BI 201x : l’an 4 de la Business Intelligence ? (partie 4) 

Tendance #13 : La BI prédictive : La technologie pourra-t-elle un jour nous aider  à prévoir l’avenir ?

L’enjeu :  la BI prédictive est un sujet controversé car elle il faut bien reconnaitre qu’elle fait partie des promesses non tenues par nombre d’initiative décisionnelles. On a fait trop souvent fait rêver les métiers en leur laissant entrevoir une boule de cristal, pour un résultat final plus proche du rétroviseur.
Pourtant, dans bien des domaines domaines d’activité, l’analyse prédictive rend des services indispensables. C’est grâce à elle par exemple que les services de crédit à la consommation peuvent accepter en temps réel une demande de crédit, tout en refusant la majorité des demandes sur la base d’un scoring en temps réel du risque crédit et de fraude. Dans le secteur des produits grands publics, elle rend des services innovants au consommateur final, par exemple dans les systèmes de recommandations que l’on voit sur iTunes ou Amazon. Dans les départements R&D des laboratoires pharmaceutiques, Risque des banques ou Marketing des opérateurs telecoms, ces technologies sont aussi largement répandues. Les fondations technologiques et mathématiques, sont de leur côté largement matures : les leaders du marché comme Sas Institute ou SPSS (aujourd’hui acquis par IBM) ont d’ailleurs été créés dans les années 1970.
Alors pourquoi la BI prédictive peine-t-elle à ce point à se démocratiser ? La première raison vient de la courbe de maturité du décisionnel. Hormis pour certains cas d’usages précis, comme certains évoqués précédemment, le décisionnel s’appréhende en premier lieu par sa dimension descriptive. C’est l’image de rétroviseur déjà évoqué. Puis, il se développe sur une dimension interactive. Dans bien des entreprises disposant d’une bonne expérience en décisionnel, cette seconde dimension arrive à un bon niveau de maturité : des outils de définition de requête ad hoc ou d’analyse multidimensionnelle sont proposés à une certaine population d’utilisateurs. Des tableaux de bord interactifs, voir des outils de visualisation avancés comme nous l’évoquerons plus tard, commencent eux aussi à se répandre. L’analyse prédictive est le prolongement naturel, mais ce ne peut être que l’étape suivante, et elle ne peut s’adresser qu’à une population plus réduite encore, familière aux principes d’analyse de données.
L’erreur, du reste, a sans doute été de penser dans ce domaine que la technologie remplacerait les compétences humaines pour l’analyse de données. Or c’est un peu comme si l’on considérait que la démocratisation de l’informatique supprimerait le besoin d’informaticien. Derrière les algorithmes de recommandations des grands sites de e-commerce, il y a des années d’efforts. Netflix, le très médiatique loueur de DVD aux US, offre régulièrement 1 million de dollars à qui améliore son algorithme de recommandation. Car l’enjeu est de taille : à l’heure de l’hyperchoix, le consommateur n’a plus suffisamment de temps à consacrer à trouver l’offre la mieux adapté à son contexte et celui qui parvient à le faire pour lui développe un avantage compétitif considérable sur sa concurrence. Dans cet exemple, comme dans d’autres, l’analyse prédictive a démontré son énorme valeur ajoutée. Mais elle ne peut se mettre en place qu’au moyen d’équipes dédiées dont le métier est de créer des modèles et de les rendre exploitables par les équipes sur le terrain, voir les clients eux-mêmes.

[Revenir au sommaire général]