L’analyse prescriptive, la réconciliation des utilisateurs avec les solutions analytiques

Il était une fois l’analytique, composé principalement (tout dépend des auteurs) de 3 concepts :

• L’analyse descriptive : Que s’est il passé ?
• L’analyse prédictive : Que va-t-il se passer ?
• L’analyse prescriptive : Comment optimiser ?

Ces trois types d’analyses ont un intérêt commun : permettre de mieux appréhender des évènements, un business, pour faire les meilleurs choix stratégiques, et ce le plus rapidement possible.

Nous verrons brièvement l’utilisation actuelle des deux premiers types d’analyse, leurs avantages et inconvénients. Ensuite, nous nous attarderons un peu plus sur l’analyse prescriptive, qui se démarque clairement des deux autres, via toutes les possibilités qu’elle offre, d’une part à nous autres créatifs et contributeurs du web moderne, et d’autre part à nos utilisateurs et consommateurs de données.

L’overdose d’indicateurs

Aujourd’hui, quand nous parlons d’analytique, nous désignons principalement l’analyse descriptive. Cette dernière est employée pour répondre à une question simple mais pourtant cruciale : En regardant les données, que s’est il passé ?
Nous utilisons alors notre bon sens et des outils de datamining pour extraire de nos données différentes mesures ou indicateurs de performances (KPIs). Ces derniers sont généralement utilisés dans des dashboards et autres interfaces. Ceci a pour but de vous faire gagner du temps. Vous pourrez alors vous consacrer à du monitoring ou de l’optimisation.

Malheureusement ce type d’analyse n’est souvent pas pleinement exploitée, ne laissant l’utilisateur qu’avec de trop nombreux indicateurs, certains moins intéressant que d’autres, sans le guider dans leurs interprétations. Ainsi, l’utilisation des données du descriptif par l’utilisateur peut devenir compliqué et contre productive.

Pourtant en étant bien menée, l’analyse descriptive peut apporter de nombreux avantages aux utilisateurs, que ce soit sur l’aide à la prise de décisions stratégiques ou à la compréhension de son marché. Mais pour ce faire, il faut bien choisir ses indicateurs et surtout s’en servir pour créer du data storytelling de qualité.

Illustrons maintenant tout ceci par un exemple concret. Prenons un utilisateur, une entreprise fabricant et commercialisant des sorbets à base de fruits. Elle veut pouvoir juger rapidement de la bonne santé de son affaire et de la rentabilité de chaque type de sorbets, et ainsi d’optimiser son profit.

Via l’analyse descriptive, nous pouvons calculer des données brutes collectées (coûts, ventes en fonction du temps) :

• Le profit cumulé au cours du temps.
• Le ROI (Retour sur investissement).
• Les tendances (croissance, décroissance de la courbe de gain au cours du temps).
• …et bien d’autres statistiques utiles pour du monitoring.

Détail du profit par type de produit fabriqué et commercialisé

Résumé du profit total de l’entreprise

Avec toutes ces informations, l’utilisateur est à même de juger de la bonne santé de ses produits et de prendre des décisions concernant sa production.
Comme on peut le voir ci-dessus, avec le profit au cours du temps de chaque produit, l’utilisateur peut déjà prendre des décisions efficaces et ainsi gagner du temps sur l’optimisation de son profit global. Nous pouvons aller plus loin en lui proposant du data storytelling avec des résumés textuels (ou infographiques) lui permettant d’aller encore plus vite dans son traitement de l’information, et par conséquent dans sa rapidité à réagir.

Un exemple simple : /!\ Attention, votre produit « melon » tend à s’essouffler (croissance de moins en moins forte) !!

L’information est clair et l’utilisateur n’y avait peut être pas prêté attention sur les graphiques (diminution de la pente de la courbe de gain d’un produit).

Pourtant il y a encore mieux à faire pour faire gagner du temps à nos utilisateurs : le prédictif.

Le prédictif, puissant mais non pourvoyeur de solutions

En se basant sur l’analyse descriptive des données passées et en complétant avec quelques connaissances statistiques et d’algorithmie, il est possible d’offrir des solutions de prédictions à nos utilisateurs. Il est ainsi possible de composer des outils plus puissants, affinant la prise de décision de ces derniers. Nous pouvons alors leur fournir des interfaces ou utilitaires leur permettant (en théorie) de ne plus subir mais d’anticiper le marché et leurs résultats, et de réagir intelligemment grâce à la prise en compte des KPIs de l’analyse descriptive.

Pour réaliser de bonnes prédictions, il n’est plus forcément nécessaire d’être statisticien, de nombreux outils ayant été amenés par les datasciences (Un petit exemple utilisant le langage script R: https://systematicinvestor.wordpress.com/2012/07/31/yet-another-forecast-dashboard/). La création de solutions prédictives en est donc facilitée, au grand bonheur des utilisateurs, des développeurs et des professionnels de la donnée.

