Quel futur pour l’analyse prédictive ?

Les avancées des technologies de traitement permettent aujourd’hui de croiser des données multi-sources en temps réel pour prédire l’impact de phénomènes ou créer de nouvelles offres. Au cœur de ces nouveaux business models : l’enjeu de la confiance entre propriétaires des données et organisations.

Nous ne sommes qu’aux prémices de l’analyse prédictive

La donnée serait-elle le pétrole du 21e siècle ? Création de valeur, conseil client, gestion des ressources… La donnée offre de multiples perspectives aux organisations, et les avancées récentes dans les domaines du Big Data, de l'IoT et de l'intelligence artificielle élargissent encore cet horizon. Il devient en effet possible de développer des modèles d’analyse prédictive particulièrement poussés, comme l'explique Guillaume Grard, Directeur chez Orange Consulting. « Si le consommateur est d'accord, il est désormais possible de croiser les données de plusieurs types de consommation, par exemple associer des données de l’entreprise à des informations disponibles en open data. Cela permet de faire des recommandations personnalisées, qu’elles soient de type loisirs, santé, sportives... »

Un phénomène dont on a pu observer les balbutiements dans le domaine de la santé, avec les objets connectés analysant l'activité corporelle pour délivrer des recommandations d'exercice physique.

« Nous allons pouvoir prédire un certain nombre de phénomènes », poursuit Guillaume Grard. « Un département RH qui croise des données épidémiologiques – par exemple, une épidémie de grippe qui commence à se développer – les données de santé et les données de transports pourra potentiellement anticiper des risques d’absentéisme et tenter de s’en prémunir, soit en faisant attention à ne pas trop remplir les carnets de commande, soit en recrutant des intérimaires, ou encore en s’y préparant en faisant de la prévention. »

Les progrès fulgurants du machine learning devraient accélérer cette marche vers les modèles prédictifs : la mise en données croissante du monde via l’internet mobile et l’IoT alimente en effet quotidiennement le savoir des algorithmes apprenants.

 

Tous les secteurs d’activité sont concernés

Difficile de trouver un secteur dans lequel la data ne change pas vraiment la donne ! Quelques exemples ? Dans le retail, la donnée fournit déjà des indications précises sur le parcours client : « on peut très bien imaginer qu’un acteur de la grande distribution croise ses propres données avec celles d’un réfrigérateur connecté pour proposer des recommandations via des “shopping lists”, fondées sur un modèle prédictif, puis pousser automatiquement des produits potentiellement pertinents », détaille Guillaume Grard.

Dans l’agriculture, la donnée est au cœur de la traçabilité des denrées, mais aussi de l’activité des machines : il devient possible d’anticiper leurs dépenses énergétiques et d’être alerté de leur usure pour opérer une maintenance préventive.

Dans la santé, l’analyse d’un large panel de patients peut permettre d’établir des prédictions autour du développement de certaines maladies à destination de l’ensemble des laboratoires, des mutuelles ou d’acteurs issus du secteur public (CAF, CNAV, etc.).

« Nous pourrions citer également l’énergie », poursuit Guillaume Grard. « Je pense à EDF avec l’introduction de Linky, qui permet de disposer de données en masse pour aider à mieux consommer et de faire des recommandations sur la consommation d’énergie. Dans le bâtiment, on va intégrer plus de données pour mieux piloter l’efficacité énergétique et fournir des nouveaux services : on parle alors de Smart Building. »

Impossible enfin de ne pas évoquer l’industrie automobile et les véhicules connectés, qui mixent intelligence artificielle et data intelligence et préfigurent un nouveau modèle économique.

 

La confiance utilisateur comme condition sine qua non

Le développement des modèles prédictifs repose sur un bénéfice mutuel : l’exploitation de la donnée en échange d’un service facilitateur à valeur ajoutée. Ce qui pose la question de la confiance des clients, sans laquelle l'analyse prédictive ne peut trouver que trop peu d'applications commerciales.

« Beaucoup de clients sont impactés par la data sans forcément le savoir », avertit Guillaume Grard. « Les consommateurs finaux ne sont pas forcément toujours très avertis du fait que leurs données circulent et qu’elles sont utilisées. Et dans le même temps se développe une clarification sur le fait que ces données ont effectivement de la valeur. »

La mise en en place d'un écosystème où le consommateur va pouvoir partager ses données en toute confiance est donc déterminante pour assurer le succès de l'analyse prédictive. Le Règlement Général sur la Protection des Données (RGPD), récemment entré en application, œuvre dans ce sens. « On voit émerger de nouveaux services en lien avec cette réglementation et la mise en conformité qui en découle, notamment autour de la centralisation des données et de leur confidentialité », observe Guillaume Grard.

Les précautions prises autour de la data deviennent ainsi un facteur différenciant pour les clients et donc un business en soi. L'avenir de l’analyse prédictive appartiendra à l'entreprise « data-driven », qui collecte la donnée de façon intelligente, en priorisant ses besoins pour l’utiliser à sa juste valeur.

 

Pour aller plus loin :