Explication des différents types d’analytics : descriptif, prédictif, prescriptif, etc

La plupart des dirigeants et dirigeantes comprennent globalement ce que recouvre l’analytics de données, et beaucoup d’entreprises ont des services dédiés à la collecte et à l’interprétation des informations relatives à la clientèle, aux processus et aux marchés. Toutefois, il existe plusieurs types d’analytics, et tous donnent des informations différentes sur votre entreprise. En comprenant ces différents types, vous pourrez choisir les plus utiles à votre activité et ceux qui vous permettront d’atteindre vos objectifs commerciaux.

Cet article présente les trois types les plus courants d’analytics des données et un modèle moins connu. Ces informations vous aideront à tirer de meilleurs insights de vos données afin d’effectuer les ajustements qui vous permettront d’atteindre vos objectifs.

• Analytics descriptif
• Analytics prédictif
• Analytics prescriptif
• Analytics diagnostique
• L’avenir de l’analytics

Types d’analytics métier

Le processus d’analytics métier est un outil essentiel pour interpréter et exploiter la vaste somme de données collectées et classées par votre entreprise. Du comportement de la clientèle aux taux de conversion en passant par le chiffre d’affaires et les processus métier, vous devez analyser les informations générées par les opérations de votre entreprise pour en tirer le meilleur parti. L’analytics métier est le processus qui transforme ces points de données en insights exploitables.

L’analytics peut être descriptif, prédictif, prescriptif et diagnostique. Apprenez à différencier ces modèles et à les utiliser efficacement pour atteindre vos objectifs commerciaux.

Analytics descriptif

L’analytics descriptif examine ce qui s’est produit dans le passé. Vous l’utilisez lorsque vous examinez des jeux de données antérieurs pour identifier des schémas et des tendances. C’est le type d’analytics privilégié par la plupart des entreprises, car il répond à des questions importantes, comme le chiffre d’affaires réalisé et les objectifs spécifiques atteints. Il est facile à comprendre, y compris pour des non-spécialistes de l’analyse des données.

L’analytics descriptif identifie les indicateurs que vous souhaitez mesurer, collecte ces données et les analyse. Il transforme le flux de faits collectés par votre entreprise en informations que vous pouvez exploiter, utiliser pour la planification et mesurer.

En voici quelques exemples :

• Rapports annuels sur le chiffre d’affaires
• Synthèses des réponses aux enquêtes
• Rapports sur les ventes en glissement annuel

L’analytics descriptif étant limité, il n’est pas optimal. Il constitue une première étape utile pour les gestionnaires et les décisionnaires, mais il ne permet pas d’aller au-delà de l’analyse des données des évènements passés. Une fois l’analytics descriptif terminé, c’est à votre équipe de se demander comment ou pourquoi ces tendances se produisent, de réfléchir et de proposer des réponses ou des solutions possibles, et de choisir comment procéder par la suite.

Analytics prédictif

Comme son nom l’indique, l’analytics prédictif permet d’anticiper des résultats probables et d’établir des prévisions à partir de données historiques. L’analytics prédictif projette les tendances dans le futur pour identifier les résultats possibles. Il s’agit d’une version plus complexe de l’analytics des données, qui s’appuie sur des probabilités pour effectuer des prévisions au lieu de simplement interpréter les faits existants.

Utilisez l’analytics prédictif en commençant par identifier ce que vous souhaitez prévoir, puis en réunissant les données existantes pour projeter les possibilités à une date donnée. La modélisation statistique ou le machine learning sont couramment utilisés avec l’analytics prédictif. Ils permettent de répondre à des questions de planification portant sur le futur montant potentiel des ventes ou la capacité à atteindre les objectifs du 4e trimestre, par exemple.

Une entreprise qui utilise les données pour créer une liste de résultats potentiels est plus à même de se fixer des objectifs réalistes et d’éviter les risques. L’analytics prédictif permet à votre équipe ou à l’entreprise tout entière de rester en phase avec la stratégie définie.

