitudes causées par le coronavirus et de la façon dont les entreprises exploitent les données massives et les analyses avancées pour trouver des orientations claires pour l'avenir. L'analyse prédictive aide les entreprises à planifier et à évaluer des questions commerciales telles que l'impact potentiel sur les revenus (où la demande est susceptible d'augmenter ou de diminuer) et l'impact sur la concurrence (quels sont les autres produits susceptibles d'affecter les ventes), ainsi que les raisons de cet impact.
Avec un taux de croissance annuel moyen de 21,7 %, le marché de l'analyse prédictive reflète la quantité massive de données créées aujourd'hui, ainsi que les nouvelles techniques statistiques et de modélisation et, bien sûr, les progrès de l'intelligence artificielle qui rendent possible le traitement de l'analyse prédictive à grande échelle.
Mais toutes les plateformes d'analyse prédictive ne se valent pas...
Que rechercher dans le choix d'une plateforme d'analyse prédictive ?
Nombre d'ensembles de données. La plupart des plateformes d'analyse prédictive s'appuient sur les données historiques des ventes et d'autres sources internes. Enrichir l'ensemble de données avec des ensembles de données contextualisées qui reflètent la voix du consommateur, les principaux leaders d'opinion, les critiques de produits, les évaluations de produits, les indicateurs de la concurrence et d'autres signaux d'innovation fait passer la précision de 35 % à plus du double.
L'actualité et la stabilité des ensembles de données. Le temps ne s'arrête pas et les prévisions doivent être continuellement actualisées. Mais ce n'est pas si simple. Lorsqu'un modèle prédictif est créé, il est basé sur un ensemble de données particulier. Les caractéristiques de l'ensemble de données peuvent changer, comme c'est souvent le cas dans le Far West non structuré de l'internet, ce qui signifie que le système doit être capable de les reconnaître et de les actualiser en permanence.
Force du NLP et des taxonomies. Comme indiqué précédemment, un élément clé d'une analyse prédictive précise est la capacité à connecter de multiples sources de données externes non structurées au modèle. Le problème est que ces sources sont généralement remplies d'hyperboles, de grammaire et de syntaxe incorrectes, d'emojis, d'ambiguïtés de mots, voire de langues multiples. Pour cette raison, l'analyse des sentiments a généralement tourné autour d'un taux de précision de 80 %, mais les nouveaux développements en matière d'apprentissage automatique et d'intelligence artificielle ont permis de réaliser des percées qui se traduisent par un taux de précision supérieur à 90 %. L'application de taxonomies basées sur l'expertise en la matière peut également garantir que les bonnes données sont introduites dans le modèle.
Flexibilité des modèles et des algorithmes. Plusieurs modèles et algorithmes doivent être disponibles en fonction de la question commerciale posée. Une question commerciale clairement définie permettra de déterminer les sources de données nécessaires, les taxonomies à appliquer et, enfin, le type d'analyse à effectuer (par exemple, régression linéaire, regroupement K-means, réseaux neuronaux récurrents, etc.)
Visualisations et intégrations. Enfin, il est important qu'une plateforme d'analyse prédictive génère des visualisations qui permettent de saisir les résultats et de les intégrer dans le processus décisionnel de l'organisation. Il peut s'agir simplement de générer différents scénarios de prédiction, de mettre en évidence des indicateurs de facteurs de croissance, etc. ou de produire des prévisions plus complètes intégrées dans des systèmes de veille stratégique.
-------------
*Cetarticle de blog a été publié à l'origine sur Signals-Analytics.com. Kenshoo a acquis Signals-Analytics en décembre 2020. Lire le communiqué de presse.
Plus de détails
