Gli Analytics sono una parte importante della gestione di un’azienda al giorno d’oggi.
Esistono varie tecniche legate agli Analytics e le due fondamentali sono le Predictive Analytics – tradotte come Analisi Predittiva – e le Prescriptive Analytics – tradotte come Analisi Prescrittiva.
Ma cos’è l’Analisi Predittiva e a cosa serve?
Solitamente le Predictive Analytics vengono definite come:
“Il ramo delle Advanced Analytics che viene utilizzato per fare previsioni su eventi futuri sconosciuti”
Utilizza molte tecniche di data mining, statistica, modellazione, Machine Learning ed Intelligenza Artificiale per analizzare i dati correnti e fare previsioni sul futuro.
Utilizzando i pattern trovati nei dati storici, è possibile identificare rischi e opportunità per il futuro.
Le aziende che utilizzano questa forma di analisi dei dati possono anticipare i risultati futuri, identificare i rischi e sono in una posizione migliore per prendere decisioni.
Analizzare dati strutturati e non strutturati
Questo tipo di analisi può essere eseguito sia su dati strutturati che su dati non strutturati.
I dati strutturati – come età, sesso e dati sulle vendite – possono essere utilizzati per monitorare le tendenze dei clienti.
I dati non strutturati – come le note degli agenti del call center o il feedback dei clienti – possono essere utilizzati per identificare le opinioni dei clienti e creare modelli predittivi.
Analisi Predittiva vs. Analisi Prescrittiva
Le Predictive Analytics non devono essere confuse con le Presciptive Analytics.
L’Analisi Prescrittiva può essere vista come l’adozione di un approccio più tecnologico e l’offerta di uno sguardo più approfondito sul “cosa” e sul “perché” di un potenziale risultato futuro.
L’Analisi Prescrittiva prende i dati passati e li usa per le proiezioni, ma consente ai Data Analysts di modificare le variabili per determinare quali modifiche andrebbero apportare per ottenere un risultato specifico.
Le Analisi Predittive e Prescrittive sono spesso utilizzate in tandem.
Le prime aiutano a trovare potenziali risultati, mentre le seconde esaminano quei risultati e trovano ancora più percorsi di opzioni da considerare.
A cosa servono le Predictive Analytics?
L’Analisi Predittiva può essere utilizzata per modificare e testare i processi in una varietà di settori.
Molti settori utilizzano l’Analisi Predittiva come parte fondamentale della loro strategia.
Alcuni casi d’uso comuni includono:
- Fundraising
- Assistenza sanitaria
- Marketing
- Assicurazioni
- Gestione della Supply Chain
- Risk Management
Il Fundraising richiede la costruzione di connessioni e relazioni con potenziali donatori.
Attraverso la Modellazione Predittiva saremo ad esempio in grado di pianificare strategicamente il nostro calendario di raccolta fondi.
Ciò significa che gli organizzatori possono trasmettere le giuste comunicazioni ai potenziali donatori in quei momenti nei quali è più probabile che rispondano positivamente.
Analisi Predittiva nella Sanità
Gli operatori sanitari possono utilizzare i dati in vari modi per migliorare l’efficienza del servizio che forniscono.
Un’uso efficace dei dati dei pazienti può ad esempio aiutarli ad ottenere dei miglioramenti di salute più in fretta.
I fattori esterni – noti come “Determinanti Sociali” – possono svolgere un ruolo maggiore nella salute del paziente rispetto a qualsiasi cosa avvenga all’interno delle porte dell’ospedale.
Analisi Predittiva nel Marketing
Il marketing è un settore che fa molto affidamento sulle metriche.
Gli esperti di marketing tengono traccia di clic, coinvolgimento, visualizzazioni ed altri comportamenti dei propri utenti.
L’Analisi Predittiva può prendere quell’enorme database di informazioni e valutare i potenziali clienti in base alla probabilità che acquistino un prodotto.
Ciò da ai brand un’idea su dove dovrebbero dare priorità alla propria diffusione per ottenere il massimo ritorno sull’investimento.
Analisi Predittiva nelle Assicurazioni
Il settore assicurativo, come quello del marketing, è guidato dalle statistiche.
I rapporti sugli incidenti e lo storico dei dati vengono utilizzati per valutare i fattori di rischio per i singoli clienti.