Toujours sur notre exemple précédent, voici ce que donnerait les prédictions de profit sur les différents produits :

Prédiction du profit par type de produit

L’utilisateur peut donc aller encore plus vite dans son analyse, n’ayant plus à extrapoler les résultats futurs, ces derniers lui étant servi sur un plateau.

Pourtant, ici encore, mal employé au sein d’interfaces ou d’outils, la prédiction peut donner l’impression de laisser les utilisateurs livrés à eux même.
En se contentant de donner une tendance à venir mais pas les moyens de l’éviter ou de l’optimiser, nous nous contentons de leur exposer un problème. Imaginons que notre client n’ait pas 6 produits à monitorer mais 50, il devrait alors alloué une partie considérable de son temps à l’analyse de nos prédictions. Il y a tellement mieux à faire.

Soyons orienté solutions. Facilitons la vie des utilisateurs de la donnée.

C’est là qu’intervient le concept d’analyse prescriptive.

Le prescriptif, le meilleur des deux mondes?

L’analyse prescriptive utilise les deux concepts précédemment évoqués dans un but principal :

Proposer des voies d’optimisations aux utilisateurs, de l’aide à la décision, leur permettant ainsi de réagir plus rapidement, et de façon la plus appropriée, à une situation en devenir. C’est sa capacité à donner à l’utilisateur / client les moyens de prendre des décisions rapidement, choses qu’il n’aurait pas pu forcément faire en raison du nombre d’indicateurs à prendre en compte et de leurs complexités, qui rend le prescriptif intéressant.

Bien sûr la première chose à faire dans le cadre de ce type d’analyse est d’identifier dans les données à notre disposition (grâce au descriptif) les leviers d’actions, ou les points possibles d’optimisations qui pourraient être intéressant. En reprenant notre exemple précédent on pourrait citer :

• Les types de produits fabriqués et commercialisés.
• Les grandes surfaces dans lesquels sont commercialisés les produits.
• La saisonnalité.
• Les matières premières choisies.
• …Et beaucoup plus que ce que l’on pourrait imaginer.

S’en suit une étape de simulations et d’optimisations mettant à profit le descriptif comme le prédictif. L’idée est on ne peut plus simple, on retire certaines variables (des produits, des campagnes, des heures de diffusions…), on en modifie d’autres (on change les matières premières modifiant le coût de fabrication) et l’on rejoue nos données pour voir si ce que l’on aurait obtenu grâce à nos optimisations et par extension si nos prédictions (forecast) s’améliorent (en théorie).

Sur notre exemple, cela donnerait ceci :

Simulations par optimisations sur le profit de l’entreprise:

Ici, 2 points d’optimisations ont été trouvés, un concernant l’arrêt de la fabrication et de la commercialisation des produits déficitaires (orange et fraise), l’autre concernant l’arrêt de la distribution en Italie. Ainsi on simule le profit de l’entreprise en optimisant de la sorte, permettant définitivement de prescrire ces optimisations à la vue des résultats obtenus.

Bien sûr ces phases d’optimisations, de simulations et de prédictions sont automatisées, généralement utilisant des algorithmes de machine learning ou des algorithmes « maisons » plus spécifiques. Le but n’est pas de remplacer l’utilisateur mais de lui faciliter ses prises de décisions. Il faut lui laisser une marge de manœuvre sur les simulations en lui donnant par exemple le droit de regard sur les variables à exclure. On ne remplacera jamais ses connaissances métiers !

En agrémentant tout ceci d’un peu de data storytelling et de mise en forme, on donne ainsi à nos utilisateurs à la fois un temps de traitement de l’information accéléré, mais également un pouvoir d’anticipation accru. Il a les cartes en mains pour pouvoir améliorer ses chiffres, son business, son job sans avoir à prendre en considérations mille et un KPIs.

C’est une vraie aubaine pour les utilisateurs mais également pour les développeurs qui peuvent alors proposer des produits innovants, puissants et fiables.

Cependant il faut bien prendre en considération que bien que le prescriptif est économiquement plus intéressant que les autres analyses, il reste bien plus complexe à mettre en œuvre. Sa mise en place ne doit pas être prise à la légère car il nécessite bien plus de temps investi pour son développement qu’une simple interface descriptive. Parfois un utilisateur n’a pas besoin du prescriptif, il a juste parfois besoin de deux – trois indicateurs qui lui faciliteront la tâche. Il convient d’être prudent.

Mais c’est à mon sens le seul point négatif du prescriptif. C’est en effet un outil puissant, qui pour une fois allie performance, accessibilité et facilité de lecture.

A l’heure de l’âge d’or de l’analytique nous autres techniciens aurions tort d’en priver nos utilisateurs !