L’IA est plus susceptible de compléter que de remplacer l’analyse prédictive

Comprendre le marché de l’analyse prédictive

Quant aux industries qui comptent parmi les premières à les adopter ici, elles comprennent les biens de consommation et la vente au détail en évolution rapide, les sciences de la vie et les produits pharmaceutiques, ainsi que l’énergie et le pétrole et le gaz, l’adoption ayant considérablement augmenté au cours des 18 derniers mois.

Les fonctions commerciales qui sont particulièrement friandes de la technologie comprennent la finance, les ventes, les rh dans une certaine mesure et la chaîne d’approvisionnement dans un contexte de prévision de la demande. Les cas d’utilisation populaires, quant à eux, vont de la prévision des retards de paiement à la prévision de l’activité d’achat des clients et à la priorisation des perspectives de vente les plus probables.

Mike Gualtieri, vice-président et analyste principal chez Forrester Research, déclare : « Une grande entreprise travaille peut-être avec six à 12 cas d’utilisation aujourd’hui, mais il pourrait y en avoir des centaines, alors nous n’en sommes qu’au début. Parfois, les organisations font leur propre travail personnalisé, mais la plupart des fournisseurs de logiciels commencent à mettre des modèles prédictifs dans leurs applications, donc à mesure que vous mettez à niveau, il y aura probablement quelques cas d’utilisation là-dedans aussi.

Fait intéressant, cependant, il semble que dans de nombreux cas, les outils d’analyse prédictive basés sur les statistiques du passé sont maintenant intégrés dans des plates-formes plus larges basées sur l’apprentissage automatique.

« Nous abandonnerons probablement l’analyse prédictive comme terme l’année prochaine, car vous ne trouverez aucun des quelque 50 fournisseurs qui commercialisent des produits qui l’utilisent – ils l’appellent de plus en plus une plate-forme de « science des données » ou d’«apprentissage automatique », déclare Gualtieri. « La réalité est que ces plateformes contiennent souvent de nombreuses méthodes statistiques plus anciennes ainsi que l’apprentissage automatique, mais l’apprentissage automatique est considéré comme la technologie de pointe. »

Dans le cas des fournisseurs qui vendent des produits d’extraction et d’exploration traditionnels et proposent des offres prédictives dans le cadre de leur portefeuille, Semach estime que s’ils « évoluent radicalement » et adoptent une approche d’apprentissage automatique le plus tôt possible, ils « finiront par mourir ».

Il n’en va pas de même pour le marché global des capacités prédictives, cependant, dont Semach est convaincu qu’il poursuivra sa croissance régulière. « Cela n’arrivera pas demain – ce sera plutôt de l’avant-midi de trois à cinq ans – mais cela arrivera », dit-il.

En attendant, voici deux organisations qui ont une longueur d’avance et qui déploient déjà cette technologie avec beaucoup d’efficacité.

Étude de cas : University Hospitals of Morecambe Bay NHS Foundation Trust

« Si vous considérez qu’il doit y avoir un changement transformateur dans les soins de santé pour optimiser les services, les rendre plus abordables et offrir de meilleurs résultats, alors intégrer l’IA et l’analyse prédictive est la façon de le faire », déclare Rob O’Neill, responsable de l’analyse au University Hospitals of Morecambe Bay NHS Foundation Trust.

O’Neill a d’abord mis en œuvre tLa stratégie d’analyse et de science des données de l’organisation il y a environ trois ans après avoir été sélectionnée pour devenir membre de la première cohorte de la NHS Digital Academy, qui a été créée pour former des leaders numériques.

« Le principal moteur, c’est que les soins de santé ne sont pas durables de la façon dont ils sont dispensés aujourd’hui », dit-il. « Il y a d’importants problèmes de santé à l’échelle de la population, la prestation de services coûte cher et il y a un manque de financement, alors nous avons toujours des difficultés financières. »

Un autre problème clé est que la population spécifique que le Trust sert est dispersée sur une vaste zone géographique avec des niveaux variables de privation. En conséquence, en raison de l’ampleur du défi à relever, l’organisation a commencé à entreprendre un programme de changement important pour « repenser la façon dont les soins sont dispensés ».

L’objectif est de remplacer l’approche traditionnelle de l’hôpital par des soins dirigés par des médecins généralistes par un « système » plus holistique pour s’assurer que les services sont fournis de la manière la plus sûre et la plus rentable possible tout en améliorant l’expérience du patient. L’analyse prédictive et la science des données sont considérées comme des outils essentiels pour permettre ce changement.