L’Analisi Predittiva può aiutare a elaborare i reclami e anche a prevenire le frodi.
Potrebbe anche ridurre la necessità di una supervisione professionale in aree come la gestione delle perdite e il triage iniziale.
La frode è un grosso problema per le compagnie assicurative e i modelli che mettono in evidenza le sospette frodi potrebbero far risparmiare tempo e denaro ai sottoscrittori.
Analisi Predittiva nella Gestione della Supply Chain
La tematica della gestione della Supply Chain è diventata sempre più importante dall’inizio della pandemia.
L’Analisi Predittiva può essere utilizzata per modellare diversi fattori di rischio e vedere in che modo influiscono sulla Supply Chain.
Può inoltre incorporare informazioni da siti o fonti disparate in un unico modello per ottenere il quadro più accurato e pertinente delle proprie attività.
Le informazioni di un modello predittivo possono quindi essere utilizzate per stabilire la priorità delle spedizioni o guidare la creazione di modelli prescrittivi.
Le catene di approvvigionamento possono essere complesse e presentare molti punti di rottura.
Esaminando ciascuno di questi punti a turno, le aziende possono rendere la propria Supply Chain più solida ed essere in una posizione migliore per resistere ad eventuali interruzioni che si possono verificare al suo interno.
Analisi Predittiva nel Fund Management
Deloitte ci fornisce il caso studio di un’importante organizzazione finanziaria che si è trasformata da fondo pensione avverso al rischio in un’organizzazione di gestione del rischio.
I vecchi sistemi dell’azienda non erano all’altezza dei nuovi e più complessi modelli richiesti per i nuovi investimenti.
La sostituzione dei sistemi informatici di un’intera azienda è stata una grande impresa.
I sistemi erano in uso da 18 anni e l’intera operazione dipendeva da loro.
Utilizzando le cosiddette Predictive Project Analytics (PPA), Deloitte è stata in grado di eseguire modelli per determinare se la linea d’azione più sicura fosse aggiornare i sistemi tutto in una volta o passo dopo passo.
Seguendo i suggerimenti forniti dal modello PPA, l’azienda ha potuto completare il proprio progetto di aggiornamento in anticipo rispetto ai tempi previsti e sotto budget.
Il passaggio a nuovi sistemi è stato un successo.
Per quali tipi di problemi sono più adatte le Predictive Analytics?
Le analisi predittive e prescrittive funzionano meglio se utilizzate insieme.
È importante utilizzare lo strumento giusto per ogni problema.
L’Analisi Predittiva viene generalmente utilizzata per identificare le tendenze a breve o medio termine.
Alcuni esempi di quando applicare l’Analisi Predittiva includono:
- Andamento delle vendite
- Analisi del rischio a breve termine
- Controllo dell’inventario
- Cash Flow
- Requisiti di manutenzione
- Fidelizzazione dei clienti
I modelli di Analisi Prescrittiva sono più complessi da costruire, ma consentono ad un’organizzazione di esplorare più scenari ipotetici.
D’altra parte, i modelli di Analisi Predittiva si concentrano su un insieme più ristretto di parametri.
Ciò significa che questi modelli sono più facili da costruire e possono fornire una rapida panoramica di una situazione.
L’Analisi Predittiva aiuta a portare chiarezza e obiettività nel processo decisionale.
Può ad esempio informare su spese importanti o decisioni sulla linea di condotta da adottare in situazioni nelle quali i manager siano più inclini a seguire i propri istinti o desideri.
I modelli non possono prevedere il futuro con una precisione del 100%, ma possono aiutare a fare ipotesi plausibili.
Intelligenza Artificiale e Predictive Analytics
L’AI al giorno d’oggi è un elemento fondamentale per poter permettere alle aziende di prendere decisioni di Business.
Gli ambiti nei quali opera l’Analisi Predittiva sono aumentati.
Le innovazioni nel Machine Learning e nel Deep Learning hanno aperto opportunità per l’utilizzo di modelli predittivi in aree che si erano rivelate impraticabili per la maggior parte degli investimenti aziendali.
Oggi la tecnologia non è più un ostacolo all’adozione dell’IA per le tecniche di analisi dati.
La disponibilità di tools migliori significa che l’entry level è molto più basso rispetto a qualche anno fa.
