La mission du Business Analytics

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 éléments du Business Analytics

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 :

• D’enregistrement de transactions : les dossiers qui font partie d’un vaste ensemble de données partagées par une organisation ou un tiers (dossiers bancaires, dossiers de vente et dossiers d’expédition).
• De données volontaires : fournies par un formulaire papier ou numérique qui est partagé par le consommateur directement ou par une tierce partie autorisée (habituellement des renseignements personnels).

Exploration des données

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 :

• La classification : utilisée lorsque des variables, telles que les données démographiques, sont connues et peuvent être exploitées pour trier et regrouper.
• La régression : fonction utilisée pour prédire des valeurs numériques continues, basée sur l’extrapolation de modèles holistiques.
• Le regroupement : employé lorsque les facteurs utilisés pour classer les données ne sont pas disponibles, ce qui signifie qu’il faut identifier des modèles pour déterminer les variables existantes.

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’association : par exemple, deux articles différents fréquemment achetés lors de la même transaction, comme plusieurs livres d’une même série ou une brosse à dents et du dentifrice.
• Le séquencement : un consommateur qui demande des renseignements sur un crédit suivi d’une demande de prêt, ou d’une réservation de billet d’avion suivi d’une réservation de chambre d’hôtel et/ou de voiture.

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 :

• Développer de nouveaux produits à la demande.
• Améliorer le service et l’expérience client.
• Surveiller les concurrents et leurs performances.

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 :

• La demande en énergie d’une ville dont la population est statique au cours d’un mois ou d’un trimestre donné.
• Ventes au détail de marchandises pour les fêtes, y compris les jours de vente les plus importants pour les magasins physiques et en ligne.
• Des pointes dans les recherches sur le web liées à un événement récurrent spécifique, comme le Super Bowl ou la coupe du monde de football.

Analyse prédictive

Les entreprises peuvent créer, déployer et gérer des modèles de notation prédictive en traitant de manière proactive des événements comme :

• Le taux de désabonnement des clients avec une spécificité réduite à la tranche d’âge, au niveau de revenu, à la durée de vie du compte existant et à la disponibilité des promotions.
• La défaillance de l’équipement, en particulier dans les périodes prévues d’utilisation intensive ou s’il est soumis à des facteurs exceptionnels liés, par exemple, à la température, l’humidité…
• Les tendances du marché, y compris celles qui se produisent uniquement en ligne, ainsi que les tendances qui peuvent être saisonnières ou liées à des événements.

L’optimisation

Les compagnies identifient les meilleurs pronostics et les prochaines meilleures actions en développant et en engageant des techniques de simulation. Cela inclut :

• La fixation des prix de vente maximum, et utilisation des pics de demandes pour augmenter la production et maintenir un flux de revenus régulier.
• Les options de stockage et d’expédition des marchandises qui optimisent les calendriers de livraisons et la satisfaction des clients sans sacrifier l’espace de l’entrepôt.
• Des fenêtres d’opportunité pour les ventes, les promotions, les nouveaux produits afin de maximiser les bénéfices et d’ouvrir la voie à de futures occasions.

Visualisation des données

Les informations tirées des données peuvent être présentées à l’aide de graphiques interactifs :

• Analyse des données.
• Modélisation.
• Prévisions statistiques.

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.

Exemples de Business Analytics

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.

Les défis du Business Analytics

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.

Outils d’analyse

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.

L’intelligence artificielle

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.