Le terme "Predictive analytics" regroupe des approches de modélisation utilisées dans plusieurs disciplines dont l'analyse financière, l'audit et le marketing pour la construction de modèles ayant le meilleur potentiel de prédiction. Grâce à son expérience de ces champs d'application combinée à une connaissance et pratique étendues de ces méthodes, Creascience propose des solutions personnalisées à la fine pointe des outils existant.

Creascience offre du support dans toutes les phases invervenant dans la construction d'un modèle de prédiction fiable. Il existe quatre phases qui méritent une attention particulière:

Préparation d'un fichier de données propre et informatif

Dans un premier temps, une attention particulière doit être apportée à la phase de préparation. Il est illusoire de croire que les modèles statistiques peuvent parfaitement gérer les problèmes tels les données manquantes, la redondance dans les variables et les variables comprenant trop de catégories. Certains modèles permettent de gérer ces problèmes mais dans une certaine mesure. Une chose est sure, ils performeront mieux si les données ont été préparées adéquatement au préalable. Dans le même ordre d'idée, il est illusoire de penser que la connaissance des données est inutile pour construire un bon modèle. Lorsque le temps est venu de retirer ou de conserver certaines variables il est crucial de savoir ce qu'elles mesurent ainsi que leur fiabilité. Par conséquent, nous considérons que la phase de préparation des données à modéliser est cruciale et qu'elle ne doit pas être omise ni traitée à la légère.

La sélection d'un critère adapté de prédiction

La plupart des mesures du pouvoir de prédiction d'un modèle sont basées sur l'idée que différents ensembles de données devraient être utilisés pour dans un premier temps construire le modèle et ensuite pour le valider et quantifier sa performance. Il y a toutefois différentes manières de mettre cette phase en oeuvre et des contraintes doivent parfois être prises en compte dans la définition de cet objectif.

La comparaison de la performance de plusieurs modèles

Il n'existe pas de méthode de modélisation universelle. Bien entendu, le modèle retenu dépend en premier lieu de la nature de la variable à prédire, mais il dépend aussi du contexte et des données disponibles. Dans ces circonstances, nous ne nous limitons jamais à un seul type de modèle. Nous croyons que la clé du succès en predictive analytics réside dans l'examen de la performance de plusieurs types de modèle de manière à retenir celui qui performe le mieux dans un contexte donné.

La livraison de résultats probants

La construction d'un modèle de prédiction ne consiste pas simplement à entrer une liste de valeurs pour un ensemble de prédicteurs. Dans un premier temps, il se peut que le modèle doivent être livré dans une forme utilisable. De plus, la performance du modèle ne peut rarement être résumée qu'à l'aide d'un seul indicateur. En effet, certains indicateurs sont appropriés pour certaines méthodes mais peuvent l'être moins pour d'autres. Finalement, plusieurs développements techniques ont l'aspect de boîtes noires lorsque l'utilisateur veut comprendre quels sont les prédicteurs les plus importants et recherche à quantifier leur importance. Nous nous assurons de gérer ces problématiques en fournissant des mesures d'incertitude sur les prévisions ainsi que des outils graphiques permettant de visualiser l'impact des prédicteurs-clés sur la réponse à prédire.