Business Analytics

IBM Software Analyse prdictive

Lanalyse prdictive
en conditions relles
Faire des analyses pour des rsultats visibles
Introduction
Lanalyse prdictive permet dassocier des donnes une action relle
en tirant des conclusions fiables de conditions existantes et dvnements
futurs. Cette approche, qui sappuie sur une analyse mathmatique
avance, peut sembler sotrique et pourrait presque tre perue comme
une discipline universitaire. En effet, les entreprises peuvent lire des
tudes de cas qui rpertorient des applications danalyse prdictive
haut rendement mais elles ont souvent du mal comprendre, par rapport
leur domaine dactivit, de quelle faon lanalyse prdictive peut
sappliquer divers domaines oprationnels pour amliorer les rsultats
de faon significative. En examinant certains scnarios types dans
lesquels lanalyse prdictive traite des problmes essentiels de lentreprise
et en illustrant les faons dont les fonctions danalyse sont dployes
dans les processus mtier et les systmes oprationnels qui les prennent
en charge, ce livre blanc entend montrer comment lanalyse prdictive
va librer les gisements de valeur dans lentreprise.
Lanalyse prdictive et lentreprise
Dans les solutions danalyse prdictive, des algorithmes danalyse avancs
traitent les donnes historiques, tirent les enseignements des vnements
passs et crent des modles qui peuvent tre appliqus pour mettre un
jugement sur les cas actuels et futurs. En thorie, cette approche peut
sappliquer ds lors quil existe des donnes historiques sur des vnements
passs (ex. : dossiers des clients ayant rpondu ou non une offre spcifique
ou des emprunteurs nayant pas pu rembourser leur prt). En pratique, elle
est plutt utilise pour rpondre cinq objectifs mtier, tous axs sur lide
de tirer profit de la relation client :
attirer plus de clients (plus intressants),
accrotre la valeur des clients existants travers les ventes croises
et incitatives de produits ou de services,
conserver les clients les plus prcieux,
grer et attnuer les risques lis aux affaires conclues avec les
clients,
dtecter et prvenir la fraude.
Sommaire :
1 Introduction
1 Lanalyse prdictive et lentreprise
3 Composants dune solution
6 Scnarios types
11 Principaux facteurs de russite de
lanalyse prdictive
11 Atteindre son objectif
12 A propos dIBM Business Analytics
2
Business Analytics
IBM Software Analyse prdictive
Lapplication de lanalyse prdictive lun de ces domaines peut tre
source de profits. Les entreprises ayant une bonne matrise de cette
technologie celles qui savent comment sintgrer aux architectures
oprationnelles et modifier les processus mtier pour tirer profit des
capacits prdictives peuvent utiliser lanalyse prdictive pour
interconnecter ces domaines dactivit de faon maximiser les profits
et poursuivre lobjectif gnral damlioration de la rentabilit.
Par exemple :
lanalyse des facteurs de conservation peut rvler quelles ventes
croises de produits augmentent le taux de fidlisation des clients ;
lanalyse de croissance tablit le profil des clients ayant le plus haut
potentiel de valeur ajoute, qui peut tre utilis pour attirer et
conqurir de nouveaux clients semblables ;
lanalyse de la fraude prsente les caractristiques des clients quil
faudrait viter pour minimiser le risque de pertes dues la fraude.
Principaux objectifs mtier interconnects grce lanalyse prdictive
3
Business Analytics
IBM Software Analyse prdictive
Composants dune solution
Pour comprendre comment lanalyse prdictive produit de la valeur,
il est utile de rflchir une solution danalyse prdictive qui
comprendrait trois lments principaux :
Des dcisions mtier fondes sur les donnes
Au plus haut niveau, les outils danalyse prdictive permettent de
prendre des dcisions mtier plus claires. Mme si une analyse
peut rvler de nouvelles informations qui vont orienter les dcisions
stratgiques des cadres dirigeants et faire voluer la valeur mtier de
manire progressive, il est plus courant de voir ces connaissances
appliques au niveau individuel amlioration des dcisions mtier cls
prises un rythme frquent et rgulier, qui entrane une augmentation
de la proportion de bons rsultats et un retour sur investissement
progressif et clairement mesurable. Il peut tre utile denvisager ces
dcisions ainsi : si nous pouvions prendre des dcisions plus claires sur
<X>, nous pourrions gnrer davantage de valeur ici <Y>. Par exemple :
Si nous pouvions prvoir de manire fiable lesquels de nos clients les
plus valables taient susceptibles de se tourner vers la concurrence,
nous pourrions intervenir et leur proposer des offres incitatives afin
de les persuader de nous rester fidles.
