L’analyse prescriptive

La progression des logiciels, des infrastructures et des données, a permis aux entreprises agiles de passer de l’analyse descriptive que s’est-il passé ? à l’analyse diagnostique qu’est-ce qui a causé le problème ? et à l’analyse prédictive qu’est-ce qui est susceptible d’arriver ?.

L’analyse prescriptive comment atteindre notre objectif ? est l’étape ultime de cette progression stratégique.

L’analyse prescriptive utilise les deux concepts d’analyse descriptive et prédictive, dans un but principal : Proposer des voies d’optimisations aux utilisateurs, de l’aide à la décision, leur permettant ainsi de réagir plus rapidement, et de façon la plus appropriée, à une situation en devenir. C’est sa capacité à donner à l’utilisateur les moyens de prendre des décisions rapidement, chose qu’il n’aurait pas pu forcément faire

en raison du nombre d’indicateurs à prendre en compte et de leur complexité, qui rend le prescriptif intéressant.

La première étape dans le cadre de ce type d’analyse est d’identifier dans les données qui sont mises à disposition (grâce à l’analyse descriptive) les leviers d’actions, ou les points possibles d’optimisations qui pourraient être intéressant. S’en suit une étape de simulations et d’optimisations mettant à profit le descriptif comme le prédictif.

L’idée est on ne peut plus simple, on retire certaines variables, on en modifie d’autres et l’on rejoue nos données pour voir si ce que l’on aurait obtenu grâce à nos optimisations et par extension si nos prédictions (forecast) s’améliorent (en théorie). Cependant il faut bien prendre en considération que bien que le prescriptif soit économiquement plus intéressant que les autres analyses, il reste bien plus complexe à mettre en œuvre. Sa mise en place ne doit pas être prise à la légère car il nécessite bien plus de temps investi pour son développement qu’une simple interface descriptive.

Les usages de l’analyse prescriptive sont déjà nombreux dans le monde industriel : la tarification, la gestion des stocks, l’allocation des ressources opérationnelles, la planification de la production, l’optimisation de la chaîne logistique, la planification des transports et de la distribution, la planification financière et bien d’autres applications. 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.

Au vu de l’engouement actuel pour l’analyse prédictive et l’essor qui lui est donné, l’analyse prescriptive, qui s’appuie sur la maturité de l’analyse descriptive et l’évolution des techniques d’analyse predictive devrait rapidement se retrouver au cœeur des usages des systèmes décisionnels.

Les études et prédictions faites par le Gartner sur le sujet, pour l’année 2017, sont résumés au travers d’un graphe appelé "hype cycle" ( voir figure 3.13). Cette courbe présente les technologies selon les axes Visibilité et Maturité.

Nous étudions cette courbe pour savoir si nos observations correspondent avec les prédictions du Gartner. Un "Hype Cycle" comprend 5 phases :

"Technology Trigger" : La première phase d’un "Hype Cycle" correspond à l’arrivée sur le marché d’un nouveau produit ou d’une nouvelle technologie.

"Peak of Inflated Expectations" : Dans la phase suivante, un emballement généralisé aboutit souvent à des attentes exagérées et non réalistes (Buzz). Un certain nombre de sociétés mettront en oeuvre cette technologie avec succès, mais beaucoup d’autres termineront en échec.

Figure 3.13: Hype cycle Gartner 2017- les 4 types d’analyses

"Trough of Disillusionment" :Cette technologie entrera dans le "creux de désillusion" parce qu’elle ne parvient pas à répondre aux attentes et devient vite démodée. Par voie de conséquence, la presse se détourne généralement de ce sujet et de cette technologie.

"Slope of Enlightenment" : Bien que la presse ait peut-être cessé de couvrir cette technologie, certaines entreprises continuent à travers la « pente de l’illumination » et l’expérimentent pour comprendre ses avantages et ses pratiques d’application.

"Plateau of Productivity" : Une technologie atteint le "plateau de productivité" lorsque les bénéfices qu’elle procure deviennent largement démontrés et acceptés. La technologie devient de plus en plus stable et évolue dans une deuxième puis troisième génération. La hauteur finale du plateau est variable suivant que la technologie est largement applicable ou au contraire ne bénéficie qu’à un marché de niche. Un Hype Cycle contient de nombreuses technologies sur la même courbe. Une légende située en bas du graphique indique le délai estimé restant avant d’atteindre le plateau de productivité.

Dans le cadre de nos quatre usages des données, on voit que l’analyse descriptive et de diagnostic sont positionnées sur le "Plateau of Productivity", ce qui correspond bien à nos constations précédentes, ces analyses ont démontré le bénéfice qu’elles apportent et continuent de s’améliorer.

L’analyse prédictive se situe à la limite entre "Peak of Inflated Expectations" et "Trough of Disillusionment". Ce qui traduit bien l’engouement et l’emphase qui sont mis sur ce type d’usage, comme nous l’avons décrit précédemment. Les attentes des organisations sont très fortes sur le sujet, et un peu de recul nous montrera si l’analyse prédictive atteint le seuil de "Plateau of Productivity",

comme l’analyse descriptive et de diagnostic.

L’analyse prescriptive quant à elle se situe tout en haut du "Peak of Inflated Expectations". Ce qui correspond aussi à notre constat de l’usage de l’analyse prescriptive qui en est au tout début de sa démocratisation dans les organisations et reste encore au stade d’expérimentation pour certaines voire de planification. L’avenir nous dira si dans les prochaines années, l’analyse prescriptive se diffuse dans les processus des organisations de façon plus globale.

Ces quatre type d’analytiques, qui sont une évolution des usages des données, au travers des systèmes décisionnels, imposent à l’architecture de référence de s’adapter et d’évoluer elle aussi afin de les supporter.

C’est notamment l’architecture des données, au travers de l’aspect modélisation qui va permettre à ces différents usages de cohabiter. Nous étudions dans la section suivante l’impact de l’évolution des données et de leurs usages sur la modélisation des systèmes décisionnels.

Figure3.14: Structure de données du data Vault