Analyse prescriptive

Qu'est-ce que la Prescriptive Analytics ?

La Prescriptive analytics, ou analyse prescriptive, répond à la question « que faut-il/peut-on faire ? » en utilisant le machine learning, la modélisation, la simulation et l'heuristique et d'autres méthodes, afin de prédire les résultats et proposer des options de décision. S'appuyant sur l'analyse descriptive et prédictive, l'analyse prescriptive ne fournit pas seulement des prévisions et des prédictions sur les événements futurs, mais aussi sur ce qui pourrait les faire advenir. Grâce à ces informations, les analystes peuvent tester les effets de décisions stratégiques afin d'optimiser leurs processus décisionnels.

Pourquoi la Prescriptive Analytics est-elle importante ?

S'appuyant sur les analyses descriptives et prédictives, l'analyse prescriptive aide les entreprises à :

• Prendre des décisions éclairées, fondées sur des faits, en utilisant des données en temps réel et prévisionnelles
• Comprendre la probabilité de certains résultats et les effets des décisions sur ces résultats, et en tirer parti pour planifier les mesures à prendre
• Économiser des ressources et gagner en efficacité en permettant à l'IA de rassembler et de traiter les données pour en faire des scénarios exploitables
• Créer des processus reproductibles et évolutifs pour prendre des décisions en utilisant des données quasiment en temps réel
• Répondre aux questions les plus complexes, telles que la prévision de la demande, l'évaluation des risques et les scénarios de simulation

Comment fonctionne la Prescriptive Analytics ?

La prescriptive analytics est la dernière étape de la business analytics. Elle tire parti des résultats de plusieurs méthodes statistiques et de la puissance de l'IA. Tandis que la prescriptive analytics répond à la question « que s'est-il passé ? », que la predictive analytics répond à « que pourrait-il se passer ? », l'analytique prescriptive répond aux questions « que devons-nous faire ? » et « comment nos décisions affecteront-elles les performances futures ? ». Elle donne aux analystes et aux décideurs la capacité d'influer positivement et en toute confiance sur les résultats futurs grâce à des modèles d'optimisation et à des itérations en machine learning.

L'analyse prescriptive présente des avantages pour les entreprises data-driven et est très utilisée dans les domaines où les données évoluent constamment et où les décisions peuvent avoir des effets considérables.

• Dans le secteur de la santé, l'analyse prescriptive peut être utile aussi bien pour les tâches administratives que pour les soins aux patients. Une entreprise pharmaceutique peut l'utiliser pour réduire les coûts des tests en trouvant les meilleurs sujets pour un essai clinique, tandis qu'un établissement de santé peut l'utiliser pour se focaliser sur les patients qui en ont le plus besoin en déterminant qui présente le risque le plus élevé de réadmission.
• Dans le domaine du transport, une compagnie aérienne peut automatiquement ajuster ses prix et les disponibilités en fonction de divers facteurs tels que les conditions météorologiques, la demande et les prix du pétrole.
• Dans le domaine de l'édition, un point de vente peut déterminer quoi publier et si un article sera populaire en se basant sur des données de recherche et des données des médias sociaux pour des sujets similaires.
• Dans le domaine des ressources humaines, une formation en ligne peut être ajustée en temps réel en fonction des performances d'un employé à chaque leçon.

Bien démarrer avec la Prescriptive Analytics

La plateforme ML d'Alteryx propose des fonctionnalités automatisées de machine learning (AutoML) et des fonctionnalités d'ingénierie des caractéristiques, ce qui permet aux utilisateurs de tester des modèles ML de manière guidée, sans avoir à coder des modèles complexes. L'outil ML d'Alteryx permet aux utilisateurs de faire les choses suivantes :

• Découvrir les relations cachées dans les données grâce à la génération automatisée des insights
• Utiliser des algorithmes tels que xgBoost, LightGBM et ElasticNet pour déceler dans les données les caractéristiques  qui ont le plus d'effets sur les performances du modèle
• Créer des modèles et des tableaux de bord transparents permettant de communiquer l'importance des caractéristiques, l'analyse de l'impact et l'exploration de la simulation
• Créer rapidement des modèles fiables à l'aide de bibliothèques de caractéristiques prédéfinies
• Intégrer des modèles dans des processus métier grâce à la plateforme de bout en bout d'Alteryx