Un algorithme prédictif est une procédure de calcul qui estime la probabilité d’un événement ou d’un comportement futur à partir de données historiques, en appliquant à de nouveaux cas les régularités repérées dans le passé.
L’Office québécois de la langue française le définit comme un algorithme qui a pour but de prévoir des événements ou des comportements à partir de données historiques (2025). Son fonctionnement comporte deux phases. Lors de l’entraînement, l’algorithme ajuste les paramètres d’un modèle sur un historique où la variable à prédire est connue, par exemple l’achat ou la résiliation d’un client. Lors de l’application, le modèle obtenu reçoit les données d’un cas nouveau et renvoie une probabilité, un score ou une valeur estimée. Ce résultat reste une probabilité : il ne dit pas ce qui arrivera à un individu donné.
Il combine des variables explicatives, une variable cible et une méthode d’estimation. Les méthodes vont de la régression linéaire aux arbres de décision et aux réseaux de neurones, entraînés le plus souvent par apprentissage supervisé. Selon la même fiche terminologique, les algorithmes de recommandation, qui proposent un produit ou un contenu, en sont des exemples.
Le terme désigne l’outil de calcul. L’analyse prédictive désigne la démarche complète, de la question posée à l’usage des résultats, et le marketing prédictif son application aux clients et prospects. Un algorithme prédictif se distingue aussi d’une règle de gestion écrite à la main, du type « relancer tout client inactif depuis six mois ». La règle est fixée par une personne ; l’algorithme déduit ses pondérations des données. En marketing direct, il sert au scoring prédictif, à la sélection des cibles d’une campagne, à la prévision de l’attrition et à la recommandation de produits.
Un algorithme prédictif classe. Il indique quels clients ont le plus de chances d’acheter, de partir ou de répondre, par rapport aux autres. Il ne dit pas pourquoi, et il ne dit pas ce qui se passera si l’on agit. Cette nuance compte. Un algorithme entraîné sur l’historique des clients partis repère ceux qui leur ressemblent, pas ceux qu’une offre de fidélisation ferait rester. Nous recommandons de formuler la décision avant de choisir l’algorithme : qui sélectionner, avec quelle action, pour quel coût par contact.
Un second point est souvent sous-estimé. L’algorithme apprend le passé de l’entreprise, y compris ses choix de ciblage. Si une catégorie de clients n’a jamais été sollicitée, il ne peut rien apprendre sur elle.
Nous recommandons de commencer par un modèle simple, qui sert d’étalon. Un algorithme plus complexe ne se justifie que s’il fait nettement mieux sur un échantillon de test.
Deux familles d’indicateurs coexistent. Les indicateurs statistiques jugent la capacité à classer : taux d’erreur, part des cas positifs retrouvés parmi les clients les mieux notés, comparaison avec un tirage au hasard. Les indicateurs économiques jugent l’effet sur l’activité : chiffre d’affaires, marge ou taux de réponse d’une cible choisie par l’algorithme, comparés à ceux d’un groupe témoin choisi autrement. À notre sens, le second niveau tranche. Un gain statistique qui ne change pas la sélection finale ne rapporte rien.
Appliqué à des personnes, un algorithme prédictif réalise en général un profilage. La CNIL le définit comme un traitement utilisant les données personnelles d’un individu en vue d’analyser et de prédire son comportement (2018). Le RGPD donne aux personnes le droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé lorsqu’elle produit des effets juridiques ou les affecte de manière significative. Des exceptions existent : consentement explicite, nécessité contractuelle, texte spécifique. Dans les deux premiers cas, la personne peut obtenir une intervention humaine, exprimer son point de vue et contester la décision ; dans le troisième, le texte qui autorise la décision prévoit ses propres garanties.
Le Défenseur des droits et la CNIL ont aussi rappelé en 2020 que les bases de données qui alimentent les algorithmes peuvent reproduire des stéréotypes et produire des discriminations. C’est le sujet du biais algorithmique.
Advalians repère et teste les usages où l’IA fait gagner du temps ou de la qualité sur vos tâches réelles, mesure les gains et vous aide à prioriser.
Advalians, cabinet de conseil indépendant en marketing et communication, vous aide à clarifier vos choix et à décider.
L’algorithme est la méthode d’apprentissage ; le modèle est le résultat de son application à un jeu de données. Une même méthode, par exemple la régression logistique, produit des modèles différents selon l’historique, les variables et la période retenus. Dans l’usage courant, les deux termes se confondent souvent.
La distinction devient utile dans un projet : changer de données oblige à réentraîner le modèle, même si l’algorithme reste identique. Demandez donc la date du dernier entraînement et la période couverte par l’historique, pas seulement le nom de la méthode.
Il faut un historique où le résultat à prédire est connu, avec assez de cas positifs. Pour prédire une résiliation, il faut des clients partis et des clients restés, observés sur la même période.
Vérifiez trois points avant de lancer le projet. La profondeur d’historique doit couvrir au moins un cycle complet d’activité. La qualité des variables est souvent dégradée par les doublons et les champs vides. La base légale de l’usage des données personnelles doit être établie. Le volume minimal dépend de la méthode et de la rareté de l’événement : il n’existe pas de seuil universel.
Testez-le d’abord sur des données qu’il n’a jamais vues, puis en situation réelle contre un groupe témoin. Le premier test mesure la capacité à classer : les clients les mieux notés concentrent-ils nettement plus de cas positifs qu’une sélection au hasard ?
Le second mesure l’effet économique : la cible choisie par l’algorithme produit-elle plus de réponses ou de marge que la cible choisie par la méthode habituelle ? Répétez la comparaison sur plusieurs campagnes avant de conclure. Un bon résultat isolé peut tenir à la saison ou à l’offre.
Le premier risque est juridique : une décision entièrement automatisée qui affecte significativement une personne est en principe proscrite par le RGPD, sauf exceptions encadrées. Le deuxième tient aux biais : l’algorithme reproduit ceux de l’historique. Le troisième est opérationnel : un modèle non surveillé se dégrade sans alerte visible.
Pour les limiter, gardez une intervention humaine sur les décisions qui pèsent sur la personne, comme un refus ou un tarif. Contrôlez les résultats par catégorie de clients. Fixez un seuil de performance en dessous duquel le modèle est réentraîné.
Préférez une règle simple quand l’historique est court, quand l’événement à prédire est très rare ou quand la décision ne se répète pas. Une règle fondée sur la récence, la fréquence et le montant des achats, comme la segmentation RFM, donne souvent une première sélection solide pour un coût faible.
L’algorithme se justifie lorsque la décision revient souvent, que le volume de clients est important et que le gain de performance couvre le coût de construction et de maintenance. Comparez toujours les deux approches sur une même campagne avant de généraliser.
Modèles, grilles et guides prêts à l’emploi pour vos projets marketing et communication.
Le marketing évolue à grande vitesse. Longtemps centré sur l’acte d’achat pur, le..
À l’aube de 2024, le monde du marketing continue d’évoluer à un rythme..
Besoin d'un conseil indépendant sur ce sujet ?
Échanger