Les enjeux de l’analyse des données
Les nouvelles technologies de data management ont révolutionné l’analyse de donnée. Avec l’adoption massive du cloud et l’apparition de plateformes toujours plus performantes, l’analyse des données est désormais à la portée de toute organisation.
L’analyse de données est un concept bien vaste, mais lorsqu’on s’y intéresse de plus près, on identifie rapidement les quatre niveaux de complexité et de valeur apportée :
- Niveau 1 : analyse descriptive,
- Niveau 2 : analyse de diagnostic,
- Niveau 3 : analyse prédictive,
- Niveau 4 : analyse prescriptive.
Ces 4 analyses sont complémentaires et doivent être réalisés chronologiquement. Ensemble, elles apportent une aide capitale à la prise de décision.
L’analyse descriptive
Qu’est-ce l’analyse descriptive ?
L’analyse descriptive répond à la question : que s’est-il passé ?
L’objectif de l’analyse descriptive est de comprendre ce qu’il se passe en rassemblant et en organisant des données passées. Cette analyse requiert des méthodes basiques (moyennes, pourcentages, écart-type…) qui délivrent des résultats simples et purement factuels. Elles sont très utiles pour évaluer la performance d’une entreprise grâce à des rapports, des tableaux de bord et des visualisations comme des diagrammes circulaires, des graphiques en barres…
Pour mener une telle analyse, il faut commencer par identifier des KPI par domaine d’activité (opérations, ventes, marketing…). Ensuite, il faut identifier les ensembles de données qui seront nécessaires à l’analyse, les localiser, les collecter, puis les préparer pour l’analyse.
Aujourd’hui, grâce à de nouveaux outils, les métiers, même non techniques, peuvent réaliser ce type d’analyse sans compétence en codage ou en gestion de base de données.
Exemples d’analyses descriptives
- Identifier via quel canal les campagnes marketing apportent le meilleur ROI,
- Identifier le parcours de conversion le plus souvent emprunté par les clients online / offline,
- Identifier les segments client qui génèrent le plus de ventes,
- Suivre l’évolution des revenus d’une année ou d’un mois à l’autre,
- Identifier les points de ventes les plus performants,
- Suivre la demande de stock dans les entrepôts et points de vente au cours de l’année.
Malgré leur simplicité, ces analyses peuvent apporter des informations précieuses pour les organisations.
L’analyse de diagnostic
Qu’est-ce l’analyse de diagnostic ?
L’analyse de diagnostic répond à la question : pourquoi cela est-il arrivé ?
Une fois que l’on sait ce qu’il s’est passé, on souhaite désormais savoir pourquoi cela est arrivé. C’est à ce moment-là que l’on se tourne vers le diagnostic. Cette analyse a pour objectif de comprendre pourquoi un certain évènement est arrivé en détectant certaines corrélations.
Si l’analyse descriptive nous apprend que les ventes ont augmenté, l’analyse de diagnostic va chercher à comprendre si c’est lié à l’augmentation des budgets médias, à l’ouverture de certains points de vente, à une variation des prix de vente…
En général, plus d’un facteur explique un événement ou une tendance. L’analyse de diagnostic aide alors à identifier l’ensemble des causes qui expliquent un événement, et à distinguer les facteurs qui ont le plus d’impact. Il peut être nécessaire de se fournir des bases de données externes pour enrichir l’analyse et améliorer ses résultats.
Exemples d’analyses de diagnostic
- Identifier les caractéristiques communes des campagnes marketing performantes par rapport à celles moins performantes,
- Identifier les caractéristiques communes des segments clients les plus rentables pour expliquer pourquoi ils dépensent davantage,
- Comparer les initiatives internes aux variations des revenus pour identifier des corrélations,
- Expliquer pourquoi la productivité des salariés a changé ce dernier mois,
- Examiner les facteurs internes et externes qui contribuent à augmenter la demande de stocks particuliers.
L’analyse prédictive
Qu’est-ce l’analyse prédictive ?
L’analyse prédictive répond à la question : qu’est-il susceptible d’arriver ?
Maintenant que l’on sait ce qu’il s’est passé et pourquoi c’est arrivé, nous pouvons mettre les résultats des analyses descriptives et de diagnostic au service de l’analyse prédictive.
L’analyse prédictive a pour objectif de donner une visibilité sur des évènements à venir, elle permet de prévoir les résultats futurs possibles et d’identifier la probabilité qu’ils se produisent. Ce processus d’analyse consiste à identifier des attributs ou des tendances communes qui pourraient servir à identifier une activité similaire dans le futur.
L’analyse prédictive repose sur des méthodes statistiques avancées comme la régression, l’analyse en cluster ou encore le filtrage par motif. Cela implique de formuler et d’appliquer des hypothèses aux données.
Pour une entreprise, ces analyses sont d’une grande valeur, elles permettent d’anticiper les éventuels risques et opportunités et ainsi, de fixer des objectifs réalistes et s’y préparer au mieux.
Exemples d’analyses prédictives
- Prédire les revenus potentiels qui seront générés par une certaine campagne marketing,
- Prédire les revenus potentiels qui seront générés par un certain segment client,
- Prédire la demande de stock dans chaque zone géographique,
- Réaliser des projections financières précises sur les prochains exercices,
- Prédire le roulement du personnel,
- Prédire les défauts de paiements,
- Prévoir la défaillance du matériel ou des machines.
L’analyse prescriptive
Qu’est-ce l’analyse prescriptive ?
L’analyse prescriptive répond aux questions : que devons-nous faire ?
Cette analyse est la plus complexe des quatre, seule une petite partie des entreprises l’utilise dans leurs activités. L’objectif de l’analyse prescriptive est d’identifier les actions à mettre en place en fonctions des prédictions réalisées.
L’analyse prescriptive s’appuie sur des méthodes statistiques avancées et des technologies de pointe comme l’IA, le Machine Learning, ou les réseaux de neurones pour apporter des suggestions aux entreprises.
En quoi est-ce différent de l’analyse prédictive ? L’analyse prescriptive va réaliser plusieurs essais et erreurs pour tester plusieurs hypothèses, tandis que l’analyse prédictive se base uniquement sur des faits passés.
Exemples d’analyses prescriptives
- Quel est le produit à promouvoir à tel moment ?
- Comment améliorer le processus de vente pour chaque segment client ?
- Comment améliorer le processus de fabrication ?
- Comment optimiser la gestion des risques ?
- Quelle est l’organisation optimale pour nos entrepôts ?
Conclusion
Même si l’instinct commercial a régné pendant un moment, aujourd’hui, peu d’entreprises peuvent se passer de l’analyse de données. Les analyses descriptives, de diagnostic, prédictives et prescriptives fournissent des informations précieuses pour les décideurs, que cela soit pour préciser la stratégie ou améliorer les rendements financiers. La bonne nouvelle, c’est que même les analyses estimées « complexes » (comme la prescriptive), sont aujourd’hui bien plus accessibles et simples à mettre en place grâce au progrès considérables de l’IA et des plateformes de services.
