La prédiction est un exercice très compliqué, spécialement quand elle concerne le futur.
Niels Bohr
Les actions de fidélisation bien conduites sont toujours bénéficiaires. Le bouche à oreille des clients satisfaits assure l'accroissement de la clientèle. C'est en fait la cerise sur le gâteau...
À condition toutefois d'investir dans les actions marketing avec discernement si l'on espère récolter les fruits de sa démarche. Connaître les bons clients actuels est important mais bien loin d'être suffisant.
Si l'on souhaite équilibrer les actions orientées clients à entreprendre, il est essentiel de ne cibler que ceux qui seront demain les bons clients, les anciens comme les nouveaux. Mais voilà, toutes les données collectées ne concernent que le passé comme aurait pu dire La Palice.
C'est là qu'entre en jeu l'analyse prédictive.
L'analyse prédictive n'est pas un outil en soi, c'est plutôt une pratique qui s'appuie sur les outils statistiques bien sûr, mais aussi sur le data mining et la recherche de corrélation et la théorie des jeux. Le thème du machine learning et de la modélisation propre au Big Data ne vise d'autres ambitions, en tout cas dans le monde de l'entreprise commerciale. À noter, l'anticipation des fraudes et l'identification des comportements malhonnêtes sont aussi une piste de recherche.
L'analyse prédictive est utilisée pour les applications de CRM comme nous l'avons introduit ici, mais aussi par les compagnies d'assurance et le secteur de la banque pour bâtir les scoring crédits, affiner la mesure de risques et la prévention des fraudes.
Modélisation, apprentissage, multiples données d'entrées sont les principales caractéristiques des réseaux de neurones. (Cognos 4Thought était un outil de modélisation prédictive et d'analyse de type "what if" utilisant les réseaux de neurones. Le produit n'est plus référencé tel quel au catalogue IBM.)
Les moteurs d'analyse à base de réseaux de neurones sont maintenant intégrés au sein d'outils plus complets comme SAS ® Enterprise Miner TM Neural Networks.
Voir aussi la régression linéaire et la régression logistique, variante de la première.
Á titre d'exemple trivial, lorsqu'un visiteur explore méticuleusement votre boutique en ligne sans rien acheter, il y a de grandes chances pour que ce soit en concurrent. Évident, n'est-ce pas ? Mais, c'est un exemple. Avec des outils un peu plus fins, on peut construire des profils types permettant non pas d'anticiper à coup sûr mais bien d'envisager des comportements possibles.
Ce thème, limité pour cet exemple au cas de à la boutique en ligne, s'applique à de multiples domaines dès que l'on peut disposer de grandes quantités de données suffisamment complètes pour éviter les contresens. On rejoint là l'importance de disposer aisément de méga volumes de données, voir ci-dessus.
Cet ouvrage s'adresse de préférence à des managers déjà bien sensibilisés aux concepts des systèmes d'Informations, telles les bases de données...
Big Data et Machine Learning
Les concepts et les outils de la data science
Pirmin Lemberger, Marc Batty, Médéric Morel, Jean-Luc Raffaëlli
Dunod 3ème édition 2019
272 pages
Dispo : www.amazon.fr
La sagesse des foules de James Surowiecki est traduit en français...
La sagesse des foules
James Surowiecki
Jean-Claude Lattès
384 pages
Dispo : www.amazon.fr
La version anglaise d'origine...
The Wisdom of Crowds
James Surowiecki
Ed. Doubleday
320 pages
Dispo : www.amazon.fr
Les tableaux de bord du manager innovant
Une démarche en 7 étapes pour faciliter la prise de décision en équipe
Alain Fernandez
Éditeur : Eyrolles
Pages : 320 pages
Consultez la fiche technique »»»
Pour acheter ce livre :
Format ebook : PDF & ePub,
Format Kindle