Votre recherche n’a donné aucun résultat.
Nous vous suggérons d’essayer ce qui suit pour trouver ce que vous recherchez :
Le Business Analytics, ou analyse d’affaires, est un processus de collecte, de tri, de traitement et d’étude des données, ainsi que l’utilisation de modèles statistiques et de méthodologie itérative pour transformer les données en informations.
Temps de lecture : 15 mn
L’objectif du Business Analytics est de déterminer quels sont les ensembles de données utiles et comment ces ensembles peuvent être exploités pour résoudre les problèmes et augmenter l’efficacité, la productivité et le chiffre d’affaires.
Sous-ensemble de l’intelligence d’affaires (BI), le Business Analytics est généralement mis en œuvre dans le but d’identifier les données exploitables.
La business Intelligence est typiquement descriptive et se concentre sur les stratégies et les outils utilisés pour acquérir, identifier et catégoriser les données brutes et rendre compte des événements passés ou actuels.
Le Business Analytics, lui, est davantage prescriptif, consacré à la méthodologie par laquelle les données peuvent être analysées, aux schémas reconnus et aux schémas développés pour clarifier les événements passés, créer des prévisions pour ceux futurs, et recommander des actions pour maximiser les résultats.
Les données « sophistiquées », l’analyse quantitative et les modèles mathématiques sont utilisés par les analystes afin de trouver des solutions aux problèmes liés aux données.
Ils peuvent utiliser les statistiques, les systèmes d’information, l’informatique et la recherche opérationnelle pour élargir leur compréhension des ensembles de données complexes, ainsi que l’intelligence artificielle, l’apprentissage approfondi et les réseaux neuronaux pour micro-segmenter les données disponibles et identifier des modèles.
Ces informations peuvent ensuite mises à profit pour prédire avec précision les événements futurs liés à l’action des consommateurs ou aux tendances du marché. Ainsi, ils peuvent recommander des mesures pouvant amener à attendre l’objectif souhaité.
Les dashboards mobiles ont des éléments similaires aux dashboards professionnels, mais avec quelques différences importantes. Ils comprennent plusieurs composants.
L’agrégation des données
Avant de pouvoir être analysées, les données doivent être recueillies, centralisées et triées, pour éviter les doubles emplois et éliminer les données inexactes, incomplètes et inutilisables.
Les données peuvent ensuite être regroupées à partir :
Dans la recherche pour révéler et identifier des tendances et des schémas non reconnus auparavant, des modèles peuvent être créés par l’exploration de grosses quantités de données. Cette exploration fait appel à plusieurs techniques statistiques.
Ces techniques inclus :
Identification des associations et des séquences
Dans de nombreux cas, les consommateurs effectuent des actions similaires en mêle temps, ou des actions prévisibles de manière séquentielle. Ces données peuvent révéler des modèles tels que :
L’exploration de texte
Les entreprises peuvent également recueillir des informations textuelles à partir de médias sociaux, de commentaires de blogs et de scripts de centres d’appels pour en extraire des indicateurs de relation significatifs. Ces données peuvent être utilisées pour :
Prévision
Une prévision d’événements ou de comportement futur basée sur des données historiques peut être créée en analysant les processus qui se produisent pendant une période ou une saison spécifique. Par example :
Les entreprises peuvent créer, déployer et gérer des modèles de notation prédictive en traitant de manière proactive des événements comme :
L’optimisation
Les compagnies identifient les meilleurs pronostics et les prochaines meilleures actions en développant et en engageant des techniques de simulation. Cela inclut :
Visualisation des données
Les informations tirées des données peuvent être présentées à l’aide de graphiques interactifs :
Ces éléments de visualisation de données permettent aux compagnies d’exploiter leurs données pour informer, ainsi que de préparer de nouveaux objectifs, le but étant d’augmenter le chiffre d’affaires et les relations avec le consommateur.
Il existe quatre types d’analyses d’affaire, chacun de plus en plus complexe et proche de la réalisation d’une application en temps réel et temps futur. Ces types d’analyse sont souvent implémentés par étapes, en commençant par les plus simples.