Si nous savions quelle tait la probabilit que chacun de nos clients
rponde une offre de vente croise particulire, nous pourrions
rduire le primtre (et le cot) des campagnes en ne ciblant pas les
personnes qui risquent de ne pas rpondre, augmenter les taux de
rponse et les recettes, et viter la situation o les clients qui ne
sont pas intresss par loffre la considrent comme du courrier
indsirable.
Si nous pouvions valuer avec prcision le risque li chaque
demande dindemnisation ds rception, nous pourrions acclrer
le traitement des demandes sans risque afin de rduire les cots et
daugmenter le taux de satisfaction et de fidlisation de la clientle,
tout en augmentant notre taux de dtection de la fraude en nous
assurant que nos ressources dinvestigation se concentrent bien sur
les cas haut risque.
Un dploiement dans les processus et les systmes
Dans le domaine de lanalyse prdictive, on entend par dploiement ,
lintgration des rsultats dune analyse (par exemple, les scores
de propension prcalculs ou un modle prdictif interactif )
aux processus mtier et aux systmes oprationnels qui les prennent
en charge, dans le but de prendre des dcisions plus claires et de
produire de meilleurs rsultats.
Dans certaines solutions, cette opration peut tre simple (un point
dintgration unique dans un seul processus et un seul systme).
Par exemple :
A un certain stade du traitement des dclarations dimpt, un
modle prdictif note la probabilit de non-conformit de chaque
dclaration, puis il ajoute les dclarations ayant un score lev
une liste qui sera vrifie par une quipe denquteurs.
Lanalyse prdictive permet
aux entreprises de prdire
lesquels de leurs clients les
plus valables sont les plus
susceptibles de rpondre
une offre commerciale ou
de se tourner vers la
concurrence.
Dploiement fait
rfrence lapplication
des rsultats de lanalyse
aux processus mtier ou
aux systmes
oprationnels.
4
Business Analytics
IBM Software Analyse prdictive
Dans dautres cas, cette opration peut tre plus complexe :
dans la gestion des risques dassurance, des modles sont intgrs au
processus de traitement des demandes au moment de la cration des
demandes afin dvaluer le risque et de recommander un cheminement
(traitement acclr/enqute/traitement normal) spcifique pour chaque
demande. Pour les demandes traites normalement, les modles peuvent
aussi tre excuts des stades ultrieurs dans le processus afin de
rvaluer le risque (et de racheminer les demandes, le cas chant)
lorsque de nouvelles donnes sont disponibles. A tous ces stades, lappel
du modle est intgr au systme de traitement des demandes qui prend
en charge le processus.
Un modle utilis pour la vente incitative peut avoir un seul et
unique but : indiquer si un produit spcifique doit tre propos
un client spcifique, mais en tant intgr plusieurs processus et
systmes pour sassurer que les offres passent par les canaux et les
points de contact les plus appropris pour chaque client. Dans une
banque, ce type de modle peut tre utilis de diffrentes faons :
dans le processus de marketing direct, pour slectionner les
clients qui vont recevoir des e-mails ou des appels sortants, le
modle tant intgr un systme de gestion des campagnes,
dans le systme de banque en ligne, pour faire des suggestions
aux clients qui se connectent pour accder leur compte en ligne,
associ aux processus de traitement des oprations, pour faire des
offres aux clients lorsquils se rendent en agence ou utilisent un
distributeur automatique de billets.
