L’analyse prédictive est une discipline qui existe sous une forme ou une autre depuis l’aube de la mesure. Nous avons toujours essayé de prédire l’avenir; remonter dans l’histoire pour regarder des pronostiqueurs comme Nostradamus et de nombreux autres prophètes. Nous avons pratiqué l’analyse prédictive depuis que le premier graphique linéaire a été dessiné et que quelqu’un a mis une règle sur le graphique pour tracer la tendance. Dans cet article, nous aborderons l’analyse prédictive en finance.

Une brève histoire de l’analyse prédictive

Bien avant les ordinateurs ou même les calculatrices, nous avons effectué une analyse exhaustive des données dans nos efforts pour prévoir l’avenir. L’activiste renommé WEB DuBois a construit une analyse de données de 60 pages à la main de dizaines d’ensembles de données dans ce qui était en fait un jeu de diapositives PowerPoint en 1903, examinant les conditions de vie des Noirs américains.

Aucune industrie n’a tenté d’en faire plus avec l’analyse prédictive que l’industrie des services financiers. Depuis l’ouverture du Lloyd’s Coffee House en 1686, les professionnels des services financiers ont tenté de prévoir ce qui allait se passer ensuite. Les planificateurs financiers, les directeurs financiers et les analystes ont tous eu du mal à élaborer des méthodes précises pour prédire ce qui est susceptible de se produire.

Avant l’aube de l’analyse statistique avancée et de l’apprentissage automatique, les efforts d’analyse prédictive se répartissaient en quatre grandes catégories :

Deviner directement, qui est la valeur par défaut à laquelle la plupart des gens reviennent. Sur la base de données qualitatives et quantitatives et d’une expertise en la matière, les gens tenteront de deviner ce qui est susceptible de se produire. Que les résultats de ces prévisions battent ou non le hasard dépend fortement des compétences de l’expert en la matière.

Prévision visuelle de base, ce qui est une façon polie de dire sortez une règle et tracez des lignes sur du papier. Cette technique est populaire depuis des décennies et pour une bonne raison ; pour les données où vous avez des motifs linéaires réguliers, tracer des lignes sur des graphiques fonctionne. Vous le verrez encore aujourd’hui avec des choses comme l’analyse des stocks, en particulier dans les médias audiovisuels. Les analystes traceront des lignes pour les prix plancher et plafond des actions afin de déduire s’il vaut la peine d’acheter ces actions ou non.

Prévision additive, une méthode populaire de budgétisation dans laquelle vous prenez les données de la période précédente, les ajustez d’un pourcentage, puis appelez cela vos prévisions. Cela suppose que la période à venir sera identique à la période précédente en termes de prévision, ce qui ne fonctionne que sous certaines conditions. À une époque de pandémies et de guerres mondiales, ce n’est pas une bonne stratégie à moins qu’elle ne s’accompagne d’une agilité et d’une agilité exceptionnelles pour changer lorsque les circonstances changent.

Juste inventer des chosesqui est la méthode de prévision la moins utile mais celle qu’un nombre surprenant d’organisations et de parties prenantes utilisent en l’absence de toute autre technique de prévision.

Toutes ces techniques, à l’exception de la dernière, ont la même chose en commun : prendre des données existantes et tenter de les utiliser pour construire des modèles tournés vers l’avenir. Ce qui a changé au cours des 25 dernières années et surtout au cours des 10 dernières années, c’est l’utilisation de logiciels statistiques et d’apprentissage automatique avancés pour établir des prévisions qui sont mathématiquement plus solides que ces premières approches.

Qu’est-ce que l’analyse prédictive ?

Comme on peut le deviner d’après son nom, il s’agit de l’utilisation de données analytiques et d’algorithmes pour prédire ce qui est susceptible de se produire. L’analyse prédictive s’appuie sur deux modèles de données pour bien fonctionner : cyclicité et saisonnalité.

La saisonnalité est la détection de tendances dans les données annuelles. Lorsque nous pensons aux saisons littérales – printemps, été, automne, hiver – ce sont des événements littéraux répétés qui se produisent chaque année comme sur des roulettes. Dans le domaine de la finance, nous savons qu’il existe des événements annuels qui ont un impact considérable sur nos données, comme les délais de dépôt de l’IRS. Il existe également des événements de consommation qui ont également un impact sur les entreprises, comme les vacances qui se reproduisent chaque année.

La cyclicité est tout modèle répété dans les données qui est régulier. Par exemple, la plupart des données financières obéissent à un cycle très courant : beaucoup de données et d’activités du lundi au vendredi, beaucoup moins d’activités et de données les samedis et dimanches. Les déclarations de revenus trimestrielles sont une récurrence courante qui a un impact sur les données et peut être prévue.

Le point clé ici est que les données qui ont un caractère cyclique ou saisonnier sont des données qui ont une prévisibilité. Les données qui ont une prévisibilité peuvent être prévues avec l’analyse prédictive.

