La révolution analytique avec Microsoft Excel

■■ Qu’est-ce que l’analyse?

■■ Qu’est-ce que l’analyse prédictive?

■■ Qu’est-ce que l’analyse normative?

■■ Pourquoi l’analyse a-t-elle gagné en importance?

■■ Quelle est l’importance de l’analyse pour votre organisation?

■■ Que devez-vous savoir pour effectuer des analyses?

■■ Quelles difficultés peuvent survenir lors de la mise en œuvre d’une analyse?

■■ Quelles tendances affecteront les développements futurs de l’analytique?

Réponses aux questions de cet article 

Cette section fournit les réponses aux questions répertoriées au début de cet article.

Qu’est-ce que l’analytique?

Analytics est la pratique consistant à utiliser les données pour aider à prendre des décisions qui répondent mieux aux objectifs de l’organisation. Les objectifs typiques comprennent la maximisation du profit, la minimisation des coûts, la réduction des risques financiers, l’amélioration des soins de santé et des résultats scolaires, la réduction de la criminalité et d’autres considérations. Bien sûr, l’utilisation des données pour prendre des décisions n’est pas un phénomène récent. Par exemple, le philosophe grec Thales a utilisé des options (voir l’ article  77, «Tarification des options sur actions») pour augmenter les bénéfices et réduire le risque encouru par la location de pressoirs à olives. Le terme analytique est devenu populaire après la publication en 2007 du livre de Thomas Davenport, Competing on Analytics (Boston: Harvard Business School Press, 2007).

Qu’est-ce que l’analyse prédictive?

L’analyse prédictive utilise simplement les données pour faire des prédictions précises sur les quantités d’intérêt. Quelques exemples:

■■ Prédire le résultat des élections présidentielles (voir l’article  58, «Intégrer les facteurs qualitatifs dans la régression multiple»).

■■ Prévision des résultats des matchs de la NFL (voir l’article 34, «Utilisation du solveur pour évaluer les équipes sportives»).

■■ Déterminer comment le placement d’un produit dans un magasin détermine les ventes de produits (voir l’article 60, «Analyse de la variance: ANOVA unidirectionnelle»).

■■ Déterminer comment le traitement influe sur les chances de survie du cancer.

■■ Déterminer comment le mix marketing (publicité, baisses de prix, affichage du produit) affecte les ventes quotidiennes de scotch 3M. Cela est difficile car la saisonnalité affecte également les ventes et le modèle de prédiction doit s’ajuster à l’effet de la saisonnalité sur les ventes.

■■ Quelle est la chance de chaque équipe de gagner le tournoi NCAA? (Voir le chapitre 76, «Jeux et divertissements: simulation des probabilités de jeu et d’événements sportifs.»)

■■ Les article  34 et 76 et les article  53 à 64 couvrent les sujets de l’analyse prédictive.

Qu’est-ce que l’analyse normative?

L’analyse normative implique l’utilisation de modèles mathématiques, généralement basés sur les données, pour aider à prendre des décisions qui maximisent ou minimisent un objectif approprié. Quelques exemples:

■■ Quel prix de produit maximise le profit? (Voir les chapitres 83 à 86.)

■■ Quelle gamme de produits maximise le profit mensuel d’Eli Lilly? (Voir le chapitre 29, «Utilisation du solveur pour déterminer la combinaison optimale de produits.»)

■■ Comment puis-je planifier mes effectifs pour minimiser les coûts d’exploitation? (Voir le chapitre 30, «Utilisation du solveur pour planifier votre personnel».)

■■ Comment une entreprise peut-elle minimiser le coût d’expédition des produits des usines aux clients? (Voir

Chapitre 31, «Utilisation du solveur pour résoudre des problèmes de transport ou de distribution.»)

■■ Comment une organisation peut-elle choisir des projets qui maximisent les objectifs de l’entreprise sous réserve de ressources limitées? Par exemple, compte tenu du capital et des programmeurs limités, comment Microsoft peut-il maximiser la rentabilité générée par les nouveaux produits? Comment votre commission scolaire locale peut-elle utiliser des fonds limités pour maximiser le taux d’obtention du diplôme d’études secondaires? Ces sujets sont abordés dans le chapitre 32, «Utilisation du solveur pour la budgétisation des investissements».