Le processus analytique
En ralit, cette solution mtier repose avant tout sur le processus analytique
qui produit les rsultats fournir au personnel en contact direct avec la
clientle. La complexit du processus varie en fonction de la situation mais
le processus analytique suit toujours trois tapes de base :
Capturer une vue globale des donnes concernant le client
(appele vue de donnes analytique ). Celle-ci comprend
gnralement quatre types de donnes :
les donnes descriptives : il sagit en gnral dun ensemble
dinformations fournies par le client lui-mme et de donnes
(go) dmographiques provenant de sources externes,
les donnes comportementales : parfois simplement des
enregistrements doprations qui a achet quoi et quand
ou des informations sur la manire dont les clients utilisent un
produit ou un service. Pour un oprateur de tlphonie mobile,
il peut sagir dinformations dtailles sur les schmas dappel.
Pour un fournisseur de cartes de crdit, il peut sagir dinformations
sur la manire dont les clients utilisent leur carte de crdit et
sacquittent de leur facture.
les donnes dinteraction : indications sur la faon dont les clients
interagissent avec lentreprise travers ses diffrents canaux. Il peut
sagir de donnes concernant les visites de site Web par les clients
enregistrs (bien quelles soient mappes des donnes par clic aux
' vnemenrs " signihcaris poui l`enriepiise qui se pioouisenr lois
des visites), de contenu non structur des e-mails envoys aux
contacts du service clients ou de retranscriptions des conversations
dun centre dappels. Les donnes provenant des interactions entre
Le processus analytique
constitue la base dune
solution mtier
sappuyant sur un
processus en trois
tapes : capture des
donnes, prdiction des
rsultats et action sur les
rsultats.
5
Business Analytics
IBM Software Analyse prdictive
clients entrent galement dans cette catgorie. A lre du Web 2.0,
cela inclut les discussions sur les forums et les publications de posts
sur les blogs, ainsi que les rseaux sociaux illustrant comment les
clienrs communiquenr enrie eux er s`inuencenr les uns les auries.
Lintgration de ces donnes la vision analytique des donnes
ncessire oes reclnologies spcihques, relles que l`exploiarion oe
texte, lanalyse du comportement des utilisateurs sur le Web et
lanalyse des rseaux sociaux.
les donnes sur les attitudes : besoins, prfrences, opinions et
souhaits des individus. Autrefois, ces donnes taient souvent
recueillies lors denqutes menes dans le cadre dtudes de
maicl ou ahn o`valuei la sarisacrion oes clienrs. Mais elles
ntaient alors exploites que sous forme anonyme et agrge.
Aujourdhui, beaucoup dentreprises reconnaissent lintrt
dexploiter ces donnes au niveau de chaque client et de les
associer aux autres lments de la vision analytique des donnes.
Prdire les rsultats dans les cas existants ou futurs en analysant les
donnes laide dalgorithmes avancs, afin de crer des modles
prdictifs. La prdiction est le rsultat brut dun modle. Il peut
sagir de la propension dun client se comporter dune certaine faon
(ex. : probabilit quun client qui doit de largent va le rembourser) ou
du choix dune option en particulier parmi un ensemble doptions (ex. :
laquelle des stratgies de collecte existantes sera la plus efficace pour
persuader le dbiteur de payer).
Agir sur les rsultats de lanalyse. Cela implique plusieurs choses :
Decision management : en combinant les rsultats de modles
qui peuvent tre multiples avec la logique mtier (rgles, politiques,
exclusions, etc.) pour effectuer un arbitrage sur les diffrentes
mesures envisageables et dcider laquelle est la plus approprie ;
intgration de ces dcisions et de ces mesures aux stades cls des
processus mtier concerns et dans les systmes oprationnels
qui les prennent en charge.
La dmarche Capturer, prdire, agir commence par la collecte
des donnes, puis passe par une analyse approfondie de ces donnes
pour aboutir lamlioration des processus mtier, grce au dploiement
russi des rsultats des analyses. Il sagit l dun cycle vertueux propice
lamlioration continue : les nouvelles donnes captures au point daction
(durant les interactions avec les clients) enrichissent la vision analytique
des donnes, permettant ainsi de raliser des prvisions plus prcises et
de prendre des dcisions plus claires en produisant davantage de rsultats
positifs et, par consquent, de plus grands bnfices.
Dans beaucoup de cas, les lments du processus analytique seront
automatiss pour favoriser cette approche itrative et satisfaire
dautres exigences telles que le suivi de la performance des modles
et la capacit dvoluer vers divers domaines dapplication associs.
