Analyse prédictive et analyse prescriptive - Quelles sont les différences ?
L'analyse descriptive Garuda Pancasila, l'analyse diagnostique, l'analyse prédictive et l'analyse prescriptive sont les quatre types d'analyse de données que les entreprises utilisent aujourd'hui. Ces catégories jouent chacune un rôle important dans le processus de prise de décision. Alors que l'analyse diagnostique cherche les raisons d'un événement, l'analyse descriptive se contente de relater les faits qui se sont produits. Mais quelle est la différence entre l'analyse prédictive et l'analyse prescriptive ?
Le domaine de l'analyse prédictive examine ce qui est à venir et fait des prédictions sur ce qui pourrait se produire dans un avenir proche. L'analyse prescriptive, quant à elle, formule des recommandations sur les mesures spécifiques à prendre pour obtenir les meilleurs résultats possibles. Cet article développe notre guide "Qu'est-ce que l'analyse prescriptive?" en opposant les approches analytiques prédictives et prescriptives.
Cartographier le passé et diagnostiquer les causes
L'analyse descriptive transforme les journaux de transactions, les mesures opérationnelles et les enregistrements de trafic web en visualisations et en statistiques sommaires, établissant exactement ce qui s'est passé [1]. Les équipes exécutent généralement des requêtes SQL ou utilisent des plateformes d'intelligence économique pour calculer les totaux, les moyennes et les taux de croissance. L'analyse diagnostique applique ensuite des tests d'hypothèse, des analyses de corrélation et des techniques de recherche des causes profondes pour expliquer les écarts par rapport aux tendances attendues.
Par exemple, si le nombre d'utilisateurs actifs diminue de manière inattendue, cela peut être dû à une nouvelle mise à jour logicielle ou à un événement extérieur au marché. Vous pouvez alors prendre les bonnes mesures pour y remédier [2].
Techniques de prévision
Les entreprises utilisent différents types d'outils d'analyse de données pour les aider à passer de la connaissance à la prévision. Lorsqu'elles traitent des données de séries temporelles, elles peuvent utiliser la méthode ARIMA (moyenne mobile intégrée autorégressive) pour simuler la tendance et la saisonnalité [3]. Les chercheurs peuvent également utiliser les réseaux LSTM (Long Short-Term Memory) pour saisir les connexions temporelles complexes [4].
En outre, les techniques de régression ou de classification sont utilisées pour réaliser des projections analytiques prédictives concernant des mesures continues. L'attribution de résultats par catégorie, tels que le risque de désabonnement, ou la projection de revenus en sont des exemples [5]. Une ingénierie des caractéristiques efficace, intégrant des variables telles que des indicateurs économiques, des modèles météorologiques ou le sentiment des médias sociaux, met souvent au jour des corrélations cachées qui permettent d'affiner les prévisions.
Dans la pratique, les gestionnaires de stocks utilisent des modèles ARIMA pour fixer les niveaux appropriés de stock de sécurité. Cette approche peut réduire les incidents de rupture de stock jusqu'à 20 %, selon une étude de McKinsey [6]. Pendant ce temps, les équipes de marketing peuvent programmer des campagnes en utilisant les connaissances LSTM. Ces campagnes peuvent améliorer les taux d'engagement de 15 %.
Les services financiers s'appuient sur des modèles de régression pour tester les budgets dans le cadre de divers scénarios économiques, ce qui permet d'établir un budget plus précis.
Étude de cas sur la finance : La plateforme de prêt AI d'Upstart
Upstart Holdings, Inc. s'associe à des banques pour déployer des modèles de crédit basés sur l'apprentissage automatique à partir de milliers de points de données.
Les taux de pertes sur prêts ont été considérablement réduits grâce à leur approche de souscription basée sur l'analyse prédictive pilotée par l'IA. Tout en conservant les mêmes taux d'approbation, elle a permis de réduire les pertes sur prêts d'environ 75 % par rapport aux approches traditionnelles qui utilisent uniquement FICO [7]. Upstart indique en outre que 74 % des demandes de prêt font l'objet d'une décision instantanée. En conséquence, le cycle d'origination est réduit de plusieurs jours et le niveau de satisfaction des clients est accru.
Stratégies d'action normatives
S'appuyant sur la précision des prévisions, l'analyse prescriptive intègre l'optimisation et la simulation pour recommander des décisions spécifiques en fonction des contraintes du monde réel. Les techniques comprennent la programmation linéaire et non linéaire. Ces méthodes définissent des objectifs, tels que la réduction des délais de livraison, et imposent des contraintes telles que la capacité des véhicules ou les limites réglementaires.
Afin de mesurer l'incertitude et le risque, la simulation Monte Carlo passe en revue des milliers de scénarios possibles. L'intégration continue des flux de données de trafic, des réseaux de capteurs ou du sentiment des médias sociaux garantit l'adaptation des recommandations en temps réel.
Dans l'industrie manufacturière, les solutions d'optimisation répartissent les volumes de production entre les usines afin de répondre à la demande. Dans le même temps, ils respectent les contraintes en matière de main-d'œuvre et de matériaux. Les administrateurs des services de santé simulent les flux de patients et les niveaux de personnel afin de réduire les délais de traitement. Quant aux opérateurs logistiques, ils réorientent dynamiquement leurs flottes afin d'améliorer les taux de livraison à temps.