Ce que l’analyse prédictive ne peut pas prévoir

Par extension, les données qui manquent complètement de saisonnalité ou de cyclicité ne peuvent pas être prédites ou prévues. Ce dernier point est essentiel pour comprendre les limites de l’analyse prédictive. Il existe quatre catégories générales de données que vous ne pouvez prédire avec aucun niveau de précision :

• Des choses qui ne sont jamais arrivées
• Des choses qui n’ont aucune prévisibilité
• Choses qui n’ont pas de caractère cyclique ou saisonnier
• Choses qui ont des entrées cachées

Par exemple, lorsqu’il s’agit de choses qui ne se sont jamais produites, un logiciel d’analyse prédictive – quelle que soit la qualité, la sophistication et la quantité de données – n’aurait pas pu prédire avec un quelconque niveau de précision la pandémie de COVID-19. Ils n’auraient pas non plus pu prédire avec succès un certain nombre d’événements du « cygne noir » de manière raisonnable ; alors que les capacités de renseignement militaire de certains pays auraient pu détecter ces menaces plus tôt que tard, pour la grande majorité des entreprises et des services financiers, il s’agit d’événements vraiment uniques.

L’analyse prédictive, par définition, ne peut pas prédire ce qui est imprévisible. L’élection présidentielle américaine en est un exemple subtil. Alors que les élections ont lieu tous les quatre ans comme sur des roulettes, la réalité est qu’il n’y a jamais deux élections identiques. Les candidats changent, les problèmes changent et même la base de vote change considérablement entre les élections. Ainsi, aucun modèle prédictif ne fonctionne pour prédire les élections, malgré les meilleurs efforts de beaucoup pour le contraire.

L’analyse prédictive ne peut pas prédire le hasard, les choses qui n’ont ni saisonnalité ni cyclicité. Par exemple, supposons que vous travailliez avec une équipe de production vidéo pour publier des vidéos sur YouTube expliquant un problème complexe comme la conformité Sarbanes-Oxley. Par chance, une de ces vidéos marche vraiment bien et décolle. Il n’y a aucun moyen de prédire ce genre de hasard, même si votre calendrier de production est très prévisible.

Enfin, l’analyse prédictive ne peut pas prévoir des modèles massivement complexes avec des entrées cachées. La bourse en est un excellent exemple. Beaucoup, beaucoup d’heures de travail et de dollars ont été investis pour tenter de prédire la performance du marché boursier dans l’ensemble ainsi que dans les actions individuelles, mais il y a tellement d’entrées cachées, des algorithmes HFT aux événements macroéconomiques que les modèles ne peuvent tout simplement pas prédire avec précision beaucoup mieux que de deviner.

Exemple d’analyse prédictive en finance

Regardons un exemple très spécifique d’analyse prédictive, quelque chose que mon entreprise Trust Insights a fait avec un client il y a des années, dans l’industrie des casinos. Nous avons travaillé avec le Foxwoods Casino dans le Connecticut, qui nous a demandé d’utiliser les données financières pour créer une prévision. La fréquentation des casinos et les recettes des casinos sont hautement prévisibles. Il y a une cyclicité et une saisonnalité claires dans les données, ce qui en fait un candidat de choix pour les prévisions.

Nous avons examiné trois années de recettes de casino et, à l’aide d’un logiciel d’apprentissage automatique conçu sur mesure, nous avons prévu leurs revenus prévus, semaine par semaine, pour 52 semaines à venir. Avec cette prévision, ils pouvaient facilement déterminer quelles semaines de l’année à venir étaient susceptibles d’avoir des revenus inférieurs aux autres.

La clé de l’analyse prédictive en finance, comme toutes les analyses, n’est pas la prévision elle-même mais ce que vous en faites, et c’est là que la prévision a vraiment trouvé son pouvoir. Sachant que les revenus devaient baisser pendant des semaines spécifiques, Foxwoods a engagé ses équipes marketing pour créer des promotions autour de ces semaines, contribuant ainsi à générer un trafic piétonnier supplémentaire et à compenser ces périodes faibles. Celles-ci impliquaient des campagnes telles que des tournées de presse locales, de la publicité numérique, des récompenses pour les membres existants, des promotions et des prix spéciaux – tous les outils qu’ils avaient dans leur boîte à outils pour attirer et fidéliser les clients.

L’effet net ? Au lieu d’une année en baisse par rapport aux années précédentes et à ce qui était initialement prévu, Foxwoods a enregistré une croissance des revenus de 29 % d’une année sur l’autre, un chiffre étonnant. Ce qui est vraiment intéressant, c’est que l’année suivante, avec un changement de direction et un changement d’agences de marketing, Foxwoods a choisi de ne pas engager notre équipe et leurs revenus étaient tombés au niveau de référence de l’année précédente – en d’autres termes, une année de baisse de 29 %. -sur l’année en revenus.

Encore une fois, le point critique ici n’est pas la prévision, mais ce que nous faisons avec l’information – les actions que nous prenons, les décisions que nous prenons. L’analyse prédictive est comme toutes les analyses – si nous ne faisons rien avec les données, c’est au mieux une distraction. Ce n’est que lorsque nous prenons des décisions basées sur l’analyse que nous libérons la valeur de l’analyse prédictive.

---

Besoin d’aide avec vos données et analyses marketing ?	Vous pourriez également profiter de :
Obtenez des données, des analyses et des perspectives uniques sur l’analyse, les informations, l’apprentissage automatique, le marketing et l’IA dans la newsletter hebdomadaire Trust Insights, INBOX INSIGHTS. Abonnez-vous maintenant gratuitement ; nouveaux numéros tous les mercredis! Cliquez ici pour vous abonner maintenant “	Vous souhaitez en savoir plus sur les données, les analyses et les informations ? Abonnez-vous à In-Ear Insights, le podcast Trust Insights, avec de nouveaux épisodes de 10 minutes ou moins chaque semaine.