I Data Scientists sono coloro che devono definire i casi d’uso nei quali l’Analisi Predittiva moderna porterà il miglior valore all’azienda.
Alcuni esempi di AI e Predictive Analytics utilizzate assieme possono essere la creazione di modelli predittivi per consigli sui prodotti e modelli “prossima azione migliore” per i team di vendita e marketing, oppure l’uso della tecnologia predittiva per l’automazione dei contact center.
Usare l’Intelligenza Artificiale per migliorare questi modelli significa che possono essere implementati in modo rapido ed efficace ed inseriti nelle operazioni quotidiane di un’organizzazione.
Come funzionano le Predictive Analytics?
I modelli predittivi possono avere vari gradi di complessità, ma il principio rimane lo stesso.
Usano risultati noti per sviluppare modelli (o addestrare l’IA) per prevedere i valori futuri.
Il modello fornisce previsioni che rappresentano la probabilità di una variabile target, sulla base della significatività stimata da un insieme di variabili di input.
Esistono molte tecniche di modellazione, ma tre delle più comuni sono alberi decisionali, regressione e reti neurali.
Alberi Decisionali
Gli alberi decisionali suddividono i dati in sottoinsiemi.
Ciascun sottoinsieme si basa su categorie di variabili di input.
Un albero decisionale ha “rami” che rappresentano scelte diverse e “foglie” che rappresentano classificazioni o decisioni.
Gli alberi decisionali sono una scelta popolare per la modellazione perché sono facili da capire e forniscono una rappresentazione visiva delle informazioni.
Inoltre, gestiscono abbastanza bene i valori mancanti, quindi possono essere utili per creare modelli semplici e veloci quando non si dispone di tutte le informazioni necessarie per un modello più complesso.
Regressione
I due tipi di modelli di regressione utilizzati nell’Analisi Predittiva sono la regressione lineare e la regressione logistica.
Questi tipi di analisi sono utili per stimare le relazioni tra variabili.
I modelli di regressione sono destinati all’uso su dati continui, soprattutto se è possibile stimare che tali dati seguano una distribuzione normale.
Un’applicazione comune dei modelli di regressione è prevedere come il prezzo di un prodotto potrebbe influenzare le vendite.
Modelli più sofisticati, come la regressione multipla, possono modellare il risultato di situazioni che hanno più variabili.
Reti Neurali
Modelli incredibilmente complessi e con più variabili si prestano all’applicazione delle reti neurali.
Questi modelli possono gestire relazioni non lineari nei dati.
Le reti neurali utilizzano il riconoscimento di schemi e possono anche applicare alcune AI per modellare i parametri.
Affinché una rete neurale sia efficace, molto probabilmente richiederà una quantità significativa di dati di addestramento.
I Pro e i Contro delle Predictive Analytics
L’Analisi Predittiva è utile per quegli scenari nei quali un’azienda ha bisogno di fare previsioni sui risultati ma non ha molte informazioni disponibili.
La riduzione dei costi è uno dei principali benefici dell’utilizzo delle Predictive Analytics.
C’è un impatto significativo sulla riduzione dei costi quando vengono utilizzati i modelli predittivi.
Applicando tecniche di analisi, le aziende possono ad esempio determinare la probabilità di successo o di fallimento di un prodotto prima del suo lancio.
L’Analisi Predittiva può essere utilizzata anche per il budgeting aziendale.
Ad esempio, un’azienda può mettere da parte capitale per il miglioramento della produzione prima dell’inizio del processo vero e proprio.
Ci sono invece alcuni scenari in cui l’uso dell’analisi predittiva è scoraggiato o addirittura limitato per legge.
Ciò vale soprattutto nel mondo della finanza e delle assicurazioni.
In alcuni casi, i modelli predittivi determinano una discriminazione statistica nei confronti dei gruppi protetti.
Ad esempio, un modello può comportare che un genere paghi di più per l’assicurazione auto rispetto ad un altro o neghi un prestito ad una persona solo in base alla sua etnia.
Questi problemi non sono nuovi.
Alcune figure politiche hanno ad esempio tentato di far ricadere in parte la colpa del crollo immobiliare del 2008 sulla pratica di limitare i prestiti alle persone (spesso persone di colore) in base alle aree in cui vivevano.