■■ Combien d’argent dois-je épargner chaque année pour avoir suffisamment d’argent pour la retraite? (Voir l’article 33, «Utilisation de Solver pour la planification financière.»)

■■ Comment les bookmakers peuvent-ils établir des écarts de points qui garantissent qu’ils réalisent un profit? (Voir l’ article 34.)

■■ Où les entrepôts devraient-ils être situés afin de minimiser la distance que les expéditions doivent parcourir? (Voir  l’article 35, «Emplacement de l’entrepôt et moteurs à plusieurs démarrages et solveurs évolutifs GRG.»)

■■ Comment les travailleurs devraient-ils être affectés à des emplois pour faire plaisir aux patrons et aux employés? (Voir l’article 36, «Les pénalités et le solveur évolutionnaire».)

■■ Dans quel ordre votre chauffeur UPS doit-il déposer les colis pour minimiser le temps nécessaire à la livraison de tous les colis? (Voir le l’article 37, «Le problème des vendeurs ambulants.

■■ Combien de cartes pour la Saint-Valentin Hallmark doit-il imprimer pour maximiser les bénéfices attendus? (Voir Chapitre.)

■■ Que doit faire une entreprise pour un projet de construction afin de maximiser son profit attendu? (Voir Chapitre , «Calcul d’une offre optimale.»)

■■ Quelle allocation d’actifs minimise le risque nécessaire pour obtenir le rendement attendu souhaité? (Voir Chapitre, «Simulation des cours des actions et modélisation de l’allocation d’actifs».)

Pourquoi l’analyse a-t-elle gagné en importance?

L’analytique est récemment devenue plus importante pour plusieurs raisons. Premièrement, des données beaucoup plus utiles sont disponibles. Par exemple, FACTUAL est une start-up qui essaie de collecter  toutes les données qui pourraient être utiles; il dispose d’une base de données contenant l’emplacement de toutes les stations-service américaines et des informations nutritionnelles sur tous les articles vendus par une chaîne d’épicerie. De nouvelles sources de données utiles sont générées à un rythme qui augmente rapidement. Par exemple, à partir de la saison 2013-2014, toutes les arènes de la NBA auront des caméras qui suivront l’emplacement de chaque joueur et le ballon à chaque seconde pendant le match.

En plus de disposer de plus de données, les ordinateurs et les programmes sont de plus en plus rapides, ce qui facilite la gestion des ensembles de données volumineux. Par exemple, PowerPivot (voir Chapitre 45, «PowerPivot») facilite la création de rapports de Business Intelligence (BI) basés sur des centaines de millions de lignes de données. Les logiciels qui ne sont pas basés sur Microsoft Excel, tels que SAS et HADOOP, facilitent le traitement et l’analyse d’énormes ensembles de données.

Quelle est l’importance de l’analyse pour votre organisation?

L’importance de l’analytique pour une organisation dépend des avantages tirés d’une approche analytique contrebalancés par les coûts de mise en œuvre. Par exemple, les avantages tirés de l’évaluation des enseignants grâce à l’analyse l’emportent-ils sur les coûts?

L’examen de l’utilisation de l’analytique dans les sports professionnels jette beaucoup de lumière sur l’importance de l’analytique. Au baseball (pensez au Moneyball), beaucoup de données facilement disponibles peuvent être utilisées pour évaluer les joueurs de baseball. Ces données sont relativement faciles à analyser, donc presque toutes les équipes des ligues majeures ont un département d’analyse. Dans le passé, peu d’équipes NBA avaient des départements d’analyse. À la conférence Sloan 2013 sur Sports Analytics, une seule équipe (les Lakers, et nous savons comment ils ont mal performé) n’était pas représentée. Cependant, pas beaucoup d’équipes de la NFL ont des départements d’analyse, peut-être parce que de nombreux problèmes importants dans l’analyse du football sont difficiles à résoudre. Par exemple, dans le baseball et le basket-ball, il n’est pas si difficile d’estimer une juste valeur pour un joueur. Dans le football, c’est beaucoup plus difficile. Comment pouvons-nous estimer la valeur d’un grand bloqueur de passes alors qu’il y a peu de statistiques disponibles mesurant la performance des monteurs de lignes offensifs?

