En matière d'analyse prédictive, l'actionnabilité est tout aussi importante que la précision

C'est ce que fait actuellement Skai , pour un large éventail de marques de consommation.

Voici comment nous procédons : Tout d'abord, nous collectons et connectons une grande variété de sources de données. Ensuite, nous contextualisons ces données pour les rendre compréhensibles. Ces données contextualisées peuvent ensuite être interprétées comme des informations exploitables qui donnent aux entreprises la confiance nécessaire pour prendre des décisions de grande envergure et à fort impact.

La modélisation prédictive est l'un des moyens utilisés Skai pour rendre des pétaoctets de données pertinents et exploitables à long terme. La modélisation fonctionne en identifiant et en comprenant les tendances et les modèles dans les données historiques, puis en appliquant ces enseignements pour prédire les opportunités et les risques futurs.

Connaître l'avenir a une grande valeur, c'est pourquoi de nombreuses organisations et sociétés d'analyse de données tentent de faire des prédictions. Mais ils se heurtent à deux obstacles majeurs qui se dressent entre les données et les informations exploitables :

1. Des résultats trop complexes. Les entreprises centrées sur la science des données peuvent disposer d'une modélisation très précise, mais les résultats du modèle peuvent être trop complexes pour que les équipes commerciales puissent les comprendre et agir rapidement. Souvent, seuls les scientifiques des données sont en mesure d'interpréter les résultats.
2. Absence de sources de données variées. Les organisations moins avancées sur le plan technologique peuvent utiliser une seule source de données - par exemple, des données historiques sur les ventes - dans leur modélisation. Mais ces données rétrospectives sont isolées des autres variables influentes. Elles ne peuvent pas prédire les changements futurs dans les habitudes et les préférences des consommateurs ou les changements dans le paysage concurrentiel et ne peuvent donc pas prédire les ventes, les tendances ou les opportunités futures.

Skai contourne ces deux obstacles en basant ses idées sur plus de 13 000 sources de données bien connectées et en incluant le " pourquoi " dans ses prévisions, ce qui les rend explicables, compréhensibles et accessibles à tous les décideurs. Le processus commence par une question commerciale spécifique, qui nous amène à identifier les ensembles de données et les modèles pertinents qui fourniront des prévisions exploitables. Notre vision granulaire du paysage du marché nous permet de descendre jusqu'au niveau de l'attribut et de répondre à des questions aussi précises que :

• Quel ingrédient va progresser sur le marché au cours des 1 à 3 prochaines années ?
• Quels sont les caractéristiques et les avantages à privilégier pour un positionnement optimal du produit ?
• Quelles sont les marques émergentes qui devraient faire l'objet d'une fusion-acquisition au cours des trois prochaines années ?

Une étude de cas sur l'impact des prévisions générales : la possibilité d'agir

Un client de la Skai dans le domaine de la confiserie souhaitait trouver un moyen de prédire quelles caractéristiques des produits - telles que les emballages adaptés aux voyages et les listes d'ingrédients sans graisses trans - apparaîtraient au cours des trois prochaines années.

Au cours de la phase de modélisation, nous avons créé des centaines de prédicteurs à partir de sources de données liées à la confiserie et nous avons intégré une logique commerciale pour garantir que tous les résultats soient réellement pertinents. Certains de ces modèles ont testé le lien entre les ventes de produits et les mentions des caractéristiques individuelles des produits dans les commentaires des consommateurs ; ces modèles ont validé le fait que les discussions en ligne des consommateurs sur les caractéristiques des produits prédisaient une augmentation future des ventes de produits dotés de ces caractéristiques.

Après avoir affiné la prédiction, la Skai a été en mesure d'expliquer quels types de données indiqueraient des tendances plus immédiates. Le client disposait des bons ensembles de données pour surveiller les tendances à venir.

