Que prédit l’analyse prédictive et comment fonctionne-t-elle ?

Alors qu’il s’agissait autrefois d’une branche relativement spécialisée des mathématiques et de l’informatique, les nouvelles technologies prédictives sont plus accessibles et facilement applicables : les entreprises l’utilisent sur les clients, les chercheurs l’utilisent sur les maladies, les agences de publicité l’utilisent pour cibler les consommateurs, les banques l’utilisent pour prévenir la fraude , Et la liste continue. Alors, comment l’analyse prédictive fonctionne-t-elle vraiment, que prédit-elle et quelle est la fiabilité de ses prévisions ?

Comment ça marche?

L’analyse prédictive comporte quelques étapes générales :

• Déterminez ce que vous voulez prédire : combien de temps vous faudra-t-il pour conduire d’un point A à un point B ?
• Rassemblez des données historiques/actuelles : vos expériences passées/d’autres sur cet itinéraire/les conditions actuelles.
• Identifiez les facteurs importants : jour de la semaine, heure de la journée, météo, fréquence des retards, etc.
• Créez et « formez » un modèle : essayez de comprendre comment chaque facteur a historiquement influencé le temps de conduite.
• Branchez vos informations actuelles et obtenez le résultat : un lundi chaud à 17h30, votre trajet vous prendra trente minutes.

C’est un exemple simple, mais si vous avez déjà jeté un œil aux prévisions de trafic de Google Maps, vous avez utilisé quelque chose comme ça. Son degré de précision dépend de la qualité des données historiques et en temps réel disponibles, mais il peut presque toujours faire une estimation assez précise, ce qui est le but de l’analyse prédictive.

Que prédit-il ?

L’analyse prédictive est utilisée de manière productive dans la recherche médicale, la finance, la fabrication, les chaînes d’approvisionnement et ailleurs, mais l’une des applications les plus rentables de cette technologie est d’analyser et de prédire le comportement des clients. Si vous vous êtes déjà demandé pourquoi vos données sont une denrée si précieuse, c’est l’une des principales raisons. Avec l’accès à de grandes quantités de données utilisateur historiques, il est beaucoup plus facile pour les entreprises de comprendre comment elles peuvent appuyer sur les boutons des consommateurs.

Dans les domaines de la santé et de la médecine, l’analyse prédictive est principalement utilisée pour optimiser les traitements et trouver de nouvelles façons de lutter contre les maladies. En analysant les données historiques des patients, les hôpitaux peuvent réduire le nombre de patients qui doivent revenir, créer des plans de traitement plus personnalisés et obtenir des évaluations des risques plus précises. Les modèles d’analyse prédictive sont également importants pour la recherche sur les maladies, en utilisant les données générées par les patients et les populations pour identifier les facteurs de risque, les résultats des traitements, etc.

Les applications en finance sont également axées sur le risque – en particulier, qui est une valeur sûre pour un prêt ou un compte ? L’application de l’analyse prédictive peut aider les institutions financières à identifier les personnes à haut risque de défaut et à signaler plus efficacement les activités frauduleuses.

Mais aucune industrie n’est aussi enthousiasmée par l’analyse prédictive que le commerce de détail et la publicité. Imaginez si vous pouviez surveiller chaque mouvement de votre client, l’alimenter dans une base de données massive et l’analyser pour rechercher des modèles. Vous pouvez découvrir qui est le plus susceptible d’arrêter d’utiliser votre service, ce qui pousse les gens à continuer à utiliser votre produit, qui est le plus susceptible de réagir à certaines publicités, qui cibler avec vos campagnes, le tout avec des données pouvant être mises à jour et analysées en temps réel. temps.

Quelle est la précision de ces prédictions ?

Il n’y a pas de réponse unique à cette question, car chaque modèle est différent. La qualité des données, les méthodes utilisées pour les analyser et une foule d’autres facteurs jouent tous dans la précision des prévisions. L’analyse prédictive ne fait pas les choses correctement tout le temps, mais grâce aux avancées du big data et de l’intelligence artificielle, elles font les choses correctement Suite du temps.

Ce qui rend les mégadonnées « volumineuses » n’est pas nécessairement leur quantité, mais l’efficacité avec laquelle de grandes quantités peuvent être traitées. Une grande partie des statistiques a historiquement été basée sur des suppositions sur les populations basées sur des échantillons tirés de ces populations, ce qui ajoute une couche d’incertitude.

Les outils de Big Data, cependant, permettent d’utiliser beaucoup plus de données disponibles pour faire des prédictions, ce qui les rend beaucoup plus susceptibles d’être correctes. L’analyse prédictive fait déjà un très bon travail en diffusant des annonces aux personnes et en déterminant les temps de trajet, et cela ne fera que devenir plus efficace à l’avenir.

Grosses (mauvaises ?) données

Comment prendre les bonnes décisions ? Pendant la majeure partie de l’histoire de l’humanité, nous avons utilisé notre cerveau pour traiter toutes les entrées disponibles et agir en conséquence. Nos décisions ont toujours été entachées d’un manque d’informations précises, d’une capacité limitée à identifier des modèles et d’un certain nombre de biais.

Un algorithme bien conçu avec un grand ensemble de données, cependant, n’a pas ce problème, et la capacité de décharger une grande partie de notre travail mental sur des machines est un grand pas en avant pour l’humanité. Bien sûr, les algorithmes peuvent être biaisés, intentionnellement ou non, les ensembles de données peuvent être corrompus et les prédictions de comportement peuvent être utilisées pour le contrôle social aussi facilement qu’elles peuvent être utilisées pour optimiser les expériences de vente au détail. Faire en sorte que nos systèmes se développent pour être transparents et généralement bénéfiques aura un impact réel sur la façon dont la technologie façonne (et prédit) l’avenir.

Crédits images : Représentation visuelle des événements qui composent l’analyse comportementale, Processus d’analyse prédictive