Analytique prescriptif : quand le prédictif se tourne vers l'opérationnel

Le prescriptif : le sommet de la pyramide de l'analytique

L'analytique prédictive - comme l'analytique prescriptif - a pour objectif une optimisation proactive des meilleures solutions futures, reposant sur divers scénarios. Les entreprises sont souvent confrontées à des problèmes complexes, dont la résolution passe par de multiples stratégies. La différence entre les deux approches est que l'analytique prédictive permet de modéliser les événements futurs, tandis que l'analytique prescriptif démontre aux utilisateurs l'impact de différentes mesures sur les performances et les oriente vers la solution optimale.

Partant du constat que les informations peuvent procurer des avantages concurrentiels stratégiques, de plus en plus d'organisations axées sur l'analyse des données vont se tourner vers l'extrémité prescriptive du spectre analytique.

Mais la prudence s'impose : bien que l'analytique prescriptif ouvre des perspectives exceptionnelles, elle peut rapidement devenir fastidieuse et complexe. C'est en partie pour ces raisons qu'elle reste largement inexploitée. Selon Gartner, 3 % seulement des entreprises font appel à un logiciel d'analytique prescriptive, contre 30 % qui utilisent activement des outils d'analytique prédictive. Cependant, la croissance exponentielle des données (avec le Big Data) et les importantes améliorations des technologies devraient fortement accélérer l'adoption de solutions prescriptives au cours des prochaines années.

L'approche prescriptive brasse de nombreux éléments

Les outils d'analytique prescriptif formulent des optimisations des résultats de l'entreprise en combinant des données historiques, des règles métier, des modèles mathématiques, des variables, des contraintes et des algorithmes d'apprentissage automatique.

A l'instar de sa cousine prédictive, l'analytique prescriptif s'utilise dans des situations faisant intervenir moultes options, variables, contraintes et données. Or, ces éléments sont bien trop nombreux pour être exploitables humainement sans l'aide de la technologie.

Elle est également mise à contribution lorsqu'une expérimentation en conditions réelles serait trop chère, comporterait trop de risques ou prendrait trop de temps. Il s'agit alors d'exécuter des modèles analytiques sophistiqués et des simulations de Monte Carlo à partir de variables connues et randomisées, afin de recommander les prochaines mesures à prendre, d'afficher des scénarios conditionnels et de mieux comprendre toutes les éventualités à prendre en compte.

Typiquement, les systèmes de tarification pour les billets d'avion exploitent l'analytique prescriptif

Exemples de processus métier auxquels s'applique l'analytique prescriptif : tarification, gestion des stocks, allocation des ressources opérationnelles, planification de la production, optimisation de la chaîne logistique, planification des transports et de la distribution, gestion des installations, affectation de pistes de vente, optimisation du marketing mix, planification financière.

Ainsi, les systèmes de tarification des billets d'avion exploitent l'analytique prescriptif pour faire le tri entre des combinaisons complexes comprenant les conditions de voyage, le niveau de demande et la période d'achat. Ils peuvent ainsi proposer des prix permettant d'optimiser les bénéfices sans pour autant dissuader les clients.

Autre exemple particulièrement visible, l'utilisation par UPS de l'analytique prescriptif pour optimiser ses tournées de livraison.

De fait, les applications d'analytique prescriptif ne datent pas d'hier. Les cours de gestion d'exploitation dispensés en école de commerce abordent généralement plusieurs outils et techniques dans ce domaine. 

Parmi les solutions logicielles disponibles de nos jours, outre Excel (et oui !) et ses extensions proposées par des éditeurs tels que Frontline Systems, figurent des produits de SAS, IBM, SAP, Tibco Software, MathWorks, Ayata, River Logic et KXEN (acquis par SAP). De mon expérience, les professionnels du domaine commencent par utiliser Excel ; puis ils recherchent des outils plus perfectionnés si le problème d'optimisation à résoudre dépasse les capacités d'Excel et de ses modules complémentaires.

Ce dont on a besoin - et ce dont on n'a pas vraiment besoin - pour faire de l'analytique prescriptif

On croit souvent à tort que l'analytique prescriptif, et l'analytique avancée en général, exigent un Datawarehouse et un - voire plusieurs - datascientists. Bien que ces ressources soient utiles, il existe d'autres façons d'aborder l'analytique prescriptif et d'appliquer ses techniques de simulation et d'optimisation pour répondre aux principales problématiques métier.

Pour une première approche des éléments en jeu, je vous recommande les deux ouvrages suivants : Spreadsheet Modeling & Decision Analysis de Cliff Ragsdale et Management Science: The Art of Modeling with Spreadsheets de Stephen Powell et Kenneth Baker. Par ailleurs, sans être un spécialiste de la science des données, des notions de statistique peuvent s'avérer utiles.

La procédure d'analytique prescriptif s'inspire du modèle CRISP-DM (Cross Industry Standard Process for Data Mining). Elle commence par une description exhaustive du processus métier à modéliser, avec une définition de l'objectif métier, des variables, de facteurs de contrôle et des contraintes à analyser. De la maquette conceptuelle initiale, le modèle évolue souvent vers une représentation visuelle, logique ou mathématique. Dans de nombreux cas, la phase de définition suffit à introduire de nouvelles questions et de précieuses indications. Comme dans la modélisation prédictive, l'obtention de résultats valables et exploitables repose largement sur l'élaboration d'une définition complète et précise du processus métier à modéliser et de l'objectif recherché.

Toute la procédure est fortement itérative, exigeant une étroite coopération entre professionnels de l'analytique et experts techniques au sein des divisions opérationnelles. Une fois finalisé, un modèle d'analytique prescriptif peut servir d'aide à la décision humaine ou être intégré à des systèmes opérationnels pour générer des décisions automatiques en temps réel.