|
| |
|
|
 |
| Le datamining, quand l'aide à la décision flirte avec la stratégie |
| Prévision, anticipation, assistance à la définition de plans stratégiques et opérationnels, etc. Appliquer des modèles statistiques aux données d'entreprise élargit les capacités informatiques de l'aide à la décision.
(06/02/2007) |
|
Le datamining (ou l'exploration des données en français) consiste à appliquer des modèles statistiques à des données financières et opérationnelles en vue de mettre en valeur des tendances ou des corrélations que l'on n'aurait pas pu remarquer au premier abord.
Les fonctions de datamining représentent le dernier étage de la plate-forme décisionnelle qui, rappelons le, vise à assurer le suivi des activités d'une société ou d'une administration.
"Là où le décisionnel classique permet de réagir a posteriori, ce second domaine a pour but de rendre l'entreprise proactive dans la gestion de ses activités. Pour être efficace, il nécessite un système de BI bien abouti, avec une base de données sur laquelle travailler", souligne d'emblée Philippe Olivier, directeur associé chez Aralys, société de service spécialisée dans la BI.
L'un des principaux pré-requis d'un projet de datamining est de disposer en interne de compétences en matière de statistiques et de modèles d'analyse. Car cette exploration des données va techniquement bien au-delà des indicateurs et des requêtes (y compris multidimensionnelles) utilisées dans un simple outil de reporting.
Le datamining se découpe en deux grands processus de traitement. D'abord, des processus descriptifs qui consistent généralement à repérer des comportements et les mettre en corrélation avec des typologies d'acteurs [ndlr des catégories de clients, de fournisseurs, etc.]. Ensuite des processus explicatifs. "Par le biais d'un modèle d'analyse de série temporelle, leur objectif sera typiquement de faire des projections en fonction d'un historique de données", évoque
Serge Krywyk, consultant senior chez Keyrus.
L'idée est ainsi de prévoir un chiffre d'affaires à venir, en se basant sur les phénomènes saisonniers et conjoncturels. Mais l'analyse explicative peut revêtir beaucoup d'autres formes. "Il peut s'agir aussi d'appliquer un modèle de régression pour simuler l'évolution des revenus d'un produit ou d'un service en cas de changement d'un paramètre de son positionnement, telle l'augmentation de la durée d'un forfait chez un opérateur mobile", poursuit Serge Krywyk.
La condition
du ROI : l'intégration des résultats aux systèmes opérationnels |
Autre processus explicatif cité par le consultant : le scoring. Une méthode exploitée notamment pour définir des populations à plus ou moins fort niveau de risque, en vue de leur adresser des politiques marketing adaptées formalisées au sein d'un arbre de décisions. "Dans le domaine financier, le scoring est également utilisé pour repérer les flux financiers dans la lutte contre le blanchiment d'argent sal", note Philippe Olivier.
En résumé, le datamining consiste à appliquer un traitement statistique aux indicateurs de résultats (chiffre d'affaires, marge, par implantation, par client, etc.) issus de la plate-forme décisionnelle, avec pour objectif d'améliorer ensuite la prise de décision. "Lorsqu'on se lance dans un tel projet, il est important d'avoir pour ambition de réintégrer ensuite les résultats de ces traitements dans les systèmes opérationnels, au sein des applications de gestion de la relation clients par exemple", prévient Philippe Olivier. "C'est la condition du retour sur investissement".
"Le datamining est un projet ambitieux qui nécessite en effet des compétences particulières, et surtout un certain degré de maturité. C'est notamment le cas dans le secteur des télécoms où les acteurs manipulent depuis longtemps des modèles statistiques pour élaborer leur politique marketing", constate Serge Krywyk.
Et Philippe Olivier de compléter : "aux côtés des solutions de datamining comme SPSS, Spad ou SAS, qui nécessitent un niveau de compétences élevé, d'autres outils comme KXEN propose un point d'entrée qui nécessite un degré de technicité moindre."
|
|
|
|
Dossier 