6
Business Analytics
IBM Software Analyse prdictive
Scnarios types
Les trois scnarios prsents ci-aprs sont des exemples concrets
de situations montrant diffrents aspects de lapplication de lanalyse
prdictive aux problmes de lentreprise, ainsi que les domaines
auxquels cette technologie peut sappliquer. Les trois scnarios
prsents sont les suivants :
Identifier et retenir les clients risques potentiels dans une
entreprise de tlcommunications sans fil
Dvelopper lactivit de faon rentable en alliant modles de vente
croise et modles de risque de crdit dans le secteur du crdit aux
particuliers
Identifier et cibler les risques aux frontires
Les deux premiers scnarios concernent des situations clients
classiques ; le troisime montre lanalyse prdictive applique des
citoyens plutt qu des clients, mme si lapproche, les principes et
les pratiques restent les mmes.
Scnario 1 : identier et retenir les clients risques
potentiels (tlcommunications)
La dcision mtier fonde sur les donnes :
Si nous savions lesquels de nos clients sous contrat taient susceptibles
de se tourner vers la concurrence, et lesquels dentre eux il valait
mieux retenir, nous pourrions intervenir en temps utile et prendre
des mesures afin de les fidliser. Cela ferait baisser notre taux de
dsabonnement tout en nous assurant une source de revenus rgulire
de la part des clients haute valeur ajoute, rduirait les cots
dacquisition lis au remplacement des clients risques et stabiliserait/
augmenterait notre part de march.
Dploiement dans les processus et les systmes :
Face une situation si critique, lentreprise doit prendre toutes les mesures
possibles pour retenir les clients risque et forte valeur ajoute. Elle doit
donc avoir accs aux modles prdictifs pour identifier ce type de clients
chaque point dinteraction. Cela impliquera vraisemblablement :
la proposition doffres de fidlisation sortantes aux clients risques
probables par courrier, e-mail et SMS,
lorganisation de campagnes dappels sortants destination des
clients plus forte valeur ajoute prsentant le niveau de risque
le plus critique,
le marquage des clients risques potentiels et la prise de dcisions
lors des interactions entrantes :
faire des recommandations au personnel des points de vente lors
des visites des clients,
inviter les tloprateurs faire des offres aux clients lors des
campagnes dappels,
faire des offres via des fentres publicitaires lorsque les clients
se connectent au site Web du fournisseur.
Lacceptation et le refus des offres feront lobjet dun suivi et dun
reporting, de mme que lvolution du taux de dsabonnement associ.
Exemples : lanalyse
prdictive a permis trois
grandes entreprises de
trouver des solutions leurs
problmes et damliorer
leurs oprations.
7
Business Analytics
IBM Software Analyse prdictive
Le processus analytique :
Les entreprises de tlcommunications disposent dune quantit
de donnes importante sur leurs clients. Les enregistrements dtaills
des appels peuvent servir de base des descriptions de comportements
extrmement prcises, puisquils indiquent notamment les volumes
dappels, le niveau dutilisation en heures pleines/creuses, les schmas
dappel de type rseau social , le comportement itinrant et bien
dautres facteurs. Les donnes descriptives peuvent se limiter ce qui
a t dclar au moment o le contrat a t souscrit ou tre compltes
par lachat de donnes godmographiques bases sur le code postal.
Les donnes dinteraction sous forme de commentaires issues des
conversations enregistres dans les centres dappels peuvent indiquer les
clients retenir au vu du nombre de rclamations effectues, tandis
que lutilisation de certaines fonctions Web (ex. : consultation des
conditions gnrales) peuvent aussi indiquer que les clients envisagent
de changer de fournisseur. Les donnes sur les attitudes peuvent jouer un
rle essentiel, la fois pour dterminer les causes de linsatisfaction dun
client risques potentiel et pour identifier le type doffre ou de traitement
qui pourrait le motiver rester fidle la marque.
Le modle de rfrence crer est un modle qui note un client en
fonction de la probabilit quil rsilie son contrat dans un certain dlai
(dici deux trois mois, par exemple) un dlai qui laisse le temps
lentreprise de prendre les mesures ncessaires pour tenter de le retenir.
