@Copyright 2020 Numea
La quantité croissante de données disponibles permet aux entreprises d’optimiser la portée et l’efficacité de leurs stratégies commerciales. Le niveau de maturité analytique d’une entreprise doit cependant être pris en compte afin de développer une stratégie adaptée aux capacités et aux ressources existantes, ainsi qu’au besoin d’affaire. Comme chaque tâche a son outil, chaque besoin d’affaire doit être bien défini afin d’identifier la bonne analyse à réaliser :
Il existe 4 types d’analyses :
| Descriptive | Diagnostique | Prédictive | Prescriptive |
| Qu’est-il arrivé? | Pourquoi est-ce arrivé? | Qu’arrivera-t-il? | Quoi faire? |
| Décrire ce qui s’est produit dans le passé. | Identifier les facteurs qui ont contribué à un résultat passé dans le but de l’expliquer. | Estimer ce qu’il est probable de se produire dans le futur, basé sur l’historique | Recommander des actions à prendre pour influencer les événements probables de se produire dans le futur. |
Les analyses descriptives constituent habituellement la première étape du parcours analytique. Celles-ci prennent souvent la forme d’analyses univariées comme le calcul des fréquences, des sommes ou des moyennes et permettent de répondre à des questions fondamentales comme :
Les analyses descriptives servent souvent à brosser un portrait passé de la performance et ajoutent à notre compréhension de la dynamique de marché, de la clientèle et de l’entreprise. Une fois celles-ci bien assimilées, on cherchera ensuite à comprendre les facteurs qui influencent la performance en menant des analyses diagnostiques.
Les analyses diagnostiques servent à comprendre et à expliquer pourquoi certains événements se produisent. On pourra tenter de déterminer pourquoi les ventes du mois dernier sont inférieures à celles de l’année précédente ou pourquoi certains de nos clients affichent un taux de satisfaction supérieur à d’autres. Pour réaliser ces analyses, différentes sources de données peuvent être consultées, comme des données de ventes ou de trafic web, des budgets marketing, des registres de disponibilités des produits et des métriques de satisfaction et d’expérience client. Une fois les corrélations établies, un analyste pourra inférer quant aux facteurs qui influencent les métriques d’intérêt, ainsi que leur importance. Par exemple :
Ces analyses aident donc à développer notre compréhension des données en ajoutant un volet explicatif à celles-ci. Cependant, comme pour les analyses descriptives, leur portée demeure rétroactive. Une approche prédictive nous permettra donc de tirer parti de ces apprentissages et d’anticiper comment certaines conditions futures pourraient impacter nos métriques clés.
Les analyses prédictives utilisent des techniques statistiques et d’apprentissage automatique (« machine learning »)afin d’estimer comment les relations entre différents éléments et une variable cible peuvent être décortiquées pour prédire un événement futur. Ces analyses cherchent souvent à émettre une prédiction plutôt qu’à expliquer une relation de cause à effet. Une analyse prédictive requiert une vaste quantité de données afin d’assurer la stabilité des prédictions dans différents contextes, ainsi que certaines activités d’optimisation au gré du temps pour en maintenir l’efficacité. Grâce à celles-ci, un analyste peut contribuer à :
Les analyses prédictives se servent donc des constats et insights recueillis lors des phases descriptives et diagnostiques pour bâtir des modèles permettant d’estimer des résultats futurs. Bien que ces analyses soient utiles en elles-mêmes, on pourrait ensuite se tourner vers l’utilisation d’analyses prescriptives afin d’explorer comment différentes actions peuvent favoriser un résultat futur.
Les analyses prescriptives identifient les actions à poser afin de maximiser ou minimiser une valeur souhaitée. L’objectif derrière une analyse prescriptive est de favoriser le meilleur résultat possible selon le besoin d’affaire, les ressources disponibles et les objectifs recherchés. Ces analyses requièrent aussi une vaste quantité de données et les modèles itérés doivent être continuellement soutenus afin d’en optimiser la performance. Par exemple, ces analyses permettent de :
Contribution et complexité des analyses :
En conclusion, on pourrait être porté à croire que l’analyse prescriptive est la plus intéressante puisqu’elle nous dit quoi faire ! Cependant, cette dernière étant la plus complexe à réaliser, il faut se souvenir que les autres analyses ont également leur utilité. On le répète souvent chez Numea, mais la complexité n’est pas synonyme de pertinence !
Exploitez le plein potentiel de vos données en contactant nos experts chez Numea !
Sources :
@Copyright 2020 Numea