Big Data et Analyse Prédictive, leviers d’excellence pour la fonction finance

L’explosion des données numériques a pour corollaire l’importance du Big Data pour les entreprises. Le volume des données numériques double tous les deux ans (source : EMC Digital Universe Study). Maîtriser et exploiter le Big Data ne doit pas être laissé au hasard.

Le Big Data ou la fin des outils de gestion artisanaux ?

Littéralement, « données massives » ou « mégadonnées », le Big Data désigne un ensemble de données si volumineuses qu’il n’est plus possible de les travailler via des outils classiques de gestion de bases de données. Aujourd’hui, les informations proviennent de partout : signaux GPS, données transactionnelles d’achats en ligne, Cloud… L’évolution des technologies permet de traiter la triple problématique du Big Data, parfois désignée par la « règle des 3 V » : Volume de données à traiter (téraoctets, transactions, contenus…), Variété des informations reçues (structurées, non structurées, semi-structurées) et niveau de Vélocité à atteindre (autrement dit la fréquence de création, de collecte et de partage de ces données).

Le Big Data représente donc un enjeu de taille pour les entreprises, notamment dans le monde de la finance. Le Big Data offre une réelle opportunité aux DAF de se positionner en tant que véritables conseillers stratégiques au sein des entreprises. Et pour cause, maîtriser le Big Data c’est réduire les risques et faciliter la prise de décisions.
Et, parce que les outils de gestion classiques ne peuvent plus suffire à gérer et exploiter toutes ces données, de nouvelles techniques sont nécessaires, telles que l’Analyse Prédictive.

L’Analyse Prédictive ou la valorisation des données

Mais, si le Big Data peut permettre de réduire les risques et ainsi faciliter la prise de décision, il reste un concept à double tranchant. L’autre versant expose les entreprises à des données inexactes ou incomplètes, à des calculs erronés ou encore à des redondances… Autant de pièges à éviter si l’on veut conserver sa réputation. Le Big Data doit donc être considéré comme un outil à mettre au service d’une Analyse Prédictive qu’il faut savoir exploiter.
Comme son nom l’indique, l’Analyse Prédictive permet d’analyser des faits présents et passés pour en tirer des conclusions sur les événements actuels et à venir. Si les résultats de cette analyse restent des hypothèses – une Analyse Prédictive n’est jamais parole d’évangile – son succès repose sur un Big Data fiable et travaillé (c’est 70% du travail d’analyse !). De ce fait, l’Analyse Prédictive aide les prises de décisions au sein de l’entreprise. Il revient ensuite aux têtes dirigeantes de mener des actions de manière proactive et efficace en fonction de ses résultats.

L’Analyse Prédictive est de plus en plus utilisée car elle combine l’explosion des volumes de données et le développement de solutions prédictives à la fois efficaces et simples d’utilisation.
Ainsi, Big Data et Analyse Prédictive sont devenus des leviers d’excellence au sein des entreprises. Ils trouvent de nombreux champs d’application dans le domaine financier, en particulier. Citons, par exemple, leur pertinence dans la détection des fraudes, de la prévision des ventes ou encore du cycle de vie client.

Des cas d’études concrets

Dans le domaine de la détection des fraudes, les techniques prédictives présentent plusieurs avantages. Tout d’abord, elles permettent des analyses plus exhaustives qui peuvent compléter les sondages entrepris par les auditeurs, et notamment de prendre en compte toutes les transactions et pas seulement les montants importants. Elles facilitent aussi la détection de configurations atypiques qui sont difficiles à identifier manuellement. Ensuite, elles permettent de contrôler, en continu et de manière impromptue. Enfin, les anomalies détectées par un modèle prédictif seront infirmées ou confirmées par l’auditeur, ce qui permet ensuite de faire progresser le modèle en continu à partir de cette base.

En termes de prévision des ventes, les techniques prédictives ont pour objectif de compléter les démarches traditionnelles basées sur l’intuition des vendeurs et sur les informations fournies par les clients. L’Analyse Prédictive, sur ce point, peut prendre en considération l’historique des ventes par période, produit, segment, marché… mais également d’autres facteurs influenceurs qui contribuent à expliquer les variations non liées à la tendance et à la saisonnalité, communément nommés « prédicteurs ». Ces derniers peuvent être internes (exemple : une action marketing) ou externes à l’entreprise (exemple : le pouvoir d’achat des ménages).  Dans tous les cas, les bénéfices en termes de prévisions des ventes sont importants : prévisions plus fiables, gain de temps, mise à jour des prévisions plus fréquente, etc.

Enfin, le cycle de vie client (Customer Lifetime Value) est également une notion importante qui doit beaucoup au progrès considérable de l’Analyse Prédictive et du Big Data. Elle permet d’évaluer la valeur actuelle des bénéfices attendus sur la durée de vie d’un client. Ce paramètre est d’autant plus important qu’il repose sur le fait que la plupart des bénéfices des entreprises proviennent des clients fidèles plutôt que des nouveaux clients. Il convient donc de prendre en compte le potentiel de chaque client dans la durée. C’est aussi une notion puissante afin de guider la décision et l’action dans des domaines aussi divers que la gestion de la relation client, les programmes de fidélisation, les promotions commerciales et même la planification financière et l’évaluation des entreprises…

Une méthodologie au service des entreprises

La démarche prédictive du cabinet IENA s’appuie sur la méthodologie CRISP-DM développée par IBM. Elle se compose de 6 étapes allant de la compréhension du problème métier au déploiement et à la mise en production. Elle permet d’élaborer plusieurs modèles prédictifs, afin de répondre à la problématique métier identifiée par l’entreprise.
Les clients commencent par une Proof of Concept (POC) qui permettra d’appliquer cette méthodologie au service de leur entreprise. Elle doit permettre un retour d’expérience puis la validation d’une solution technique, en fonction des données opérationnelles.

En ce sens, le POC est la première pierre d’un édifice conjuguant efficacité opérationnelle et performance financière…