Des prévisions aux décisions : ce que fait réellement l'analyse prescriptive

L'analyse descriptive explique ce qui s'est passé. L'analyse prédictive estime ce qui est susceptible de se produire ensuite. L'analyse prescriptive va un pas plus loin et répond à une question différente : étant donné ce qui est susceptible de se produire, que faut-il faire ? Cette distinction peut sembler subtile, mais elle change radicalement ce à quoi ressemble le résultat d'un système d'analyse — non plus un graphique ou une prévision, mais une action recommandée, classée par rapport aux alternatives, avec les compromis rendus explicites. C'est aussi l'étape où l'analyse cesse d'être purement analytique et commence à se heurter aux contraintes opérationnelles de l'organisation qui l'utilise.

§ 02Les composantes d'un système prescriptif

Un système prescriptif est moins un algorithme unique qu'un enchaînement de plusieurs composantes distinctes travaillant ensemble. Les modèles de prévision — souvent les mêmes modèles prédictifs utilisés en analyse descriptive — estiment l'éventail des résultats plausibles compte tenu des conditions actuelles. Les méthodes d'optimisation, issues d'une boîte à outils comprenant la programmation linéaire et en nombres entiers mixtes ainsi que des algorithmes heuristiques et évolutionnaires, parcourent l'espace des décisions possibles pour trouver celles qui performent le mieux par rapport à la prévision, sous réserve des contraintes que le monde réel impose — budgets, capacité, réglementations, temps. La simulation joue un rôle d'appui, en testant la résistance d'une décision recommandée face à des scénarios que l'optimisation n'a pas explicitement envisagés, avant que cette recommandation n'atteigne une personne qui doit agir en conséquence.

§ 03Là où le même schéma se répète à travers les secteurs

Les décisions spécifiques diffèrent selon les secteurs, mais le schéma sous-jacent se répète : une ressource est rare, sa demande est incertaine, et le coût d'une mauvaise allocation est asymétrique. Un hôpital qui répartit ses blocs opératoires, un détaillant qui fixe ses niveaux de stock dans ses magasins, un service public qui équilibre l'offre et la demande sur un réseau électrique, et un prestataire logistique qui planifie ses itinéraires de véhicules sont tous des instances de la même structure — prévoir le côté incertain, optimiser l'allocation de la ressource rare, et simuler avant de s'engager. Ce qui change d'un secteur à l'autre, c'est la forme des contraintes : limites réglementaires dans la santé et la finance, capacité physique dans l'industrie et l'énergie, fenêtres temporelles dans la logistique. Reconnaître cette structure commune est souvent plus utile que de traiter la version de chaque secteur comme un problème sur mesure.

§ 04Ce qui rend ces systèmes difficiles à construire et à maintenir

Le cadre conceptuel est simple ; la mise en œuvre ne l'est pas. Les prévisions ne valent que ce que valent les données qui les alimentent, et dans de nombreuses organisations, ces données sont incomplètes, incohérentes entre les systèmes, ou simplement pas collectées au niveau de granularité dont l'optimisation a besoin. Construire et valider les modèles d'optimisation eux-mêmes nécessite une combinaison d'expertise sectorielle et de compétences techniques qui se fait rare, et ces systèmes ne sont pas bon marché à construire ni à maintenir. Le plus grand obstacle n'est peut-être pas technique du tout : un système prescriptif qui recommande une nouvelle façon de travailler ne crée de valeur que si les personnes qui effectuent ce travail adoptent la recommandation, et passer de « le modèle suggère X » à « l'organisation fait X » est un problème de changement organisationnel autant qu'analytique.