L’analyse prédictive (predictive analytics) est la branche de l’analyse de données qui estime la probabilité d’un événement futur à partir de données historiques, de méthodes statistiques et de l’apprentissage automatique (machine learning). L’analyse prédictive n’annonce pas ce qui va se produire mais classe par probabilité ce qui est susceptible de se produire, et cette nuance fixe l’usage qu’en fait l’équipe marketing : un score sert à hiérarchiser des actions, pas à annoncer un résultat.
Deux termes voisins circulent comme synonymes dans le vocabulaire des éditeurs. L’analyse prédictive désigne la discipline ; la modélisation prédictive désigne l’acte de construire et d’entraîner le modèle qui produit la prédiction. Un projet réel sépare les deux rôles : l’équipe data construit les modèles, l’équipe marketing consomme les scores qui en sortent.
Dans une entreprise française, l’analyse prédictive porte le plus souvent sur trois questions : quel client va partir, combien ce client va rapporter, quelle offre il va accepter. Les réponses n’ont de valeur que si elles reposent sur des données client réunies au même endroit, ce qu’apporte une plateforme de données client (CDP, pour customer data platform).
Usage direct et usage indirect de l’analyse prédictive
Une organisation utilise l’analyse prédictive de deux façons, et la distinction change qui porte le projet.
L’usage direct mobilise l’équipe data : des data scientists et des analystes réunissent de grands jeux de données, choisissent les variables, entraînent les modèles et mesurent leur erreur. Les outils viennent du monde open source (Python, R), du marché logiciel (SAS, IBM SPSS) ou d’un développement interne, et les méthodes combinent régression linéaire et non linéaire, arbres de décision et réseaux de neurones. Des administrateurs de bases de données et des développeurs complètent souvent l’équipe. Ce mode coûte des compétences rares et se compte en mois de projet.
L’usage indirect passe par un logiciel dont la prédiction est une fonction intégrée. L’équipe marketing lit un score dans l’interface de la CDP ou de l’outil de marketing automation, déclenche une campagne dessus et ignore le détail de l’algorithme. Cette ignorance est acceptable sur la méthode, pas sur les données : un score calculé sur un historique incomplet se trompe sans le signaler, et c’est l’équipe marketing qui en porte le résultat commercial.
Ce que l’analyse prédictive prédit sur un client
Quatre prédictions couvrent la majorité des cas d’usage en marketing client.
- Le risque de départ. Le modèle estime la probabilité qu’un client cesse d’acheter ou résilie son abonnement dans une fenêtre donnée, ce que le secteur appelle la prédiction du churn.
- La valeur future. Le modèle projette la valeur vie client (customer lifetime value, CLV) et hiérarchise les clients selon ce qu’ils rapporteront, non selon ce qu’ils ont déjà dépensé.
- L’appétence. Le score d’appétence (propensity score) classe les clients par probabilité d’accepter une offre, un produit ou un canal donné.
- Le moment et le canal. Le modèle détermine l’heure d’envoi et le canal qui obtiennent la meilleure réponse pour une personne donnée, entre e-mail, SMS et notification push.
Ces scores deviennent exploitables quand ils entrent dans la segmentation client : un segment défini par un seuil de score se recompose à chaque recalcul, là où un segment défini par des règles reste figé jusqu’à ce qu’une personne le modifie.
L’analyse prédictive dans le retail et le e-commerce
Le retail concentre les usages parce qu’il produit le volume de données que les modèles exigent. Sur un site e-commerce, chaque visite laisse des clics, des recherches, des mises au panier et des abandons de panier. En magasin, la carte de fidélité rattache l’achat à une personne, et le drive comme le click and collect rattachent la commande en ligne au point de vente.
Deux usages dominent. La prévision de la demande dimensionne les stocks, les réassorts et les plannings avant un pic commercial : les soldes d’hiver, les French Days, le Black Friday et les fêtes de fin d’année concentrent sur quelques semaines des volumes que le reste de l’année ne produit pas, et une erreur de prévision y coûte plus cher qu’en période normale. La recommandation de produit s’appuie, elle, sur l’affinité calculée par le modèle : la grande distribution s’en sert pour choisir les offres d’un prospectus personnalisé ou la mise en avant d’une tête de gondole.
L’efficacité de ces modèles dépend du volume et de la qualité des données qui les alimentent. Un historique d’achat qui ne relie pas la carte de fidélité au compte du site marchand décrit deux clients là où il n’y en a qu’un, et le modèle apprend sur cette erreur.
Les quatre étapes d’un projet d’analyse prédictive
Un projet d’analyse prédictive suit quatre étapes, et la première pèse plus que les trois suivantes.
