L’IA est à la mode, mais les ressources ne suivent pas… Voici 5 étapes à suivre pour mettre en place un projet d’analyse prédictive.

Si la demande sur les analytiques est forte, tant des directions générales que des directions métiers, les DSI qui sont généralement sollicitées pour mener ces projets à bon port doivent également se confronter à des difficultés majeures, la plus importante étant certainement le manque de compétences, en interne comme en externe d’ailleurs. Avec pour corollaire qu’entre les salaires (élevés) et les partenaires compétents (rares), les coûts des analytiques se révèlent souvent prohibitifs.

Pour autant, les entreprises sont attirées par l’IA (Intelligence Artificielle), et affirment vouloir multiplier les projets d’analyse prédictive. Attention, cependant, à procéder avec prudence. Car il est particulièrement facile, en la matière, de se tromper. Mais également particulièrement difficile de détecter ses erreurs à temps et d’éviter les dérives dans la prise de décision sur une analyse prédictive erronée.

Ainsi, les entreprises qui portent un projet d’analyse prédictive commettent généralement trois erreurs : elles craquent pour des mots à la mode sans clarifier leur objectif ; elles se précipitent sur des logiciels alors que la priorité doit aller à l’équipe ; elles sautent sur les analyses sans avoir planifié leur stratégie de déploiement.

Voici 5 étapes à suivre reconnues dans les standards de déploiement de l’analyse prédictive, qui ne doivent cependant pas vous faire oublier que le retour arrière et les itérations sont importantes. Et qu’il faut investir dans un accompagnement pour comprendre les exigences et les principes fondamentaux de l’analyse prédictive.

1Définissez l’objectif ‘commercial’ du projet

Pour avoir un impact positif sur les opérations, le modèle prédictif doit être intégré afin de pouvoir cibler plus efficacement les campagnes marketing et de fidélisation du client.

2Définissez un objectif de prévision spécifique

Pour servir l'objectif commercial, un objectif de prévision spécifique doit être défini, avec le soutien des parties prenantes. La modification du ciblage doit également être envisageable. Dans la pratique, l’objectif de prédiction doit être défini avec précision.

3Préparer les données qui seront soumises à l’analyse

L’apprentissage automatique peut constituer un goulot d'étranglement important, exigeant généralement 80% de la charge de travail du projet. C'est une tâche de programmation de base de données, par laquelle les données existantes dans leur forme initiale doivent être  réorganisées pour répondre aux besoins des logiciels d’analyse.

4Appliquer l'apprentissage automatique pour générer le modèle prédictif

C’est à ce stade que le choix de l’outil d’analyse compte. Mais avant cela, dans un premier temps les options logicielles doivent être testées et comparées aux licences d’évaluation avant de décider quel logiciel ou quel outil open source acheter ou utiliser.

5Déployer le modèle

Dernière phase, l’intégration des prévisions dans les opérations existantes.

Source : Eric Siegel, rédacteur en chef de The Predictive Analytics Times  

Image d’entête 588365114 @ iStock Photo a-image