Les méthodes analytiques et outils prédictifs suscitent  l’intérêt d’une multitude d’acteurs économiques dans différents domaines, comme la finance, les assurances, le marketing…

L’ère du big data se caractérise par deux volontés étroitement liées : d’une part la recherche d’un niveau fin de saisie (spatiale, temporelle, individuelle…) dans la production de données; d’autre part de bâtir des modèles mathématiques et informatiques, qui seront jugés en fonction pouvoir prédictif.

ð L’accroissement considérable  des moyens d’enregistrement des données et la multiplication de nouvelles approches d’analyse multiplient les applications possibles en science, dans l’industrie et pour l’aide à la prise de décision.

Si les intentions de produire et de conserver des données exhaustives et finement définies sont clairement exprimées depuis plusieurs dizaines d’années dans certains domaines (météorologie, finance…), la vague actuelle se caractérise par la multiplicité et la diversité des activités profondément modifiées  par l’essor de cette démarche.

La démarche de modélisation prédictive se fait généralement en trois temps :

-         d’abord les données sont accumulées pour définir des caractéristiques mesurables ou découlant de mesures et choisir la variable à prédire;

-         puis un algorithme d’apprentissage modélise les relations statistiques entre les caractéristiques et la variable et établit un modèle prédictif ;

-         enfin, la phase d’exploitation.

Parmi les utilisations de ces algorithmes prédictifs on retiendra notamment:

-         Le marketing prédictif :  avec l’utilisation d’algorithmes pour déterminer par exemple la réceptivité des personnes à  des offres promotionnels, du taux de performance de l’objet d’un e-mail publicitaire, ou encore du comportement des consommateurs en vue notamment d’une personnalisation des produits et services proposés.

-         La détermination de scores de risques : risques d’impayés ou de fraudes associés à une commande de produits ou services sur internet ou à une demande de crédit à la consommation par exemple ; profils à risque des passagers des compagnies aériennes ; typologie de client risqué calculée par les compagnies d’assurance…

Ainsi, à titre d’illustration, Facebook a récemment annoncé la mise à disposition d’une fonctionnalité permettant aux sociétés de crédits à la consommation d’évaluer le risque associé à un client en fonction de ses amis sur le réseau ou de son comportement d’achat.

-         Les pronostics et prédictions de résultats sportifs, électoraux…

-         Environnement et qualité de vie : prévision d’affluence dans les transports en communs ou dans tout lieu public, localisation de places de parking à une heure et dans un endroit donnés ; services d’assistant personnel prédictif ; prédiction sur les prix des billets d’avion afin de déterminer à quel moment les prix seront les plus bas…

-         Le domaine culturel : prédiction de la qualité littéraire d’un roman, de la rentabilité d’un film cinématographique, du succès de séries à proposer par les services de VOD.

-         Médecine prédictive: ainsi, par exemple, les algorithmes prédictifs sont utilisés pour la réalisation de diagnostics génétiques en vue de prédire quels seront les patients qui ont le plus de probabilité d’être atteints d’une pathologie donnée, ou encore pour déterminer les mutations génétiques impliquées dans le développement de certaines maladies.

Les services d’assistance et d’urgence se lancent également dans le déploiement d’algorithmes prédictifs permettant de prédire la gravité des blessures des occupants de  voitures accidentées permettant d’anticiper et d’organiser de manière adéquate l’arrivée des secours ou encore l’admission aux urgences d’un établissement hospitalier.

De même, des outils d’aide au diagnostic clinique se développent ; un calculateur de risque de décès à destination des 40-70 ans vient également de voir le jour.

-         La police prédictive : les algorithmes prédictifs sont notamment utilisés par les forces de police et de gendarmerie en vue de déterminer les relations entre des personnes dans le cadre d’enquêtes policières, et devraient bientôt être utilisés pour prédire la survenance de crimes ou de délits.

(Classement établi par IT-Expert Magazine)

On soulignera que l’analyse de gros volumes de données, pour la recherche de corrélations sur lesquelles baser un système prédictif, n’est pas dénuée de risques.

Ainsi, l’on peut aboutir à des corrélations fallacieuses quand le jeu de données d’apprentissage n’est pas représentatif de son contexte d’exploitation (biais d’apprentissage) ou lorsque les données sont multipliées, ce qui augmente la probabilité de découvrir des relations qui ne sont en fait que du « bruit ».