1. Réunir les données utiles. L’équipe data rassemble l’historique d’achat (référence produit, quantité, date, prix, canal de vente), les données de navigation, les données du service client et les retours produit. Le périmètre se décide à partir de la question posée, pas de ce qui est disponible.
2. Nettoyer et enrichir. Le nettoyage des données corrige les valeurs erronées et repère les champs obligatoires restés vides ; une valeur manquante sur une variable que le modèle utilise dégrade la prédiction plus sûrement qu’un algorithme mal choisi. L’enrichissement ajoute des données de partenaires ou de fournisseurs tiers, sous réserve d’une base légale qui couvre cet usage.
3. Construire les modèles. La classification attribue une catégorie à chaque enregistrement, par exemple « va résilier » ou « ne va pas résilier ». La régression relie une variable à expliquer, le montant du prochain achat par exemple, à une ou plusieurs variables explicatives.
4. Restituer les scores là où l’action se décide. Un score qui reste dans un tableau de bord ne change rien : il doit repartir vers l’outil qui envoie le message, qui affiche la page ou qui appelle le client.
L’écart entre une démonstration réussie et un déploiement utile se situe presque toujours à la première et à la dernière étape. Les critères qui permettent de vérifier où un éditeur entraîne et exécute ses modèles sont détaillés dans les critères d’évaluation d’une CDP sur ses capacités d’IA.
Analyse prédictive et protection des données personnelles
Un modèle entraîné sur des données client traite des données à caractère personnel (PII), ce qui place l’analyse prédictive dans le champ du RGPD (GDPR) et de la loi Informatique et Libertés (loi n° 78-17 du 6 janvier 1978, modifiée), sous le contrôle de la CNIL.
Trois points reviennent dans ce type de dossier : la finalité déclarée lors de la collecte doit couvrir l’usage prédictif, faute de quoi le traitement sort de sa base légale ; le profilage et la décision individuelle automatisée relèvent d’un régime propre (article 22 du RGPD), que le DPO examine avant l’entraînement d’un modèle ; le retrait du consentement doit sortir la personne concernée des audiences activées comme des données d’entraînement. Le cadre complet figure dans les réglementations sur la protection des données.
FAQ
Quelle est la différence entre l’analyse prédictive et l’analyse descriptive ?
L’analyse descriptive explique ce qui s’est passé, l’analyse prédictive estime ce qui va probablement se passer. L’analyse descriptive compte, agrège et compare des faits déjà enregistrés : chiffre d’affaires du mois, taux d’ouverture d’une campagne, nombre de résiliations. L’analyse prédictive part des mêmes faits et leur applique des algorithmes de régression, d’arbre de décision ou de réseau de neurones pour rattacher une probabilité à un client, à un produit ou à une période.
Quels outils servent à l’analyse prédictive ?
Les projets d’analyse prédictive s’appuient sur des bibliothèques open source comme Python (scikit-learn, TensorFlow) et R, sur des plateformes commerciales comme SAS et IBM SPSS, et sur les services d’apprentissage automatique d’AWS, de Google Cloud et d’Azure. Beaucoup de plateformes de données client et d’outils de marketing automation intègrent leurs propres modèles : l’équipe marketing consomme alors les prédictions sans compétence de data science.
Comment l’analyse prédictive s’utilise-t-elle en marketing ?
En marketing, l’analyse prédictive sert à hiérarchiser : quel client relancer, quelle offre proposer, quel budget affecter à quel canal. Les scores de départ, d’appétence et de valeur future alimentent la segmentation, le ciblage publicitaire et la priorisation des leads transmis aux équipes commerciales. Le marché français parle dans ce cas de marketing prédictif. La précision de ces scores dépend de l’unification des données client qui les alimentent.
L’analyse prédictive exige-t-elle une CDP ?
Non : un modèle prédictif s’entraîne aussi bien sur un data warehouse que sur un export de fichiers. La CDP change deux choses : elle réunit sous un profil unifié les données client de tous les canaux, et elle renvoie le score calculé vers l’outil qui envoie le message. Une prédiction juste qui n’atteint pas le canal d’activation reste sans effet commercial.
Termes associés
Les cinq entrées suivantes sont en anglais.
- Descriptive Analytics — l’analyse descriptive, le socle historique sur lequel les modèles apprennent
- Prescriptive Analytics — l’analyse prescriptive, qui passe de la prédiction à la recommandation d’action
- Next-Best Action — la meilleure action suivante, la décision prise à partir des scores
- Intent Prediction — la prédiction de l’intention d’achat à partir des signaux comportementaux
- AI Customer Segmentation — la segmentation client découverte par l’apprentissage automatique
Cet article est aussi disponible en : Predictive Analytics · 予測分析とは？仕組みと活用事例、CDPでの実装 · O que é análise preditiva? Modelos e usos