La plupart des entreprises qui disent faire de l'« analytique » font en réalité de la production de rapports. Elles ont des tableaux de bord qui montrent ce qui s'est passé le mois dernier. C'est utile, mais c'est fondamentalement rétrospectif. La modélisation prédictive est différente : elle utilise vos données historiques pour formuler des énoncés quantitatifs sur ce qui va se passer — et quoi faire à ce sujet.
Analyse de survie pour l'attrition
La prédiction de l'attrition est l'une des applications à plus haute valeur de la modélisation prédictive. L'approche standard — un classificateur binaire qui prédit « ce client va-t-il partir : oui ou non » — est en réalité le mauvais outil pour la plupart des entreprises. Ce que vous voulez réellement, c'est un modèle de survie.
L'analyse de survie (développée à l'origine pour la recherche médicale) modélise la probabilité d'un événement dans le temps. Au lieu de demander « ce client va-t-il partir », elle demande « quelle est la probabilité que ce client reste actif à 30, 60, 90, 180 jours ? » Le résultat est une courbe de survie pour chaque client, stratifiée selon les facteurs qui vous importent : canal d'acquisition, palier de produit, géographie, habitudes d'utilisation.
C'est bien plus actionnable qu'une prédiction binaire. Un client avec une probabilité de survie de 85 % à 90 jours nécessite une intervention différente de celui avec une probabilité de survie de 40 % à 90 jours. Les modèles de survie permettent d'allouer les ressources de rétention proportionnellement à la valeur à risque attendue — pas seulement de lancer des rabais à tout le monde qui déclenche un indicateur « à risque » arbitraire.
Prévision de la demande
La prévision de la demande est le pain quotidien de l'analytique opérationnelle. Bien faite, elle guide les achats de stocks, les décisions de dotation en personnel, la planification de la production et la gestion des flux de trésorerie. Mal faite (ou pas faite du tout), elle mène à des ruptures de stock, du surstockage, de la capacité inutilisée et des revenus manqués.
La prévision de la demande moderne va au-delà de la simple extrapolation de séries chronologiques. Un modèle bien construit intègre :
- • La saisonnalité à plusieurs fréquences (jour de la semaine, cycles mensuels, annuels)
- • La décomposition de tendance pour séparer la croissance structurelle des effets cycliques
- • Les régresseurs externes comme les dépenses marketing, les prix des concurrents, la météo ou les indicateurs macroéconomiques
- • La réconciliation hiérarchique pour que les prévisions au niveau du UGS se totalisent correctement aux niveaux de la catégorie et du total
Le résultat n'est pas un seul chiffre mais une distribution de probabilité : « nous prévoyons une demande de 1 200 unités le mois prochain, avec un intervalle de confiance à 90 % de 950–1 450. » C'est cette plage qui guide les décisions d'inventaire intelligentes — vous pouvez stocker selon un niveau de service cible et quantifier le coût de l'erreur.
Optimisation des prix et élasticité
La plupart des entreprises fixent leurs prix en combinant une marge sur le coût de revient, une veille concurrentielle et l'intuition. Cela laisse énormément de valeur sur la table. L'optimisation des prix utilise les données pour répondre à la question : à quel prix le profit total est-il maximisé ?
Le concept clé est l'élasticité-prix de la demande — de combien la quantité demandée change-t-elle quand le prix varie de 1 % ? Si la demande chute de 0,5 % pour chaque augmentation de prix de 1 %, vous avez une élasticité de −0,5, et vous êtes presque certainement sous-tarifé. Si la demande chute de 2 % par augmentation de 1 %, vous êtes peut-être près du point optimal, ou vous l'avez dépassé.
Le défi est que l'élasticité varie selon le produit, le segment de clientèle, la période de l'année et le contexte concurrentiel. Un bon modèle de tarification capture ces variations et produit des prix optimaux par segment, pas un seul chiffre pour toute l'entreprise. Il tient aussi compte des effets croisés — augmenter le prix du produit A pourrait déplacer la demande vers le produit B.
Ce à quoi la « vraie » modélisation ressemble vs les tableaux de bord
Un tableau de bord vous dit ce qui s'est passé. Un modèle prédictif vous dit ce qui va se passer et quoi faire à ce sujet. Ce sont des capacités complémentaires mais fondamentalement différentes.
Les tableaux de bord sont de l'analytique descriptive. Ils agrègent des données historiques, calculent des indicateurs clés de performance et présentent des tendances. Ils répondent à des questions comme « quel était le chiffre d'affaires du dernier trimestre » ou « quelle région croît le plus vite ». C'est le minimum requis — chaque entreprise devrait avoir cela, et nous construisons des entrepôts de données et des tableaux de bord rapidement.
Les modèles prédictifs sont une catégorie entièrement différente. Ils exigent de la rigueur statistique, un découpage entraînement/test adéquat, de la validation croisée et une évaluation honnête de la précision du modèle. Ils produisent des résultats comme « le client 4 281 a une probabilité de 73 % de partir d'ici 60 jours » ou « augmenter le prix du UGS-X de 8 % augmentera le profit brut de 14 000 $/mois avec une confiance de 80 %. »
La distinction est importante parce que trop d'entreprises pensent obtenir de la modélisation alors qu'elles obtiennent des tableaux de bord avec une ligne de tendance. Une tendance linéaire sur un graphique n'est pas un modèle. Une prévision n'est pas simplement le dernier point de données extrapolé vers l'avant. La vraie modélisation signifie comprendre l'incertitude, quantifier la confiance et fournir des résultats pertinents pour la décision — pas seulement des images de chiffres.
Quand cela a du sens
La modélisation prédictive n'est pas pour chaque entreprise. Vous avez besoin de suffisamment de données historiques (typiquement 12 à 24 mois minimum), d'une question d'affaires claire et de la volonté d'agir sur les résultats. Si vous avez ces trois éléments, le rendement du capital investi se mesure habituellement en multiples, pas en pourcentages.
Nous construisons des modèles prédictifs sur mesure dans le cadre de notre pratique d'analytique quantitative. Les modèles sont déployés comme des logiciels que vous possédez — capitalisables à votre bilan et admissibles aux crédits d'impôt RS&DE . Ils s'intègrent directement à votre entrepôt de données et se mettent à jour automatiquement à mesure que de nouvelles données arrivent.
Vous souhaitez en discuter ? Contactez-nous →
Connexe : Modélisation mathématique →