Étude de cas sur les soins de santé : Centre médical du Massachusetts
Un centre médical privé à but non lucratif du Massachusetts, qui possède deux campus, a appliqué une simulation de Monte Carlo basée sur les files d'attente [2]. Il s'agissait d'évaluer les effets de l'ajout d'une unité spécialisée "fast-track" pour les patients ayant des besoins minimes en matière de soins aigus. Le groupe a simulé les temps de service et les arrivées des patients. Les chercheurs ont montré que l'ajout d'une infirmière supplémentaire à la voie rapide réduisait les temps d'attente médians de 35,8 ± 2,2 %.
Ce changement a également permis d'optimiser l'utilisation des ressources du service d'urgence principal sans augmenter le nombre d'heures de travail du personnel. Le niveau de satisfaction des patients a augmenté de 10 % après l'adoption du système.
Étude de cas sur la logistique : L'équipe SCOT d'Amazon
Le groupe SCOT (Supply Chain Optimisation Technologies) d'Amazon combine l'optimisation, la simulation et l'analyse prédictive ou prescriptive pour gérer l'exécution des commandes dans l'ensemble de son réseau. Des fenêtres de livraison aussi courtes que deux heures sont rendues possibles dans certaines zones urbaines grâce à des algorithmes pilotés par SCOT. Il s'agit d'une réduction importante par rapport au délai habituel de six à huit heures.
En outre, ces algorithmes permettent de réduire les stocks excédentaires d'environ 10 % grâce à des ajustements dynamiques du niveau des stocks. Ces améliorations soutiennent la promesse de livraison rapide d'Amazon Prime et renforcent la fidélité des clients.
Distinctions entre prévisions et recommandations
Analyse prédictive ou prescriptive
La prévision est le processus qui consiste à identifier ce qui est susceptible de se produire à l'avenir. Pour ce faire, elle examine les données historiques et actuelles à l'aide de l'analyse prédictive. D'autre part, l'analyse prescriptive s'attaque à la question des actions à entreprendre. Les actions possibles sont évaluées en fonction des objectifs de l'entreprise et des limites pratiques.
La plupart du temps, les modèles d'analyse prédictive dépendent d'ensembles de données structurés. En revanche, l'analyse prescriptive est également capable d'inclure des données non structurées telles que des journaux de texte ou des flux provenant de l'internet des objets (IoT). C'est grâce à cela qu'elles peuvent mieux refléter la complexité du monde réel.
La mise en œuvre de l'analyse prescriptive nécessite la création d'une infrastructure solide. Cette infrastructure devrait comprendre des outils d'optimisation et des processus de gouvernance visant à garantir la conformité avec les normes de l'entreprise. Les résultats prescriptifs peuvent entraîner des changements dans les opérations en temps quasi réel. Dans le même temps, les prévisions aident à façonner la stratégie à moyen et long terme.
Feuille de route pour la mise en œuvre : Une liste de contrôle pratique
Si vous souhaitez passer de l'idée à l'action, suivez les étapes suivantes :
- Auditer et préparer les données. Valider les sources de données et nettoyer les enregistrements pour garantir la fiabilité des analyses descriptives et des rapports de diagnostic.
- Développer et valider des modèles de prévision. Il est conseillé d'utiliser des approches de prédiction telles que la régression, l'ARIMA et le LSTM. Ces méthodes doivent être testées sur des données d'attente et les caractéristiques doivent être affinées de manière itérative.
- Pilotez des solutions normatives. Commencez par des projets d'optimisation à petite échelle, tels que la répartition des stocks ou la planification du personnel, afin de gérer les risques.
- Dimensionner l'infrastructure. Investir dans des entrepôts de données, des plateformes de streaming et des bibliothèques de solveurs pour soutenir le déploiement à l'échelle de l'entreprise.
- Établir une gouvernance. Assurez-vous que les analyses sont conformes aux normes éthiques et réglementaires en documentant les méthodes et en mettant en place une surveillance.
En suivant cette feuille de route, votre entreprise peut passer d'un reporting réactif à un reporting proactif. Ce changement conduira à une prise de décision optimisée qui apportera des améliorations mesurables.
Conclusion
Les entreprises peuvent tirer des leçons de leurs succès et de leurs échecs et utiliser ces connaissances pour influencer la suite des événements. Les conseils prescriptifs, les prévisions, les diagnostics et l'analyse descriptive sont autant d'éléments qui permettent d'atteindre cet objectif.
EU Automation joue un rôle essentiel dans le fonctionnement optimal de votre chaîne d'approvisionnement. Notre objectif est de vous aider à prendre des décisions plus intelligentes afin d'améliorer l'efficacité opérationnelle et de réduire les temps d'arrêt.
Pour plus d'informations et de solutions, visitez le knowledge hub EU Automation.
Sources :
[1] https://technologyadvice.com/blog/information-technology/descriptive-analytics/
[2] https://doi.org/10.1155/2017/6536523
[3] https://www.statsmodels.org/stable/generated/statsmodels.tsa.arima.model.ARIMA.html
[4] https://keras.io/api/layers/recurrent_layers/lstm/
[5] https://www.geeksforgeeks.org/ml-classification-vs-regression/
[7] https://cloud.google.com/dataproc/docs/tutorials/monte-carlo-methods-with-hadoop-spark
[8] https://www.gartner.com/en/information-technology/glossary/prescriptive-analytics
