Growth & Marketing IA
Analytics prédictif
L'analytics prédictif estime churn, achat ou revenu à partir des données passées. Fonctionnement, usages marketing, prédictions de GA4 et limites.
Qu'est-ce que l'analytics prédictif ?
L'analytics prédictif, ou analyse prédictive, utilise les données passées pour estimer ce qui a le plus de chances d'arriver : un client qui va partir, un visiteur qui va acheter, le chiffre d'affaires du trimestre. Il s'appuie sur des statistiques et du machine learning. Le résultat n'est pas une certitude, mais une probabilité qui aide à décider où agir en premier.
Aussi connu sous : analyse prédictive, predictive analytics, marketing prédictif.
Les quatre niveaux de l'analyse de données
On distingue souvent quatre questions, de la plus simple à la plus avancée.
| Niveau | Question | Exemple marketing |
|---|---|---|
| Descriptif | Que s'est-il passé ? | le taux de conversion du mois |
| Diagnostique | Pourquoi ? | la baisse vient du mobile |
| Prédictif | Que va-t-il se passer ? | ces clients risquent de résilier |
| Prescriptif | Que faut-il faire ? | leur proposer un appel avant l'échéance |
Comment ça marche
Un modèle apprend sur l'historique : comportements, achats, visites, réponses aux campagnes. Il repère les signaux qui précédaient un événement (un achat, une résiliation), puis calcule pour chaque client actuel la probabilité que cet événement se produise.
Les méthodes les plus courantes sont la régression, qui prédit une valeur comme un panier moyen, la classification, qui prédit un oui ou un non comme « va résilier », et l'analyse de séries temporelles, qui prolonge une courbe dans le temps. Le modèle se teste sur des données qu'il n'a pas vues, puis se réentraîne quand les comportements changent.
Cas d'usage marketing
- Churn : repérer les clients qui risquent de partir et les contacter avant.
- Propension d'achat : cibler les visiteurs les plus proches de l'achat dans une campagne.
- Valeur vie client (LTV) : estimer ce qu'un client rapportera, pour ajuster ce qu'on peut dépenser pour l'acquérir.
- Lead scoring : classer les prospects par probabilité de signer.
- Prévisions : ventes, trafic, stocks, budget média.
Prenons Assurly : un score de résiliation calculé chaque semaine peut envoyer aux conseillers la liste des clients à rappeler en priorité.
Ce que propose Google Analytics 4
Selon Google, GA4 calcule quatre métriques prédictives : probabilité d'achat, probabilité de perte de l'utilisateur, revenu prévu et probabilité d'achat via une application. Selon Google, elles demandent un volume minimal : sur les 28 derniers jours, au moins 1 000 utilisateurs connus doivent avoir déclenché la condition prédite pendant une fenêtre de 7 jours, et au moins 1 000 ne pas l'avoir déclenchée. Pour l'achat et le revenu, la propriété doit envoyer l'événement purchase avec les paramètres value et currency. Ces prédictions servent ensuite à créer des audiences pour vos campagnes.
Ce que l'IA générative change
Un LLM ne remplace pas un modèle prédictif entraîné sur vos données, mais il aide à s'en servir : écrire la requête qui extrait les données, expliquer un score, résumer les résultats pour une équipe. Branché par le MCP sur Google Analytics, un assistant lit vos chiffres sans export.
Limites
- Une prédiction ne vaut que ce que valent les données : historique trop court, événements mal suivis ou biais de collecte faussent tout.
- Le futur ne ressemble pas toujours au passé : une crise, un changement de prix ou de concurrence rend un modèle obsolète.
- Un score mal compris pousse à de mauvaises décisions : il donne une probabilité, pas une certitude sur une personne.
- Le RGPD encadre le profilage de clients : information des personnes, base légale, et précautions renforcées pour les décisions automatisées qui les affectent.
Démarrer en trois étapes
- Choisissez une seule question utile, comme « quels clients risquent de partir dans les prochains mois ? », et l'action qui suivra.
- Vérifiez que les données existent et sont fiables : événements suivis, historique suffisant, identifiants clients cohérents entre les outils.
- Testez le score sur un petit groupe : contactez la moitié des clients à risque, comparez avec l'autre moitié, et mesurez l'écart.
Le test de l'étape 3 évite le piège le plus courant : un score qui prédit bien, mais qui ne change rien aux résultats.
Questions fréquentes
Quelle différence entre analyse prédictive et prescriptive ?
La prédictive estime ce qui va se passer. La prescriptive recommande l'action à mener pour obtenir le meilleur résultat.
Faut-il un data scientist pour faire de l'analytics prédictif ?
Pas pour commencer : GA4, les CRM et les outils d'emailing proposent des scores prêts à l'emploi. Un modèle sur mesure demande en revanche des compétences en données.
Combien de données faut-il ?
Cela dépend du modèle. Selon Google, GA4 demande par exemple au moins 1 000 utilisateurs ayant déclenché l'événement et 1 000 ne l'ayant pas fait sur la période.
L'analytics prédictif est-il fiable ?
Il est fiable en moyenne, sur des groupes, si les données sont bonnes et le modèle suivi. Il se trompe sur des individus : utilisez-le pour prioriser, pas pour trancher seul.
Quels outils proposent de l'analytics prédictif ?
GA4, la plupart des CRM et des outils d'emailing proposent des scores prêts à l'emploi. Les plateformes de données et de machine learning des grands clouds servent aux modèles sur mesure.
Une erreur, un lien cassé, un souci de sécurité ? Dis-le-nous, on corrige.
Dernière mise à jour : 16 novembre 2026