Comment l'analytique et l'IA peuvent-elles permettre aux marketeurs de prédire l'avenir ?

Ne faites jamais de prédictions, surtout concernant l'avenir.

Nous n'avons pas vraiment d'excellents antécédents en matière de prévision de l'avenir, ce qui semble donc être un sage conseil.

Du président d'IBM Thomas Watson déclarant au début des années 40 qu'il y aurait un marché mondial pour « environ 5 ordinateurs » (il est vrai qu'il n'y avait peut-être de place sur la planète que pour 5 des premières machines IBM), jusqu'au brouhaha de l'an 2000, les gens ne peuvent s'empêcher de se lancer dans des prédictions grandioses, souvent extrêmement inexactes.

Les récompenses pour connaître l'avenir à l'avance sont trop grandes pour résister à l'essai, mais nous comptons assez fortement sur l'intuition humaine pour former nos projections. En tant que telles, les récompenses restent trop souvent non réclamées.

Il s'agit toutefois d'une industrie en évolution rapide, et les progrès de l'intelligence artificielle (IA) pourraient bientôt nous amener à baser nos projections futures sur des modèles statistiques fiables plutôt que sur notre intuition familière mais imparfaite.

Dans cette série en trois parties, nous explorerons le rôle potentiel de l'artificiel dans

intelligence dans le développement d'analyses prédictives précises et accessibles qui améliorent les performances de l'entreprise.

Cet article commencera par une analyse de la situation actuelle du secteur de l'analyse prédictive, ainsi que par quelques conseils pour aider les entreprises à tirer le meilleur parti de la technologie et des données disponibles.

Qu'entendons-nous par « analyse prédictive » ?

L'analyse prédictive est une forme d'exploration de données qui utilise l'apprentissage automatique et la modélisation statistique pour prédire les situations futures, sur la base de données historiques.

Il existe déjà des exemples d'analyse prédictive en action tout autour de nous. Si votre banque vous signale une activité potentiellement suspecte sur votre carte de crédit, il est fort probable qu'un modèle statistique ait été utilisé pour prédire votre comportement futur sur la base de vos transactions passées. Les écarts sérieux par rapport à ce modèle sont signalés comme suspects.

En tant que simple proxy pour comprendre le niveau d'intérêt dans le domaine, nous pouvons voir sur Google Trends que le volume de recherche pour le sujet « analyse prédictive » a considérablement augmenté au cours des 5 dernières années :

Nous pouvons regarder cette ligne et prédire qu'elle continuera de croître. Mais c'est vraiment juste basé sur la tendance historique récente, ou le fait que nous avons entendu beaucoup de buzz sur le sujet dans l'industrie. Il nous faudrait beaucoup plus d'investigations pour affirmer avec une réelle certitude où la ligne ira ensuite.

Il est logique que tant d'entreprises soient également intriguées par le sujet. Il est prévu que plus de 76 milliards de dollars seront dépensés chaque année pour la technologie « Big Data » d'ici 2020. La meilleure façon d'obtenir un retour sur cet investissement serait d'utiliser toutes ces données pour anticiper les tendances futures de la demande.

C'est une tâche difficile à maîtriser pour les gens, comme nous l'avons vu. Nous avons besoin d'un peu d'aide si nous voulons commencer à faire des prédictions correctes.

Par conséquent, dans le « modèle d'ascension analytique » de Gartner, l'analyse prédictive est considérée comme un saut évolutif par rapport à l'analyse descriptive et à l'analyse diagnostique.

Cela dit, le désir d'analyse prédictive précise n'est pas nouveau, pas plus que les tentatives d'utiliser l'analyse pour modéliser les comportements futurs des consommateurs. De nombreux professionnels de l'analyse s'engagent quotidiennement dans ce domaine pour calculer des chiffres tels que la valeur à vie (LTV) de leur client type, par exemple. La disponibilité d'ensembles de données vastes et variés a permis d'améliorer considérablement la précision de ces calculs.