« Je dirais que la seule façon de résoudre ces défis est d’utiliser les données, et la science des données, l’apprentissage automatique et d’autres techniques prédictives en particulier, pour bouleverser la façon dont nous modélisons et comprenons ce qui se passe », dit O’Neill. « Il ne s’agit pas de prédire l’avenir, mais de le changer grâce à des stratégies bien pensées et cliniquement intégrées – c’est l’ambition. »

À cette fin, le Trust a mis en œuvre l’entrepôt de données basé sur le cloud de Snowflake, les outils de DataRobot pour créer des modèles d’analyse prédictive et les outils d’analyse de données de Qlik pour soutenir la prise de décision des cliniciens dans une gamme de milieux de soins.

Le pouvoir de la prédiction

Par exemple, le système est actuellement utilisé pour prédire avec précision le nombre de patients qui fréquentent l’A&E un jour donné et pour évaluer dans quelle mesure leurs besoins sont susceptibles d’être aigus pour s’assurer que suffisamment de ressources sont disponibles. Il est également utilisé pour prédire la durée probable du séjour d’un patient à l’hôpital et son risque de réadmettance après son congé afin d’entreprendre des prévisions imprévues de la demande.

Un troisième modèle prédictif utilise des données volatiles liées à la pandémie pour prévoir les niveaux de risque personnels des patients en attendant des opérations électives qui ont dû être reportées en raison de la pandémie. Un quatrième, qui fait actuellement l’objet d’un examen clinique, se concentre sur l’identification des patients hypertendus avant même qu’ils ne soient admis à l’hôpital.

« Il y a une population vieillissante dans l’Ouest, car les gens vivent plus longtemps avec une gamme de plus en plus complexe de maladies chroniques », dit M. O’Neill. « Donc, si nous pouvons intervenir plus tôt, très bien – et si nous pouvons comprendre les tendances de la demande associées à cela, nous pouvons également mieux aligner nos ressources à l’interne. »

Dans le cadre du processus visant à faire du Trust une organisation davantage axée sur les données, il a désormais intégré des membres de son équipe d’analyse dans chacun des flux de travail transformationnels et dans ses unités commerciales cliniques.

« Il est très important d’avoir un engagement clinique et d’être dirigé cliniquement pour s’assurer que la technologie est acceptée et intégrée », affirme M. O’Neill. « Mais c’est un environnement tellement occupé et complexe dans lequel les cliniciens travaillent, et ils sont tellement concentrés sur la prestation de soins sûrs et appropriés aux patients que toute solution qui peut aider à soutenir la prise de décision a tendance à être vraiment la bienvenue. »

Bien qu’il reconnaisse que le Trust est l’un des seuls « assez petits » au Royaume-Uni qui est allé aussi loin que Morecambe en termes d’analyse prédictive, il pense que cette situation est susceptible de changer assez rapidement avec le travail de NHSX, une unité du gouvernement britannique responsable de l’établissement de la politique nationale et du développement des meilleures pratiques pour la technologie NHS, la technologie et les données numériques.

« Si nous envisageons une stratégie nationale et mondiale pour la santé, elle a vraiment besoin de l’IA et de l’analyse prédictive pour produire ses résultats », déclare M. O’Neill. « Différentes organisations se trouvent actuellement à des points différents de la courbe de maturité, mais c’est l’avenir. »

Étude de cas : National Express

Pendant les différents confinements liés au Covid au Royaume-Uni, les modèles d’analyse prédictive ont été essentiels pour permettre à National Express West Midlands (NEWM) de s’assurer que l’offre de véhicules sur son réseau de bus s’alignait sur la demande des clients socialement éloignés.

La société avait commencé son parcours d’analyse prédictive avant la pandémie lorsqu’elle a mis en œuvre la plate-forme basée sur le cloud de CitySwift, qui a été développée spécifiquement pour prévoir les temps de trajet et la demande des passagers pour les réseaux de bus urbains. L’utilisation du big data et des techniques d’apprentissage automatique a permis d’optimiser les horaires en tenant compte des niveaux de trafic et d’autres événements externes.

La décision d’adopter cette approche a été pris quand il était devenu clair que le logiciel d’analyse de la demande vieillissante avait « maximisé » en termes de renforcement de l’efficacité opérationnelle et d’optimisation de la rentabilité, explique Andy Foster, directeur commercial adjoint chez National Express.

