Glossaire

Analyse prédictive

Qu’est-ce que Analyse prédictive ?

L'analyse prédictive s'appuie sur des données historiques, la statistique et l'apprentissage automatique pour estimer des événements futurs probables. Elle répond à des questions comme : quels clients risquent de résilier ? Quel stock faudra-t-il le mois prochain ? Quand une machine tombera-t-elle probablement en panne ? Les résultats sont des probabilités, pas des certitudes. Leur valeur dépend fortement de la qualité des données et de leur intégration réelle dans les décisions et les processus.

Thèmes

analyse de données
prévision
aide à la décision

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Modélisation prédictive

La modélisation prédictive est le cœur technique de l'analyse prédictive : à partir d'exemples dont le résultat est connu, on construit un modèle qui prédit une valeur ou une classe pour de nouveaux cas. Les méthodes courantes sont la régression, les arbres de décision, les forêts aléatoires ou les réseaux de neurones. Un modèle peut ainsi estimer le prix d'un bien d'après sa surface, son emplacement et son année de construction. Avant déploiement, il est testé sur des données mises de côté pour détecter le surapprentissage.

modélisation
prédiction
+1

Apprentissage automatique

L’apprentissage automatique (machine learning) est une branche de l’intelligence artificielle dans laquelle les ordinateurs déduisent des régularités à partir de données au lieu de recevoir chaque règle explicitement programmée. Selon la tâche, les modèles apprennent à partir d’exemples étiquetés (supervisé), de données non étiquetées (non supervisé) ou par récompense (par renforcement). Les applications vont des filtres anti-spam aux prévisions de demande et aux recommandations de produits. La qualité dépend fortement du volume et de la qualité des données d’entraînement.

fondamentaux
IA
+1

Exploration de données

L'exploration de données (data mining) consiste à fouiller systématiquement de grands volumes de données pour y découvrir des tendances, des liens et des anomalies. Elle s'appuie sur des méthodes statistiques et d'apprentissage automatique comme le clustering, la classification ou l'analyse d'associations. Exemple classique : l'analyse du panier d'achat dans le commerce, qui révèle les produits souvent achetés ensemble – une base pour l'assortiment, l'agencement et les recommandations.

analyse de données
reconnaissance de motifs
+1

Analyse exploratoire des données (EDA)

L’analyse exploratoire des données (EDA) est un premier regard ouvert sur un jeu de données : on calcule des indicateurs, on examine distributions et graphiques et on cherche des tendances, des valeurs aberrantes et des valeurs manquantes, sans hypothèse arrêtée. Elle permet d’évaluer la qualité des données et de formuler les bonnes questions pour la suite. Exemple : avant une prévision des ventes, l’EDA montre qu’un mois a été saisi de façon incomplète lors d’un changement de système.

Analyse de données
Statistiques
+1

Modèle