En voici quelques exemples :

• Entreprises du e-commerce qui utilisent l’historique de navigation et d’achat de la clientèle pour formuler des recommandations de produits
• Établissements financiers qui ont besoin d’aide pour déterminer si un client ou une cliente va pouvoir payer sa facture de carte de crédit à temps
• Responsables marketing qui analysent les données pour déterminer la probabilité que de nouveaux clients ou de nouvelles clientes réagissent favorablement à une campagne ou une offre de produit donnée

L’analytics prédictif est limité par le fait que les insights obtenus s’appuient uniquement sur les données. Avec des jeux de données restreints ou incomplets, vous ne pouvez pas établir de prévisions aussi précises qu’avec des jeux volumineux. Pour que la business intelligence (BI) soit exploitable, vous devez disposer de suffisamment de données, sachant que la notion de « suffisance » varie en fonction du secteur, de l’activité, de l’audience et du cas d’usage.

Par ailleurs, comme l’analytics prédictif repose exclusivement sur les données, elle ne prend pas en compte les facteurs intangibles ou humains, même avec les meilleurs algorithmes basés sur les jeux de données les plus volumineux. Le modèle d’analytics prédictif ne peut pas intégrer de variables telles qu’un brusque changement de conjoncture économique ou même de météo, qui ont pourtant des répercussions sur les dépenses.

Analytics prescriptif

L’analytics prescriptif utilise les données de sources diverses (y compris les statistiques, le machine learning et le data mining) pour identifier les futurs résultats possibles et présenter la meilleure option. Ce type d’analytics est le plus avancé des trois, car il fournit des insights exploitables, et non des données brutes. Avec cette méthodologie, vous pouvez déterminer ce qui va arriver, et pas seulement ce qui pourrait arriver.

Vous pouvez non seulement imaginer les futurs résultats, mais aussi comprendre pourquoi ils vont se produire. L’analytics prescriptif prévoit également l’effet des futures décisions, y compris leurs répercussions sur différentes parties de l’activité, et ce, quel que soit l’ordre dans lequel elles sont prises.

L’analytics prescriptif est un processus complexe reposant sur un grand nombre de variables et d’outils comme les algorithmes, le machine learning et les Big Data. Vous devez mettre en place des infrastructures de données appropriées pour gérer facilement ce type d’analytics.

Voici quelques exemples d’analytics prescriptif :

• Calcul du risque client dans le secteur des assurances pour identifier les formules et tarifs à proposer
• Recherche des fonctionnalités à inclure dans un nouveau produit pour assurer sa réussite sur le marché, en analysant des données telles que les enquêtes d’opinion et les études de marché pour savoir quelles fonctionnalités sont les plus recherchées par la clientèle existante et potentielle
• Identification de tactiques permettant d’optimiser les soins dans le secteur de la santé, comme l’évaluation du risque de développer de futures pathologies spécifiques et la prise de décisions de traitement pour réduire ces risques

Malheureusement, l’analytics prescriptif a besoin de beaucoup de données pour produire des résultats utiles, or celles-ci ne sont pas toujours disponibles en quantité suffisante. Ce type d’analytics n’est donc pas à la portée de toutes les entreprises.

Bien que l’utilisation du machine learning réduise considérablement le risque d’erreur humaine, ce type d’analytics présente aussi l’inconvénient de ne pas toujours prendre en compte toutes les variables externes, car il s’appuie souvent sur des algorithmes de machine learning.

Analytics diagnostique

L’analytics diagnostique est un autre type courant d’analytics, qui permet d’expliquer le déroulement des évènements. Il s’agit d’une version plus complexe de l’analytics descriptif, qui explique non seulement ce qui s’est passé, mais aussi pourquoi cela s’est produit.