« Le grand défi auquel nous sommes confrontés est la congestion, qui est un double problème pour nous – si les services sont ralentis par la congestion, nous devons mettre plus d’autobus pour offrir le même service, mais chaque bus coûte £ 100,000-£ 150,000 pour fonctionner, donc ce n’est pas une décision que vous prenez à la légère », dit-il.

Une énigme clé ici est que si les services sont lents, ils deviennent moins attrayants pour les passagers, qui commencent donc à les utiliser moins. Cette situation « pousse les coûts à la hausse et les revenus à la baisse, de sorte que vous finissez par être pris dans un horrible mouvement de tenaille », dit Foster.

Un autre problème pour NEWM était qu’elle n’avait aucun moyen d’analyser l’impact des changements d’horaires, de l’ajout d’autobus supplémentaires ou de la modification de la fréquence d’un service.

« Nous pourrions donc aller voir les patrons et leur dire ‘la route 97 a un problème’, mais nous ne pouvions pas quantifier le succès ou non d’une action particulière », explique Foster. « Nous ne pouvions que dis-le puissions l’améliorer, mais nous ne pouvions pas quantifier les avantages. »

En conséquence, en novembre 2019, la route 97, qui fournit des services à 80 000 passagers par semaine, est devenue la première à bénéficier de la technologie de planification SwiftSchedule. Le logiciel a été utilisé pour analyser le temps nécessaire aux autobus pour se rendre d’un arrêt à l’autre, le nombre d’arrêts effectués et le nombre de passagers qui sont montés et descendus. Des données historiques externes, comme les conditions météorologiques et les tendances de la circulation, ont également été ajoutées afin de mieux comprendre les répercussions dans le monde réel.

Ces informations, sous la forme d’environ 750 000 points de données chaque jour, ont ensuite été utilisées pour apporter des modifications aux horaires des bus, ce qui a augmenté leur ponctualité d’une moyenne de 89% à 92,5% et a permis d’économiser 2,4% en coûts opérationnels.

Lutter contre la pandémie

Mais lorsque la pandémie a frappé en mars 2020, l’impact a été profond. Du jour au lendemain, les problèmes de congestion ont cessé d’être un problème, tandis que la demande liée au confinement et la distanciation sociale en constante évolution ont pris le dessus.

Pour relever ces défis, NEWM a commencé à utiliser le logiciel SwiftMetric de CitySwift pour mieux comprendre l’impact de la situation en termes de fiabilité, d’efficacité et de demande des bus afin d’éclairer sa prise de décision.

« Nous pouvions voir comment la demande et la vitesse des opérations changeaient et nous pouvions le faire très rapidement, car nous obtenions des données entièrement analysées en moins de 24 heures », explique Foster. « D’ici mardi après-midi, nous pouvions analyser ce qui s’était passé lundi – cela nous a permis de mettre les autobus au bon endroit et de nous assurer qu’il y avait suffisamment de capacité pour emmener les travailleurs essentiels au travail sans qu’ils ne deviennent surpeuplés. »

L’entreprise a également créé une page Web pour les voyageurs anxieux afin de vérifier à quel point un voyage donné était susceptible d’être occupé, afin qu’ils puissent ajuster leurs plans en conséquence.

Maintenant que le confinement est terminé et que la congestion est revenue, l’utilisation de la technologie est revenue à l’optimisation des itinéraires, en identifiant les économies et en les réinvestissant dans une meilleure fréquence des bus. Sur la route 16, par exemple, le chronométrant a été amélioré de 4 %, ce qui a entraîné une augmentation de 2 % de l’utilisation des passagers et de 4,6 % du nombre de voyages effectués.

La technologie sera également déployée en septembre pour couvrir 40% des opérations de NEWM. Un autre objectif est de partager les informations sur la congestion avec l’autorité routière locale dans l’espoir qu’elle réaffectera l’espace routier pour réduire le problème.

Des données seront également fournies à Transport for West Midlands, qui est responsable de la coordination des services dans la région, afin de plaider en faveur d’un financement accru dans le cadre de la stratégie nationale du gouvernement « Bus back better » pour les autobus.

« Nous avons toujours été assez bons dans l’utilisation des données, mais l’analyse prédictive les porte à un niveau supérieur et nous permet de prendre de meilleures décisions sur l’endroit et la façon dont nous déplaçons les ressources », explique Foster. « C’est un outil puissant. »