Ce qui est relativement nouveau, c'est l'application de l'intelligence artificielle pour combler les lacunes de nos compétences et étendre ce qui est possible avec l'analyse prédictive.

Cette combinaison a conduit à des modèles statistiques plus sophistiqués qui repèrent des modèles dans les comportements passés des consommateurs et les utilisent pour cartographier les actions futures probables.

Mais pourquoi l'intelligence artificielle, en particulier, est-elle si efficace pour réaliser ce que nous avons trouvé presque impossible par nous-mêmes ?

Créatures de l'habitude : comment l'analyse prédictive est-elle appliquée dans le monde réel ?

L'analyse prédictive est grandement facilitée par la prévisibilité des personnes.

Aussi unique et libre que nous voudrions croire que nous sommes, l'IA peut prédire avec assez de précision ce que nous continuerons à faire en fonction de nos actions passées et des actions de personnes similaires.

Une étude menée par des scientifiques du Media Lab du Massachusetts Institute of Technology en 2007 a découvert que « bon 90 pour cent de ce que la plupart des gens font au quotidien suit des routines si complètes que leur comportement peut être prédit avec seulement quelques équations mathématiques ».

De nombreuses campagnes marketing ont fonctionné sur cette hypothèse, mais nous pouvons désormais appliquer ce principe avec plus de précision et de responsabilité.

Là où l'IA prend tout son sens dans ce domaine, c'est dans sa capacité à identifier des modèles plus larges que les humains ne verraient tout simplement pas. Nous sélectionnons des domaines d'enquête sur la base de ce que nous pensons être des hypothèses sûres, mais l'IA peut identifier d'autres variables qui, lorsqu'elles sont modifiées, ont un impact les unes sur les autres.

Cette approche (largement façonnée par l'utilisation de l'analyse de régression) est un reflet approprié du monde en constante évolution dans lequel vivent les consommateurs.

Par exemple, en fonction de mon emplacement, de mon âge, de mes achats antérieurs et de mon sexe, quelle est la probabilité que j'achète du lait si je viens d'ajouter du pain à mon panier ? Un supermarché en ligne peut utiliser ce type d'informations pour me recommander automatiquement des produits, en fonction de ma propension prévue à acheter ces articles.

De plus, un fournisseur de services financiers peut utiliser des milliers de points de données créés par mes interactions en ligne et celles de personnes similaires pour décider quelle carte de crédit m'offrir et à quel moment. Un détaillant de mode peut utiliser mon profil numérique pour décider quelles chaussures recommander lors de mon prochain achat, en fonction du jean que je viens d'acheter.

Cela aide les entreprises à améliorer leur taux de conversion, mais les implications sont beaucoup plus larges que cela. L'analyse prédictive permet aux entreprises de définir des stratégies de tarification en fonction des attentes des consommateurs et des références des concurrents. Il permet aux commerçants d'anticiper la demande, et donc de s'assurer d'avoir le bon niveau de stock pour chaque produit.

L'analyse prédictive peut même suggérer des idées pour de nouvelles gammes de produits en repérant les changements dans les préférences des clients. Cela marque la transformation de l'analyse d'un outil rétrospectif pour les spécialistes des données, en une fonction prédictive essentielle qui façonne la stratégie commerciale, améliore les relations client et crée des efficacités opérationnelles.

En fait, un récent rapport de Forrester a noté que « les spécialistes du marketing prédictif sont 2,9 fois plus susceptibles de déclarer une croissance des revenus à des taux supérieurs à la moyenne du secteur ».

La preuve de cette révolution est déjà tout autour de nous. Chaque fois que nous tapons une requête de recherche dans Google, Facebook ou Amazon, par exemple, nous introduisons des données dans la machine. La machine se nourrit de données, devenant de plus en plus intelligente à mesure qu'elle reçoit ces signaux de retour.