Toutefois, cibler lensemble des clients risque cote cher et peut savrer
contre-productif ; les efforts de fidlisation ne devraient donc concerner
que les clients qui en valent vraiment la peine. Cela implique que le modle
cr prenne en compte une mesure de la valeur client. Il peut sagir dune
mesure actuelle de la rentabilit, dune formule statique classique
permettant de calculer la valeur probable du client, ou dun modle
prdictif qui estime de faon dynamique la valeur de chaque client. En
outre, un ou plusieurs modles peuvent tre utiliss pour slectionner
loffre de fidlisation la plus susceptible de persuader un client donn de
rester fidle la marque, la faon la plus efficace dapprocher un client, le
canal le plus adapt travers lequel atteindre un client, etc.
Le plan daction peut consister noter les clients sur leur propension au
dsabonnement et sur leur valeur, paralllement au cycle de facturation
mensuel et lactualisation des donnes associe. Ces scores et ces
slections, de mme que les traitements slectionns par modle, sont
soumis aux rgles applicables aux politiques marketing et consigns dans
les systmes de gestion des campagnes qui excutent les campagnes de
fidlisation proactives sortantes. (Les offres peuvent elles-mmes tre
formules par les cadres marketing laide de profils et dautres
observations tires du processus de modlisation.)
Toutefois, le plan daction serait encore plus efficace si le fournisseur pouvait
ragir rapidement aux nouvelles informations indiquant un changement
soudain du niveau du risque de dsabonnement dun client. Pour cela, il faut
dployer des modles interactifs dans les canaux entrants tels que les centres
dappels. Ainsi, un client appelant pour faire une rclamation particulire
pourrait voir son niveau de risque de dsabonnement imminent augmenter
subitement, si le fournisseur combinait cet appel avec les autres donnes quil
dtient sur le client.
8
Business Analytics
IBM Software Analyse prdictive
Excut en temps rel, le modle de fidlisation permet didentifier cette
situation et, par consquent, de slectionner et denvoyer loffre la plus
adapte au tloprateur.
Les entreprises de tlcommunications sans fil sont souvent prsentes sur
les marchs trs dynamiques ; les prfrences des clients changent souvent,
en fonction des modes, des tendances, des actions des concurrents et des
produits, services et offres groupes proposs par le fournisseur lui-mme.
Les modles sont trs vite dpasss et ont besoin dtre remis au got du
jour laide des nouvelles donnes reprsentant les derniers comportements
et prfrences des clients. Cela veut dire quil faudra automatiser le suivi et
lactualisation des modles, en mettant systmatiquement jour les modles
ds quils diminueront en performance. Lexprience peut aussi rapidement
conduire une stratgie de refonte rgulire des modles, les modles tant
par exemple automatiquement rgnrs tous les mois avant la notation de
la base clients.
Scnario 2 : allier vente croise et valuation du risque
de crdit (crdit aux particuliers)
La dcision mtier fonde sur les donnes :
Les vnements rcents dans le secteur de la finance montrent quune
affaire conclue nest pas forcment une bonne affaire. A lavenir, toutes nos
dcisions commerciales devront sappuyer sur une connaissance du risque.
Autrefois, il tait courant de vendre des produits aux clients en se fondant
sur la simple probabilit quils achtent un nouveau produit. Aujourdhui,
en revanche, nous devons veiller ne pas proposer de produits des
personnes qui les accepteront mais qui ne seront sans doute pas capables de
les payer. Si nous pouvons filtrer nos offres marketing de cette faon, nous
pouvons garantir que les oprations gnres par ces offres seront vraiment
rentables et quelles naugmenteront pas notre niveau dexposition au risque.
Dploiement dans les processus et les systmes :
Dans ce cas, le dploiement est assez simple. La banque adopte une
stratgie de marketing sortant et sappuie sur un systme de gestion des
campagnes pour faire des offres aux clients par publipostage et suivre
lefficacit de la campagne. Il lui suffit de slectionner les listes de clients
en fonction de leur propension accepter loffre, puis de les filtrer pour
liminer les prospects dont le risque de crdit est trop lev, et enfin de
les transfrer dans le systme de gestion des campagnes qui se chargera de
lexcution. Lenregistrement du score de propension lachat et du score
de risque de crdit dans lentrept de donnes du client permet galement
dutiliser les scores combins pour contrler ultrieurement les offres de ce
produit via dautres canaux par exemple, lorsque les clients se connectent
leur compte en ligne ou utilisent un distributeur automatique de billets.
