Lorsque l'on parle d'analyse prédictive, on a tendance à imaginer qu'elle permet de prédire les résultats futurs sur la base des données disponibles, de la modélisation statistique, des technologies d'extraction de données et de l'apprentissage automatique. Les entreprises informatiques ont l'habitude d'utiliser ce type d'analyse pour, par exemple, identifier les risques potentiels et les opportunités éventuelles.
Jetons un coup d'œil à l'histoire de l'analyse prédictive. Des ordinateurs puissants, rapides et - ce qui est le plus important - relativement peu coûteux ont permis d'exploiter tout le potentiel de l'analyse prédictive.
Son histoire remonte aux années 1940. À cette époque, le gouvernement manifestait un grand intérêt pour la modélisation linéaire et informatique. Le "modèle de Monte Carlo" ou l'analyse manuelle étaient utilisés lors du développement des armes nucléaires.
Avec le développement des ordinateurs dans les années 1950, la programmation non linéaire et l'heuristique informatique ont continué à se développer, et R. Johnson a inventé un disque dur (HDD) qui sera plus tard à la base d'autres solutions innovantes : les disques magnétiques et les systèmes de gestion de base de données (SGBD).
Avec l'essor du marché boursier, l'analyste prévisionniste a été utilisé dans les années 1970 et 1980 pour prédire le cours des actions. Edgar F. Cod, un scientifique hors pair, a jeté les bases théoriques des bases de données relationnelles et de leurs systèmes de gestion, notamment l'interface de programmation d'applications (API) et le langage de requête structuré (SQL).
Dans les années 1990 et 2000, de vastes bases de données étaient utilisées pour personnaliser et optimiser les méthodes numériques de travail avec les clients et pour promouvoir le marketing.
1. Modèles de classification
Ces modèles sont utilisés pour analyser des données historiques (les données sont regroupées et triées par catégorie). Dans les entreprises, de tels modèles sont utilisés pour résoudre des problèmes complexes et trouver de nouvelles opportunités potentielles, pour approuver des demandes et déterminer la probabilité de non-paiement, pour détecter des transactions frauduleuses.
2. Les modèles de clustering
Dans cette version, les données sont divisées en groupes sur la base de critères communs. Ces données peuvent être triées en groupes rigides et souples. Le clustering rigide est une catégorisation directe, tandis que le clustering doux inclut l'admissibilité des données. Utilisé en marketing pour planifier la stratégie.
3. Modèles prédictifs
Lorsque nous devons utiliser un certain nombre de variables d'entrée pour prédire la valeur quantitative future d'objets à l'aide de données numériques historiques, cette catégorie doit être utilisée. Elle assurera la plus grande universalité au sein d'une multitude d'industries. Par exemple, en se basant sur l'expérience passée dans les magasins de détail, il est possible de prévoir le nombre de visiteurs ou les ventes attendues pour l'une des semaines suivantes et de se préparer en conséquence.
4. Les modèles de détection des anomalies
Ces modèles sont particulièrement populaires dans la production ainsi que dans la sphère financière. Ils permettent d'identifier d'éventuelles activités frauduleuses ou inefficaces.
Il est évident que les modèles de détection d'anomalies définissent dans un ou plusieurs ensembles de données les données qui sortent de la norme et, sur cette base, aident à tirer des conclusions.
5. Modèles temporels
Les données anormales sont utilisées dans les modèles temporels, il est significatif que le principal critère d'entrée soit le temps. Ils sont utilisés pour fournir des indications précieuses pour les périodes futures. Ils ont l'avantage de pouvoir mesurer l'évolution d'indicateurs spécifiques dans le temps, compte tenu des variables sélectionnées, telles que la météo ou les ventes précédentes. Elles sont généralement appliquées en combinaison avec plusieurs prévisions, permettant une meilleure prédiction de l'évolution ou une stratégie plus efficace pour une action future.
Ainsi, nous voyons qu'un analyste prévisionniste peut être utile à la fois dans la sphère de la production et dans le développement socioculturel et continu de celui-ci peut grandement faciliter le travail de beaucoup.