Ce phénomène apporte une multitude d'avantages pour les commerçants. Google utilise cette technologie depuis un certain temps déjà, via son produit Smart Goals dans Analytics, et sa fonction Session Quality Score, lancée à la fin de l'année dernière. Ce sont des exemples d'analyse prédictive en action, alimentée par la technologie d'apprentissage automatique.

Il existe un argument selon lequel la prédiction est le fondement de l'intelligence, c'est donc tout un exploit pour l'IA.

Ce n'est cependant que le début. Une grande partie du travail actuel dans l'analyse prédictive se concentre sur la formulation de suggestions ou de recommandations, mais il est possible que des projections basées sur l'IA forment le pivot des stratégies marketing.

Les développements récents donnent de nombreuses raisons d'être optimistes (ou d'être inquiets, diront certains) à cet égard. L'équipe DeepMind de Google vient de créer une IA capable de planifier l'avenir et d'envisager différents résultats avant d'agir.

Ceci est pertinent dans le cadre de l'analyse prédictive, car l'imagination est un aspect fondamental de la création de projections. Cette capacité ne fera que renforcer le rôle de l'IA en tant que composante essentielle d'une campagne d'analyse prédictive réussie.

Comment les entreprises peuvent-elles intégrer l'analyse prédictive ?

Pour capitaliser sur le potentiel de l'intelligence artificielle et de l'analyse prédictive, les organisations doivent mettre en place quatre éléments.

1. Les bonnes questions

Les meilleurs projets d'analyse prédictive commencent par une hypothèse solide à tester. Bien que nous devions fournir aux algorithmes d'apprentissage automatique la possibilité de faire leurs propres associations objectives entre les points de données, nous devons nous lancer dans un défi commercial que nous cherchons à surmonter. Cela aide à donner une forme à l'effort.

2. Les bonnes données

Les progrès de la science des données au cours de la dernière décennie signifient que nous pouvons tirer des informations de grands volumes de données non structurées avec une plus grande précision, mais nous avons toujours besoin d'ensembles de données complets pour arriver à des conclusions convaincantes.

Par conséquent, la prochaine étape après avoir défini les questions auxquelles vous souhaitez répondre avec l'analyse prédictive consiste à déterminer quelles données vous sont disponibles et si elles seront suffisantes pour répondre à vos questions de manière convaincante.

3. La bonne technologie

Comme le laisse entendre la valeur projetée de 76 milliards de dollars d'ici 2020, la technologie des mégadonnées est une industrie en plein essor. Les données sont créées à un rythme tel que nous avons besoin de capacités technologiques en constante amélioration juste pour les capturer, les stocker et leur donner un sens.

Bon nombre des principaux progiciels d'analyse ont déjà lancé des outils d'analyse prédictive, mais ils varient dans leurs méthodologies. Pour décider quelle solution est la meilleure pour votre entreprise, il est plus important que jamais d'avoir une équipe en place qui a l'expérience de chacun et peut identifier l'option la plus appropriée.

4. Les bonnes personnes

Cela nous ramène à la première étape, essentiellement. Sans les bonnes personnes, il est très difficile de poser les bonnes questions. Il est également difficile de savoir quelles données pourraient être nécessaires pour y répondre ou pour tirer le meilleur parti des dernières technologies. Malgré tous les discours sur le remplacement des personnes par l'IA, cela n'a fait qu'accentuer l'accent mis sur l'obtention des bonnes personnes pour tirer le meilleur parti des nouvelles opportunités qu'elle crée.

Les applications de cette technologie sont déjà très répandues, mais nous ne faisons qu'effleurer la surface. Dans le prochain article de cette série, nous examinerons cinq entreprises qui utilisent aujourd'hui l'analyse prédictive pour améliorer leurs performances commerciales.

Lisez la partie 2 de la série : 5 entreprises utilisant l'IA pour prédire l'avenir et le profit