Le processus analytique :
Les deux types de modle propension lachat et risque de crdit
peuvent utiliser des sous-ensembles diffrents mais se chevauchant de la
vision analytique. Les modles de propension seront crs partir des
donnes des campagnes historiques, et notamment des enregistrements
des personnes ayant rpondu (ou non) des offres de produits similaires
ou identiques. Les modles de risque de crdit peuvent utiliser des scores
de risque provenant de sources externes comme type dentre mais en
gnral, ils affineront plutt les scores uniformes en les compltant
par de nombreuses autres variables et en tenant compte des clients
historiquement valables ou risque dans ce secteur.
9
Business Analytics
IBM Software Analyse prdictive
Ici, le plan daction consistera combiner au mieux les scores des modles.
Dans cet exemple de gestion dcisionnelle, une expertise humaine sera
ajoute pour dcider comment rsoudre les scores combins qui vont dans
des sens opposs. Des seuils de risque seront fixs et toutes les offres dont
le risque associ dpassera ces limites seront refuses. En revanche, des
niveaux de risque infrieurs pourront tre accepts sous certaines
conditions, notamment si le score de propension est lev, le bnfice
prvu (ventuellement partir dun autre modle) est lev et le niveau
dexposition au risque prvu (l encore, ventuellement partir dun autre
modle) est infrieur une certaine limite.
Dans ce cas, lautomatisation sera ncessaire pour assurer un suivi
continu de la performance des deux modles ; elle permettra denvoyer
des alertes aux experts (et ventuellement dactualiser automatiquement
les modles) en cas de dgradation de la performance. Sil est une leon
retenir en particulier du resserrement du crdit, cest que les modles
de risque doivent tre tenus jour mesure que les schmas de
dfaillance voluent.
Scnario 3 : intercepter les vhicules suspects aux
frontires
La dcision mtier fonde sur les donnes :
Nous ne pouvons pas intercepter et fouiller chaque vhicule qui passe
la frontire. En revanche, si nous pouvions prdire avec prcision le
niveau de risque associ chaque vhicule quil transporte des
produits de contrebande, de la drogue, de largent, des armes ou des
clandestins, nous pourrions tirer le meilleur parti de notre personnel
dinspection, accrotre nos taux de dtection, mieux protger le pays
et ses habitants et amliorer lexprience des voyageurs innocents en
acclrant leur passage la frontire.
Dploiement dans les processus et les systmes :
A chaque frontire, des camras enregistrent et reconnaissent le numro
dimmatriculation de chaque vhicule. Une fois le vhicule identifi, des
consignes saffichent sur les crans du poste frontire, indiquant aux
contrleurs de laisser passer le vhicule ou de le diriger vers le deuxime
poste de contrle. Si un vhicule doit subir une deuxime inspection,
des informations sont envoyes sur lassistant lectronique de poche de
linspecteur charg de laffaire, indiquant la probabilit de chaque type
de risque (drogue, armes, etc.) et donnant des conseils sur ce quil doit
rechercher. Les vhicules slectionns, les valuations des risques et les
rsultats des contrles sont ensuite enregistrs pour permettre dtablir un
reporting continu sur les niveaux dinspection par type de risque, les taux
de russite, les taux de faux positifs et le volume et la valeur des saisies.
Le processus analytique :
Des modles sont crs partir des rsultats des contrles passs. Les
donnes utilises sont classes par numro dimmatriculation et incluront
le type de vhicule (dimensions, capacits, etc.), le nom du propritaire du
vhicule (et par consquent toutes les informations disponibles sur le
propritaire ou le conducteur), et lhistorique des passages aux frontires
du vhicule, ce poste frontire ou un autre. Dautres critres donnant
des indications sur le passage de la frontire pourront galement tre
ajouts, tels que le jour de la semaine, lheure et les conditions
mtorologiques dominantes.