Que devez-vous savoir pour faire des analyses?

De nombreuses universités mettent au point des programmes de premier cycle, des cycles supérieurs et en ligne pour certifier les professionnels de l’analyse. Analogue à l’examen Certified Public Accountant (CPA), INFORMS (Institute for Operations Research and Management Science) a introduit un examen en 2013 pour certifier les personnes en tant que professionnels de l’analyse certifiés. Au minimum, le professionnel de l’analytique doit avoir une connaissance des sujets suivants:

■■ Comment manipuler les données sous n’importe quelle forme. Cela comprend la manipulation de données non quantitatives telles que les tweets sur Twitter.

■■ Comment rassembler des ensembles de données disparates afin qu’ils puissent être utilisés dans une étude analytique. Par exemple, un restaurant rapide pourrait vouloir réduire le roulement du personnel. Cela nécessiterait ce que l’on savait de chaque employé (éducation, âge, résultats aux tests et autres statistiques) ainsi que l’historique des performances de l’employé. Ensuite, un modèle pourrait être développé qui prédit

roulement du personnel basé sur ce qui était connu au moment de l’embauche. Malheureusement, dans de nombreuses entreprises, les données sur les embauches et les performances des employés résident dans des bases de données distinctes qui ne se parlent pas.

■■ Bonnes compétences pour analyser et manipuler des données dans Excel.

■■ Comment analyser des ensembles de données volumineuses à l’aide d’un progiciel statistique tel que R, SPSS ou SAS.

■■ Connaissance des statistiques, y compris toutes les formes d’analyse prédictive et d’algorithmes de classification.

Par exemple, comment une personne peut-elle être classée comme un candidat probable à une crise cardiaque?

■■ Savoir comment la simulation peut modéliser des situations incertaines telles que la valeur future de votre portefeuille 401k ou la file d’attente aux urgences de l’hôpital.

■■ Utiliser l’optimisation pour trouver la meilleure façon de faire quelque chose. Par exemple, quelle allocation d’espace aux différents produits maximise les profits d’un grand magasin?

Quelles difficultés peuvent survenir lors de la mise en œuvre d’une analyse?

Plusieurs problèmes peuvent survenir lors d’une implémentation analytique:

■■ Souvent, il est difficile de s’entendre sur la bonne mesure pour évaluer le succès. Par exemple, jusqu’à ce que le gourou des mesures de Sabre, Bill James, tout le monde pense que les joueurs de champ devraient être évalués en fonction du pourcentage de mise en ligne, qui est la fraction de balles frappées près d’un joueur défensif qui sont mises en place avec succès. De toute évidence, cette métrique ne tient pas compte du fait qu’un arrêt-court au pied lent permet à la balles pour aller au champ extérieur et se transformer en coups sûrs. Bill James a créé le facteur de plage, qui est une bien meilleure mesure des performances de mise en ligne. Pour un arrêt-court, par exemple, le facteur de portée est les sorties + passes décisives par manche pour le joueur, divisé par les sorties moyennes + passes décisives par manche pour tous les arrêts-courts. Un facteur de portée supérieur à 1 indique qu’un joueur arrive à plusieurs balles que l’arrêt-court moyen rate. Ozzie Smith est généralement considéré comme l’un des meilleurs arrêts-courts de mise en service de tous les temps. Son pourcentage de carrière en carrière de .966 n’est pas grand, mais pendant ses meilleures années   , son facteur de portée était superbe. Bien sûr, Ozzie a joué sur du gazon artificiel, ce qui rend son facteur de portée encore plus étonnant. La morale est de ne pas hésiter à remettre en question des mesures qui, selon vous, ne reflètent pas les performances réelles de votre organisation.

■■ Comme mentionné précédemment, souvent les sources de données nécessaires à un projet d’analyse ne se parlent pas. Par exemple, une société de logiciels voulait prédire les revenus futurs. Elle savait que les revenus futurs dépendaient des versions d’essai envoyées aux clients potentiels et des appels de vente personnels aux clients potentiels. Malheureusement, les données de vente et les données des clients se trouvaient dans différentes bases de données qui ne communiquaient pas, de sorte que le projet a subi un retard énorme et inutile.

