Un modèle prédictif est le 'cerveau' de tout système d'analytique prédictive.

C'est un algorithme logiciel conçu pour identifier la probabilité de résultats futurs.

Contrairement à un simple système basé sur des règles, un modèle prédictif apprend des schémas complexes à partir des données.

Le processus de création comprend plusieurs étapes.

D'abord, un grand ensemble de données historiques est collecté (par exemple, des années de données télématiques, y compris les cas de pannes de composants).

Ces données sont nettoyées et préparées.

Ensuite, les data scientists sélectionnent une technique de machine learning appropriée (comme la régression logistique, les forêts aléatoires ou un réseau de neurones) et 'entraînent' le modèle sur ces données.

Pendant l'entraînement, le modèle ajuste ses paramètres internes pour apprendre les relations entre les entrées (lectures de capteurs) et les résultats (pannes).

Le modèle est ensuite validé sur un ensemble de données distinct pour garantir sa précision avant d'être déployé.

Dans le domaine du transport, ces modèles sont utilisés pour prévoir un large éventail de résultats : la probabilité de défaillance d'une pièce, l'heure d'arrivée estimée (ETA) la plus probable pour une livraison, la consommation de carburant prédite pour un itinéraire spécifique, ou le score de risque d'un conducteur en fonction de son comportement.

Ils sont le composant essentiel qui permet de passer de la résolution réactive des problèmes à une stratégie proactive et pilotée par les données.