10
Business Analytics
IBM Software Analyse prdictive
Un modle est cr par type de risque. Le fait de transformer les scores
de chaque modle en actions permettra dassocier ces scores des rgles
reprsentant le meilleur niveau de connaissance humaine sur lvaluation
des risques. Certaines de ces rgles contribueront dterminer le niveau
de prcision avec lequel les vhicules contrls seront slectionns (et par
consquent le type de risque entranant une deuxime inspection) et
pourront varier selon le niveau de connaissance prdfini des pics de
trafic, ou tre ajustes manuellement en cas de trafic anormalement lev
afin dviter laccumulation des deuximes contrles en attente.
Dans ce scnario, lautomatisation est ncessaire pour pouvoir adapter
la solution de gestion du risque chaque franchissement de frontire.
Lagence concerne contrle environ 300 postes frontires, et mme si
nombre dentre eux affichent des schmas de violation similaires, chacun
possde son propre profil indiquant les risques probables ainsi que les
tentatives dinfraction et les mthodes utilises. Idalement, chaque poste
frontire devrait avoir son propre modle pour chaque type de risque,
tabli partir de donnes locales. Crer et grer manuellement tous ces
modles exigerait une quantit de ressources considrable et coterait
cher, et, pour toutes ces raisons, serait sans doute peu pratique. Si, en
revanche, des experts en analyse ne craient pas de modles individuels
mais un processus de cration et dapplication des modles, celui-ci
pourrait tre automatis et appliqu aux donnes locales pour chaque
passage de frontire, et reprsenterait la solution optimale incarnant
les meilleures pratiques nationales.
Bien que ce scnario soit une application de scurit trs spcifique,
il a beaucoup de points communs avec dautres dploiements danalyse
prdictive du risque dans les secteurs public et priv. La mthode
didentification de base des quelques cas haut risque parmi la masse
de cas srs garantit que les ressources dinvestigation seront
utilises de manire efficace et rentable. De plus, elle est facilement
utilisable par les banques cherchant intercepter les oprations de
blanchiment de capitaux, les compagnies dassurance cherchant
identifier les dclarations potentiellement frauduleuses, les services
fiscaux ciblant les personnes coupables de fraude fiscale, etc.
11
Business Analytics
IBM Software Analyse prdictive
Principaux facteurs de russite de lanalyse
prdictive
Quelles observations cruciales pour le succs des solutions danalyse
prdictive pouvons-nous tirer de ces scnarios ? Il existe trois points
essentiels communs lensemble des scnarios dcrits dans ce document :
1. Les analyses ne peuvent pas tre considres ni appliques dans le vide.
Pour tre efficaces, les entreprises ont besoin dadopter une approche
qui se focalise sur la convergence entre analyses, processus mtier et
architecture. Lanalyse prdictive gnre de la valeur pour une entreprise
lorsquelle permet damliorer la prise de dcisions (et par consquent les
rsultats) dans les processus mtier cls, et quelle doit donc tre intgre
larchitecture et aux systmes oprationnels prenant en charge ces
processus.
Les trois points cls
communs lensemble des
scnarios prsents ici sont
les suivants :
s une analyse prcise exige une
convergence totale entre donnes
analytiques, processus mtier et
architecture,
s la vue analytique globale doit tre
traite comme une aspiration et non
comme un besoin pratique,
s le suivi des rsultats des dcisions
guides par les modles prvisionnels
aide les entreprises samliorer de
faon continue.
Devenir une entreprise
prdictive exige de suivre
une feuille de route prcise
permettant doptimiser la
valeur mtier.
2. Les donnes sont cruciales. Il nest pas pratique dessayer de capturer
toutes les informations possibles sur les clients (ou les affaires) avant
davoir commenc lanalyse. Il vaut mieux considrer la vision des
donnes analytiques globale comme une aspiration. Ainsi, les
entreprises qui enrichissent continuellement les donnes analyser
constateront une amlioration progressive de lefficacit analytique
et du retour sur investissements.