Cela ne veut pas dire qu’il y en a de plus importants qu’un autre, car ils sont interdépendants, mais cela permet d’écrémer au fur et à mesure, d’avoir une approche macro vers le micro.
Les exemples de BA qui suivent donnent un aperçu de chaque type dans le processus d’analyse. En exploitant chacun, les données importantes pourront être disséquées et utilisées pour créer des solutions à de nombreux problèmes majeurs auxquels les entreprises sont confrontées aujourd’hui.
L’analyse descriptive, comme son nom l’indique, décrit ou résume les données existantes d’une entreprise pour obtenir une image de ce qui s’est déroulé dans le passé ou de ce qui se passe actuellement. C’est la forme d’analyse la plus simple et elle utilise des techniques d’agrégation et d’exploration de données. Elle applique des statistiques descriptives afin de les rendre plus accessibles aux membres de l’entreprise, aux investisseurs, actionnaires et directeurs marketing des ventes.
L’analyse descriptive peut aider à identifier les forces et les faiblesses et fournir un aperçu du comportement des clients. Des stratégies peuvent ensuite être développées et déployées dans les domaines du marketing ciblé et de l’amélioration des services, bien qu’à un niveau plus élémentaire qu’avec des procédures de diagnostic plus complexes.
Le rendu physique le plus courant de cette analyse sont des rapports visuels de statistiques, assez lourds.
L’analyse diagnostic passe « du quoi » des événements passés et actuels au « comment » et « pourquoi », en se concentrant sur les performances antérieures pour déterminer quels facteurs influencent les tendances. Ce type d’analyse utilise les sondages, les données, les probabilités, les corrélations et la répartition des résultats afin de comprendre pourquoi certains phénomènes se produisent.
Cependant, l’analyse diagnostique a une capacité limitée à fournir des informations exploitables. En effet, elle apporte des résultats de corrélation, plutôt que la causalité. Ce type d’analyse est généralement rendu sous forme de tableau de bord.
L’analyse prédictive permet de prévoir les événements possibles à l’aide de modèle. Ce type d’analyse commerciale s’appuie sur les résultats de l’analyse descriptive pour concevoir des modèles qui peuvent extrapoler la probabilité de certains résultats. Des experts et spécialistes des données sont souvent employés pour faire ces analyses à l’aide d’algorithmes et de statistiques, ce qui permet d’atteindre un niveau de précision prédictive plus élevé que ce qu’on peut obtenir par la seule intelligence d’affaires.
Une application courante de l’analyse prédictive est l’analyse d’opinion. Les données textuelles peuvent être collectées à partir des médias sociaux pour fournir une image complète des avis d’un utilisateur. Ces données pourront être analysées pour prédire ses sentiments envers un nouveau produit ou service (positif, négatif, neutre).
L’analyse prédictive est souvent sous forme de rapport détaillé utilisé pour étayer des prévisions complexes dans le secteur des ventes et du marketing.
L’analyse prescriptive va au-delà de l’analyse prédictive, en fournissant des recommandations pour les prochaines meilleures actions et en permettant une manipulation potentielle des événements pour obtenir de meilleurs résultats.
Ce type d’analyse est capable non seulement de suggérer tous les résultats favorables selon un plan d’action spécifique, mais aussi de recommander des actions pour obtenir celui désiré.
Elle s’appuie sur un système de retour d’information solide et sur des analyses et test itératifs constants pour en savoir toujours plus sur les relations entre les différentes actions et les résultats.
L’une des exploitations les plus courantes de l’analyse prescriptive est la création de mécanismes de recommandation, qui s’efforcent de faire correspondre les options aux besoins en temps réel d’un consommateur.
La clé d’une analyse efficace est un processus et un réseau neuronal complexe, qui peuvent micro-segmenter les données sur plusieurs paramètres simultanément. Ici, le produit final sera une proposition ciblée pour les prochaines actions qui peuvent être appliquées à des objectifs commerciaux identifiés.
Ces quatre différents types d’analyses peuvent être mis en œuvre de façon séquentielle, même s’il n’y a pas d’obligation. Dans de nombreux cas, les entreprises peuvent passer directement de l’analyse descriptive à l’analyse prescriptive grâce à l’intelligence artificielle qui simplifie le processus.