■■ Dans une étude d’analyse prédictive, les analystes ne savent souvent pas quelles données sont nécessaires pour prendre de meilleures décisions. Je suggère de travailler à l’envers. Après avoir déterminé ce que vous voulez prévoir, pensez aux variables qui pourraient vous aider à prédire la variable qui vous intéresse. Voici quelques exemples de situations dans lesquelles un nouvel ensemble de données devait être créé pour mener à bien un projet analytique:

  • • Jeff Sagarin, personnalité de l’analytique du sport, et l’auteur ont voulu déterminer une méthode pour évaluer la capacité défensive des joueurs de la NBA. Étant donné que le score de la NBA comprend peu de statistiques défensives (interceptions et blocages), un nouvel ensemble de données était nécessaire. Nous a estimé qu’un bon joueur défensif ferait perdre à son équipe quelques points lorsqu’il était dans le match et que son absence ferait en sorte que cette équipe abandonnerait plus de points lorsque le joueur était absent. Nous avons créé un ensemble de données répertorié pour toutes les minutes pendant lesquelles les joueurs étaient sur le terrain et le nombre de points abandonnés. À l’aide de ces données, nous avons pu identifier les contributions défensives de grands défenseurs tels que Ron Artest, Kevin Garnett et Marc Gasol.
  • • United Health souhaitait réduire les coûts des soins de santé encourus par ses employés. Elle a déterminé qu’elle avait besoin de savoir si les employés étaient traités pour des conditions susceptibles d’entraîner des coûts de santé futurs élevés. Le diabète entraîne des coûts de santé futurs importants (et

problèmes horribles). United Health a payé 450 $ à ses employés pour un dépistage du diabète et d’autres conditions. Un incroyable 30 pour cent des employés étaient diabétiques ou pré-diabétiques et ne le savaient pas. Le traitement de ces patients a permis à United Health de maintenir les coûts de santé stables et d’améliorer la qualité de vie future de ses employés.

Quelles tendances affecteront les développements futurs de l’analytique?

Des ordinateurs plus rapides et de meilleurs algorithmes pour analyser les données et effectuer des optimisations garantissent pratiquement que l’analyse deviendra plus importante à l’avenir. Les améliorations de la visualisation permettront à l’analyste débutant de repérer plus facilement les modèles dans les données complexes. Le chapitre 46, «Power View», décrit les capacités intéressantes d’Excel 2013 Power View pour créer de belles visualisations perspicaces. Dans le chapitre 52, «Astuces graphiques», vous découvrirez de nombreuses astuces graphiques intéressantes qui vous aideront à créer des graphiques qui vous permettront de mieux comprendre les données.

La tendance la plus importante en matière d’analyse dans un avenir proche est probablement que de nombreuses applications d’analyse seront disponibles n’importe où, n’importe quand sur les appareils mobiles. Par exemple, en 2011, San Ramon, en Californie, a développé une application pour smartphone qui a enregistré des personnes qui connaissent la réanimation cardio-respiratoire (RCR) afin qu’elles puissent effectuer la RCR sur une personne proche d’eux qui en a besoin. Lorsqu’un appel au 911 arrive et qu’une ambulance ne peut pas arriver à temps, un message texte est envoyé à toute personne inscrite, indiquant l’emplacement de la personne frappée. Cela permet à la personne malade de recevoir la RCR beaucoup plus rapidement.

Une autre tendance dans l’analyse sera une augmentation des prévisions en temps réel qui mènent à l’action en temps réel. Par exemple, si les prévisions indiquent qu’un magasin Target sera épuisé de Pepsi à 11 h, l’application d’analyse connaîtra l’emplacement de tous les camions Pepsi et un message sera envoyé au camion, indiquant au conducteur de réapprovisionner Pepsi à 11 h.

S’abonner
Notifier de
0 Commentaires
Inline Feedbacks
Voir tous les commentaires

Initiation à Excel

Fonctions Excel

Excel VBA

Macros VBA Utiles

Plus d'outils

Sur Facebook

Sur YouTube

0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x
()
x