3. Lanalyse prdictive donne une entreprise les moyens denrichir ses
connaissances et de samliorer de faon continue. Boucler la boucle
cest--dire assurer le suivi des rsultats des dcisions guides par
les modles prdictifs et capturer les donnes chaque interaction
garantit que la qualit et la cohrence des dcisions mtier critiques
vont samliorer au fil du temps et que des dcisions efficaces
continueront dtre prises mesure que les situations changent et
voluent.
Atteindre son objectif
Une entreprise prdictive est capable dappliquer efficacement des outils
danalyse avancs lensemble de son organisation, comme le montrent
les scnarios types ci-dessus. Mais une organisation ne devient pas une
entreprise prdictive du jour au lendemain. La dmarche la plus
approprie consiste considrer ladoption de lanalyse prdictive comme
un long voyage. Llaboration dune feuille de route est donc
ncessaire et implique didentifier les applications possibles de lanalyse
prdictive au sein de lentreprise et de les prioriser en fonction de leur
valeur mtier et leur performance analytique. Ainsi, les organisations
transformeront progressivement leurs oprations et permettront un
nombre croissant de services de lentreprise de samliorer et de devenir
plus efficaces. Ils continueront de faire ce quils faisaient dj mais ils le
feront mieux car le processus dcisionnel guid par les donnes prvaudra
dans lensemble de leurs processus mtier.
Business Analytics
IBM Software Analyse prdictive
A propos dIBM Business Analytics
Les logiciels IBM Business Analytics fournissent des informations
compltes, cohrentes et exactes sur lesquelles les dcideurs peuvent
sappuyer en toute confiance pour amliorer les performances de leur
entreprise. Ce portefeuille complet de solutions daide la dcision,
danalyse prdictive, de gestion des performances financires et des
stratgies et dapplications danalyse fournit une vision claire, immdiate
et concrte des performances actuelles et permet de prvoir les rsultats
futurs. Alliant solutions fonctionnelles, services spcialiss et meilleures
pratiques, IBM Business Analytics permet aux entreprises de toutes
tailles doptimiser leur productivit, dautomatiser leur processus
dcisionnel en toute confiance et de gnrer des rsultats suprieurs.
Le logiciel IBM SPSS Predictive Analytics fait partie intgrante de ce
portefeuille et permet aux entreprises de prdire les vnements futurs
et dagir en consquence de faon proactive dans le but de produire de
meilleurs rsultats. Les clients internationaux dans les domaines
commercial, public et universitaire voient dans la technologie IBM SPSS
un avantage concurrentiel qui va leur permettre dattirer, de retenir et
de conqurir de nouveaux clients tout en limitant la fraude et les risques.
Lintgration du logiciel IBM SPSS aux oprations quotidiennes
transforme les organisations en entreprises prdictives, capables de
guider et dautomatiser leurs dcisions de manire rpondre aux
objectifs mtier et obtenir un avantage concurrentiel mesurable. Pour
plus dinformations ou pour contacter un reprsentant IBM, rendez-vous
ladresse ibm.com/spss/fr
YTW03112-FRFR-00
Veuillez recycler
Compagnie IBM France
17, Avenue de lEurope
92275 Bois-Colombes Cedex
IBM, le logo IBM, ibm.com, Cognos, InfoSphere et WebSphere sont des marques
dInternational Business Machines aux Etats-Unis et/ou dans certains autres pays.
Si ces marques ou dautres termes relatifs aux marques IBM apparaissent lors de leur
premire occurrence dans ce document accompagns dun symbole de marque (

ou ),
ces symboles indiquent quil sagit de marques dposes aux Etats-Unis ou reconnues par
la lgislation gnrale comme tant la proprit dIBM au moment de la publication de ce
document. Ces marques peuvent galement exister et ventuellement avoir t enregistres
dans dautres pays. Vous trouverez la liste des marques IBM jour sur le Web dans la
section Copyright and trademark information ladresse
ibm.com/legal/copytrade.shtml
SPSS est une marque de SPSS, Inc., une socit IBM enregistre auprs de nombreuses
juridictions dans le monde.
Les autres raisons sociales, noms de produit et noms de service peuvent tre des marques
ou des marques de service de leurs propritaires respectifs.
Copyright IBM Corporation 2010
All Rights Reserved.