En matière d’analyse, le succès dépend souvent de la prise en charge ou non par toutes les parties d’une entreprise, de son adoption et de son exécution.
Voici des exemples de BA réussies (qui ont généré le déploiement de nouvelles initiatives basées sur la prédiction).
Maintenance prédictive : Shell
Royal Dutch Shell PLC a récemment mis en place une maintenance prédictive pilotée par l’intelligence artificielle afin de réduire le temps perdu en cas de défaillance des machines.
Les outils dotés de l’intelligence artificielle prédisent quand la maintenance est nécessaire sur les compresseurs, les vannes et autres équipements peuvent analyser de manière autonome les données pour aider à diriger les trépans de forage dans les dépôts de schiste, et pourront bientôt identifier et alerter les employés de la station des comportements dangereux des clients, réduisant ainsi les risques de la plateforme.
Les systèmes peuvent prévoir quand et où les 3000 pièces différentes de machines de forage pétrolier pourraient tomber en panne, tenir Shell informé de l’emplacement des pièces qui vont devoir être changés dans ses installations du monde entier, et planifier l’achat de celles-ci.
Ils déterminent également où placer les articles en stocks et combien de temps conserver les pièces avant de les remplacer ou les retourner.
Depuis, Schell a réduit l’analyse des stocks de plus de 48 heures à moins de 45 minutes, ce qui lui permet d’économiser des millions de dollars chaque année grâce à cette réduction des coûts de maintenance, déplacement et réaffectation des stocks.
Livraison prédictive : Pitt, Ohio
Pitt Ohio est une société de fret de 700 millions de dollars de chiffre d’affaire, qui a été affectée par le programme de livraison d’un grand retailer étasunien. Les clients, avec ce nouveau mode de livraison, sont devenus plus exigeants, demandant un suivi à la minute près et des délais de livraison très courts, beaucoup plus étroits que ceux acceptables auparavant.
L’entreprise s’est donc tournée vers l’analyse de données pour trouver un moyen d’améliorer l’expérience client.
Un projet interdépartemental comprenant des études de marché, des opérations de vente et des IT a été lancé en interne, pour exploiter des données qui n’étaient pas utilisées avant.
Les données historiques, les analyses prédictives et les algorithmes calculent le poids du fret, la distance parcourue, ainsi que plusieurs autres facteurs en temps réel, ce qui a permis à Pitt Ohio d’estimer les délais de livraison avec un taux de précision de 99 %.
L’entreprise estime que les commandes répétitives ont augmenté son chiffre d’affaires de 50 000 dollars par an, et que la réduction du taux de désabonnement des clients a permis de conserver 60 000 dollars.
Analyses prédictives : Axis Bank
Axis Bank est la troisième banque du secteur privé en Inde. Elle a mis en œuvre l’automatisation des processus robotique et un programme pour identifier les modèles de comportement des clients et recommander les meilleures mesures à prendre pour éviter la perte de clientèle. Par exemple, elle a simplifié le traitement des documents, identifié les moments où les clients étaient le plus susceptible de partir, et, en prévention, proposer des offres promotionnelles ciblées.
Pour encore plus d’améliorations, la banque a étudié et analysé « 125 parcours clients ». De plus, le temps passé à vérifier les documents fournis par les clients est passé de 15 à 2/3 minutes.
Axis a également développé un chatbot pour accélérer les interactions avec les clients et réduire les temps d’attente dans les services de ses succursales très fréquentées, notamment pendant les heures de pointe.
En matière de Business Analytics, le succès dépend souvent de la prise en charge ou non de système par tous les secteurs de l’entreprise. Il doit être adopté et exécuté par tous. On peut trouver de nombreuses embûches sur son chemin avant de pouvoir utiliser le BA. Par exemple :
La méfiance des dirigeants
Il peut être difficile d’obtenir l’approbation de tous les membres de la haute direction pour la mise en œuvre du Business Analytics. Bien que la plupart des entreprises aient adopté une certaine forme de BI et gèrent probablement le stockage de données de manière efficace, l’analyse est encore un domaine considéré avec méfiance par de nombreux cadres supérieurs.