Une étude de cas sur la réponse à des questions commerciales spécifiques grâce à l'analyse prédictive

Une grande entreprise d'aliments pour animaux de compagnie a demandé à la Skai prévoir la prochaine protéine végétale en vogue dans les aliments pour animaux de compagnie. Comme il n'y a pratiquement pas de protéines végétales pour animaux de compagnie sur le marché aujourd'hui, les données historiques sur les ventes ne suffisent pas. Nous devions examiner des ensembles de données plus profonds et plus larges pour trouver une réponse qui conduirait à des stratégies de développement de produits à long terme pour la marque.

Nous avons d'abord identifié tous les produits du marché qui prétendaient contenir des protéines d'origine végétale. Nous avons ensuite analysé l'impact des ingrédients supplémentaires sur les performances de vente de ces produits.

Ces analyses nous ont aidés à comprendre :

• La répartition des ingrédients entre les produits
• Le nombre d'ingrédients est-il un facteur prédictif des ventes ?
• Quelles protéines d'origine végétale sont associées à des ventes plus élevées ?

Nous avons découvert que les produits "centrés sur les ingrédients", c'est-à-dire ceux qui contiennent peu d'ingrédients en plus de la protéine végétale principale, étaient considérés par les consommateurs comme étant de meilleure qualité que les produits contenant de nombreux ingrédients. En outre, les protéines d'origine végétale autonomes ou contenant peu d'autres ingrédients sont considérées comme étant de meilleure qualité que les autres protéines.

Ces données ont non seulement permis d'identifier les protéines d'origine végétale qui avaient le vent en poupe, mais elles ont également montré que tout nouveau produit contenant ces protéines devait limiter les ingrédients supplémentaires afin d'être mieux perçu par les consommateurs. Le client du secteur de l'alimentation pour animaux de compagnie a reçu une prédiction précise sur la prochaine grande protéine ainsi qu'une explication sur les raisons de la popularité croissante de cette protéine, ce qui est essentiel pour répondre aux attentes des clients, établir des messages marketing efficaces, et bien plus encore.

Déterminer l'exactitude des prévisions

La meilleure façon de s'assurer qu'une prédiction est fiable est d'utiliser des sources de données diverses et connectées pour la générer.

Chaque modèle prédictif que nous créons comporte quelques couches conçues pour maximiser la précision des réponses aux questions spécifiques des clients. Chaque résultat a un score de précision différent car le sous-ensemble de données pour chaque question peut présenter des schémas différents. L'ensemble de ces résultats permet d'obtenir une grande précision. Mais il est toujours difficile de déterminer la véritable précision d'une prédiction, en particulier lorsqu'il s'agit de déterminer des tendances futures ou des produits qui ne sont pas encore sur le marché. Méfiez-vous des fournisseurs qui prétendent que leurs prédictions sont totalement exactes.

L'actionnabilité est une bien meilleure mesure de la valeur d'une prédiction. Pensez-y de la manière suivante : si une équipe d'analyse de données peut prédire avec précision que la protéine de chanvre sera le prochain grand ingrédient des aliments pour animaux de compagnie, mais qu'elle ne peut pas expliquer pourquoi, alors une marque d'aliments pour animaux de compagnie peut décider d'ajouter simplement de la protéine de chanvre à un aliment pour chiens existant qui contient 15 ingrédients supplémentaires. Mais ce produit sera probablement un échec - non pas parce que la prédiction de la popularité de la protéine de chanvre était erronée, mais parce que la prédiction n'a pas inclus la raison pour laquelle la protéine de chanvre est en vogue : parce qu'elle peut être utilisée seule, ou avec peu d'autres ingrédients, ce qui signale sa qualité supérieure par rapport à d'autres protéines et stimule ainsi les ventes. Dans ce cas, la prédiction de la popularité croissante de la protéine de chanvre n'a pas eu d'impact significatif pour l'entreprise. Elle n'était pas vraiment exploitable.

Quelles sont les questions commerciales cruciales auxquelles vous aimeriez avoir des réponses ? Quelles décisions prendriez-vous si vous saviez ce qui va se passer sur votre marché au cours des 1 à 3 prochaines années, et pourquoi ?

-------------

*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.