L’analytics diagnostique identifie les tendances ou les schémas passés, puis va plus loin en expliquant le pourquoi de ces tendances. Il fait logiquement suite à l’analytics descriptif, car il explique pourquoi telle quantité a été vendue ou comment les objectifs du 1er trimestre ont été atteints.

L’analytics diagnostique est également un outil utile pour les entreprises qui veulent avoir plus de certitudes pour reproduire de bons résultats et éviter des déconvenues. Il explique ce qui s’est passé, mais c’est ensuite à votre équipe de déterminer quoi faire de ces données. L’analytics diagnostique utilise les données pour comprendre pourquoi des évènements se sont produits, afin que vous puissiez développer de meilleures stratégies sans trop tâtonner.

En voici quelques exemples :

• Pourquoi les ventes ont-elles augmenté par rapport à l’année dernière ?
• Pourquoi un produit donné a-t-il remporté plus de succès que prévu ?
• Pourquoi avons-nous perdu de la clientèle au 3e trimestre ?

Le principal inconvénient de l’analytics diagnostique est qu’il fournit des observations exploitables sur l’avenir en se concentrant sur les occurrences passées. Si la compréhension des liens et des enchaînements de causalité peut suffire à certaines entreprises, ce n’est pas le cas pour d’autres. Ces dernières ont besoin de solutions d’analytics plus avancées pour gérer les Big Data. La mise en œuvre d’outils supplémentaires, comme l’analytics prédictif ou prescriptif, peut dans ce cas être utile pour recueillir des insights pertinents.

L’avenir de l’analytics

L’analytics est utilisé depuis longtemps en entreprise, mais il connaît actuellement une forte croissance. Il n’a pas encore atteint son apogée, mais se nourrit des énormes jeux de données issus de l’IoT, des progrès de l’IA et du développement d’outils décisionnels en libre-service.

L’US Bureau of Labor Statistics prévoit que le nombre d’analystes de recherche va augmenter de façon spectaculaire au cours des prochaines années, avec un taux de croissance estimé à 19 %, soit « nettement supérieur à la moyenne ». D’après les spécialistes en science des données et analytics, les entreprises vont de plus en plus chercher à recruter des personnes capables de comprendre et d’exploiter les données.

Parallèlement au besoin croissant d’experts et expertes en analytics, le marché des outils en libre-service continue de se développer. Selon un rapport d’Allied Market Research, le marché des outils décisionnels en libre-service devrait atteindre 14,19 milliards de dollars d’ici 2026. Selon Gartner, les données et l’analytics axés sur les personnes vont continuer à croître, « en passant de l’IT à l’entreprise ».

La mise en œuvre d’un système d’analytics plus évolué (et, dans certains cas, l’intégration de l’analytics dans la stratégie de l’entreprise) va prendre de l’ampleur et intéresser des sociétés de toutes tailles.

Se lancer dans l’analytics

Les quatre types d’analytics de données vous fournissent les outils pour comprendre ce qui s’est passé (descriptif), ce qui pourrait se passer (prédictif), ce qui va se passer (prescriptif) et pourquoi un évènement s’est produit par le passé (diagnostique). Votre capacité à prendre des décisions stratégiques basées sur les données dépend des faits que vous recueillez et de l’utilisation que vous en faites.

Lorsque vous en aurez fini avec la simple collecte de données, choisissez le type d’analytics le plus adapté aux besoins de votre entreprise. Demandez-vous à quelle question vous souhaitez répondre et quelle décision vous devez prendre, et lancez-vous avec le type d’analytics approprié.

Adobe Analytics aide les entreprises de toutes tailles, tous secteurs confondus, à transformer leurs données en business intelligence. Collectez et organisez les données au même endroit et tirez parti de l’IA appliquée à l’analytics pour obtenir des insights exploitables et pertinents.

Regardez la vidéo ou demandez une démonstration personnalisée gratuite pour découvrir comment Adobe exploite le potentiel de l’analytics pour votre marque.