La confiance doit être établie pour exploiter efficacement l’analyse de données.
Pour ce faire, le mieux est de présenter le Business Analytics comme un soutien aux stratégies existantes et définir des objectifs clairs et mesurables, afin d’aider à convaincre les collaborateurs récalcitrants.
Une mauvaise collaboration
L’incapacité à réaliser un travail d’équipe entre départements peut freiner l’évolution et la mise en œuvre d’initiatives axées sur l’analyse.
Le personnel doit être en harmonie pour qu’une stratégie analytique soit couronnée de succès.
Une mauvaise collaboration, c’est prendre le risque que les analyses ne fournissent pas les réponses attendues, entraînant une méfiance accrue et éventuellement l’abandon de ce système.
Une équipe d’analyste qui comprend des acteurs majeurs du BA ainsi que celui de la technologie, du droit et des affaires peut vous aider à faire adopter le Business Analytics à vos collègues.
Le manque d’engagement
Bien que de nombreux progiciels d’analyse soient présentés comme une solution prête à l’emploi facile à utiliser, le coût peut être décourageant et le retour sur investissement assez long.
Même si les modèles analytiques se développent au fil du temps et que les prévisions s’améliorent, il faut faire preuve de patience pendant les premiers mois.
Les entreprises qui ne parviennent pas à passer cette période cruciale peuvent voir leurs dirigeants perdre foi en cette solution et refuser de prendre en compte les résultats, pour finir par abandonner le concept.
Il faut, pour éviter cela, établir un système productif et fixer des délais réalistes pour obtenir des résultats.
Informations trop longues à acquérir
L’utilisation d’un BA échoue souvent en raison du manque ou d’une faible quantité de données disponibles.
Une évaluation sur la fiabilité de ces données doit être effectuée sur l’architecture de l’information et les sources de données de l’entreprise en fonction des exigences analytiques.
La qualité des informations transactionnelles, agrégées et opérationnelles doit être évaluée ainsi que capacité de l’infrastructure d’intégration existante à prendre en charge de nouvelles sources et de nouveaux flux. Le temps nécessaire pour acquérir, nettoyer et analyser les nouvelles informations doit être intégré dans la période d’ajustement.
Les outils du Business Analytics comprennent de nombreuses fonctionnalités et solutions open source qui peuvent être utilisées pour aider les analystes à effectuer des tâches et comprendre facilement pour les débutants.
Les outils de gestion des exigences aident les entreprises à identifier, documenter, vérifier et répondre aux besoins et attentes de leurs cibles et clients.
Les exigences peuvent être générées par des clients, des partenaires ou tout autre intervenant.
Des outils de rapport peuvent être obtenus à partir de plateforme open source elles aussi pour permettre aux analystes de gérer les processus et de présenter leurs conclusions de manière pertinente et compréhensible.
Au fur et à mesure que l’IA se développe et est capable d’apprendre par elle-même, les IA créées par les IA sont lancées dans tous les secteurs de marché, comme les banques, les assurances, la vente, l’hôtellerie, l’ingénierie et plus encore.
Apprentissage approfondi
L’apprentissage approfondi exploite une grande puissance de calcul pour gérer d’énormes ensembles de données, identifier des schémas et fournir des prédictions, ce qui était auparavant impossible.
Réseaux neuronaux
Les experts des données peuvent dorénavant créer des « cerveaux » qui ont la puissance de calcul de milliers d’esprits humains. Les données peuvent être traitées et triées très rapidement, des schémas peuvent être identifiés selon une chronologie et les prévisions sont fournies avec un niveau de précision sans précédent.
L’internet des objets
Les dispositifs pilotés par l’IdO se comptent par millions, fournissant des données en temps réel aux entreprises du monde entier et permettent d’entrer de façon intime dans la vie des consommateurs.
Micro-segmentation
Alors que les données deviennent plus volumineuses, la possibilité de les séparer en tranches de plus en plus petites permet aux compagnies de définir avec précision leur « client idéal », et de créer des entonnoirs qui les mènent directement à l’action à effectuer. Cette segmentation est la force principale de mesure de la transition au numérique réussi.