La pratica è in corso dagli anni ’30 e, sebbene la discriminazione sul prestito domestico sia ora illegale, applicazioni simili di modelli statistici sono persistite per molto tempo in altri settori, come quello assicurativo.
Uso etico dei dati nella Modellazione Predittiva
Una sfida che i Data Analysts devono affrontare è la creazione di modelli accurati senza l’utilizzo di pratiche discriminatorie.
In molte parti del mondo, la legge ora vieta alle aziende di discriminare i clienti sulla base di caratteristiche protette.
Molti Data Analysts rimuovono semplicemente informazioni – come sesso e razza – dai loro dati.
Può essere più impegnativo del previsto creare modelli accurati e privi di discriminazioni.
Questo approccio semplicistico si rivela anche il peggiore nell’affrontare effettivamente il bias.
L’informazione su qualsiasi caratteristica di un individuo è in una certa misura contenuta in altre caratteristiche dell’individuo stesso.
Prendiamo l’esempio di un modello che tenta di prevedere l’assenteismo in base all’età di un dipendente.
Discriminare in base all’età sarebbe illegale.
Tuttavia , dato un set di dati sufficientemente ampio, un modello di Intelligenza Artificiale potrebbe prevedere la fascia di età di un dipendente in base al nome, alle abitudini di vita, all’IMC e persino all’altezza.
Queste variabili sono note come variabili proxy perché da esse è possibile dedurne altre caratteristiche.
Alcuni analisti tentano di cercare segni di discriminazione nei loro modelli e di correggerli una volta che il modello è stato eseguito.
Un’altra opzione è identificare e modificare le variabili proxy per rendere meno probabile la discriminazione.
L’uso delle Predictive Analytics è destinato a crescere
Nonostante le sfide etiche associate al mettere il processo decisionale e le previsioni nelle mani dei modelli informatici, è probabile che questa pratica continui.
Un report stilato da IBM sottolinea il valore dell’analisi predittiva per aiutare le organizzazioni a scalare, crescere e prendere decisioni accurate.
Le aziende che coglieranno le opportunità offerte dall’analisi predittiva saranno nella posizione migliore per ottenere un vantaggio competitivo nei prossimi anni.
I lavori relativi all’Analisi Predittiva stanno crescendo rapidamente.
La domanda dei cosiddetti Operations Research Analysts aumenterà del 25% tra il 2020 e il 2030.
Anche le professioni collegate alla Data Science nel suo insieme sono destinate a crescere sia in termini di domanda che di salari.
Questo campo non è più riservato infatti alla sola scienza pura o ai matematici, ma ha un’applicabilità in quasi ogni area di business.
Coloro che desiderano entrare nel campo oggi hanno la possibilità di esplorare nuove aree di Machine Learning, Big Data e Intelligenza Artificiale.
Quello della Data Analysis è un campo che offre opportunità di apprendimento permanente e nuove sfide.
Tendenze future della Data Analysis
La crescente disponibilità di toolkit potenti e flessibili per l’Analisi Predittiva significa che anche coloro che non sono statistici altamente qualificati possono trarre vantaggio dai modelli predittivi.
I dati sono anche diventati disponibili in tempo reale.
Le aziende non devono limitarsi ai dati che raccolgono da sole, ma possono anche approfittare dell’ascesa del cosiddetto “mercato dei dati” o Data Mart.
Queste “piattaforme di vendita” in genere si concentrano sull’aspetto transazionale dell’acquisto e della vendita di dati.
In questo modo, le organizzazioni possono collaborare con i mercati dei dati per uno scambio di dati unidirezionale o per proposte di valore congiunte.
Le aziende con accesso a dati significativi sui consumatori si trovano ora di fronte a una domanda interessante: “Potremmo scambiare quei dati con un’altra società che non è un nostro concorrente in modo che entrambi possiamo trarne vantaggio?”
Grazie al potere dell’Analisi Predittiva e Prescrittiva, tale condivisione dei dati è ora un’opzione interessante.
Siamo in un’era da selvaggio West quando si tratta di elaborazione dei dati.
Ci sono molte domande da considerare sull’etica, la privacy e la responsabilità dei Data Scientist e delle organizzazioni.
È chiaro, tuttavia, che i potenziali vantaggi dell’Analisi Predittiva non devono essere ignorati.
