Big Data Analytics. Prendere decisioni oggettive, migliori e più efficaci rispetto al passato, basate su una corretta analisi dei dati è un’esigenza – ma potremmo ormai dire una priorità – per le aziende di qualsiasi dimensione e tipologia. Di fronte a scenari globali e mercati sempre più competitivi prendere le giuste decisioni è innegabilmente complesso; tuttavia, non è più efficace “navigare a vista” prendendo decisioni “di pancia” o basate semplicemente sull’esperienza. Servono competenze e tecnologie nell’ambito dell’analisi dei dati, ancor di più oggi che la battaglia della competitività si gioca, anche, attraverso i Big Data Analytics.

Se, come abbiamo avuto modo di approfondire nell’articolo dedicato all’evoluzione degli Advanced Analytics, Big Data Analytics è un termine usato per enfatizzare non tanto la diversità dei metodi di analisi dei dati quanto la “materia prima” (i Big Data), capire quali sono le tipologie di analisi che si possono compiere sui dati, con quali risultati, in quali contesti utilizzare i differenti metodi di analisi, è fondamentale per la loro efficacia in termini di risposta alle esigenze, alle aspettative ed alle priorità del business che dai dati deve ricavare (e sempre più esige) informazioni, conoscenza, valore.

 

Business Analytics: cosa si intende oggi per analisi di business

La Business Analytics può essere definita come l’insieme delle competenze, delle tecnologie, delle pratiche (tecniche e metodologiche) per l’indagine e la continua esplorazione iterativa delle prestazioni aziendali passate per ottenere informazioni dettagliate e utili a “guidare la pianificazione aziendale”, ossia a prendere decisioni.

La Business Analytics si concentra sullo sviluppo di nuove conoscenze e comprensione delle prestazioni aziendali basate su dati e metodi statistici ma, al contrario della business intelligence che si concentra tradizionalmente sull’uso di un insieme coerente di metriche per misurare le prestazioni passate, la Business Analytics fa ampio uso di modellazioni analitiche (in particolare predittiva e prescrittiva) per guidare il processo decisionale facendo previsioni ed ipotizzando scenari ed impatti.

In altre parole, la Business Analytics è un insieme di metodologie e tecniche analitiche che consentono alle aziende di estrarre valore dai dati a loro disposizione (non solo quelli interni ma anche provenienti da fonti esterne e in diversi formati), “tramutando” quei dati in informazioni preziose che rendono le decisioni più oggettive ed il processo decisionale più consapevole ed efficace.

L’analisi di business può essere eseguita attraverso differenti tipologie di analisi (o analytics), ciascuna delle quali può essere impiegata per esigenze e con obiettivi differenti. Vediamo quali sono e in che contesti vengono utilizzate.

 

Analisi descrittiva: rappresentare ciò che è successo

L’analisi descrittiva rappresenta il primo livello delle Business Analytics e consentono di rispondere a domande quali “cosa è successo?”, “quante volte?”, “cosa sta accadendo ora?”, “si è in linea con le performance stabilite?”…esattamente come suggerisce il nome, il loro compito è descrivere una situazione analizzando dati ed eventi passati o in corso fornendo ai decisori una base per comprendere l’andamento dell’azienda, di una divisione, di un prodotto o servizio.

 

Analisi predittiva, ipotesi e previsioni calcolando le probabilità

L’analisi predittiva utilizza, come accennato, modellazione predittiva con tecniche statistiche e di apprendimento automatico (oggi sempre più sofisticate grazie agli avanzamenti del Machine Learning e delle tecniche di Intelligenza Artificiale) per consentire alle aziende di rispondere a domande quali “cosa potrebbe accadere?”, “che probabilità ci sono che accada una cosa o un’altra?”…

La modellazione predittiva sfrutta le analisi statistiche per fare previsioni, ossia per simulare situazioni o scenari possibili che aiutino a prevedere i risultati di determinate scelte, azioni, decisioni se ed ove applicate.

In altre parole, questo tipo di analisi sfrutta le informazioni a disposizione (provenienti da analisi di dati passati, con modelli statistici) per estrarre ulteriori informazioni sotto forma di insight sul futuro (non sono sistemi in grado di prevedere esattamente cosa accadrà in futuro, sono tecniche di analisi che consentono di capire cosa potrebbe accadere – e con quali probabilità – a fronte del verificarsi di determinate situazioni o in seguito a determinate decisioni/azioni).

Alcuni esempi di analisi predittive sono le cosiddette Churn Analysis, oppure gli analytics per l’up selling o il cross selling. Nel primo caso l’analisi predittiva prende in esame la clientela e calcola quali sono le probabilità di perdere il cliente, consentendo così all’azienda di intervenire per tempo e fidelizzare gli utenti. Nel secondo caso, invece, le analisi predittive consentono di capire quali sono gli utenti più propensi a compiere altre azioni nei confronti del brand o dell’azienda con la quale ha già una relazione (per esempio facendo altri acquisti).

Tutte le soluzioni tradizionali di Business Intelligence rientrano nell’alveo delle analisi descrittive perché offrono report e alert attraverso i quali imprenditori, manager e decisori aziendali possono avere una rappresentazione dei fatti utile per comprendere eventi passati, la realtà o l’andamento delle prestazioni rispetto ad indicatori prestabiliti.

Le analisi descrittive sono utili nel processo decisionale perché aiutano gli utenti a comprendere cosa è successo e che impatti si sono verificati a seguito di eventi passati: questa “vista” diventa un patrimonio di conoscenza prezioso per le decisioni future.

Esempi di analisi descrittive sono i cruscotti di verifica dei KPI – Key Performance Indicator, tabelle e grafici per la rappresentazione di determinate situazioni, ecc.

 

Analisi prescrittiva, i consigli per far accadere le cose

Secondo la società americana di analisi e ricerche di mercato Forrester, l’analisi prescrittiva è una combinazione di analisi, matematica e statistica, esperimenti, ipotesi, modellazioni e simulazioni in grado di migliorare e guidare il processo decisionale e l’efficacia delle decisioni prese dagli esseri umani.

L’analitica prescrittiva, di fatto, si spinge ben oltre la previsione di eventuali scenari o risultati futuri (deducibili da un calcolo probabilistico), e fornisce ai decisori di business raccomandazioni – anche in modo automatizzato – utili sulle decisioni da prendere e le azioni da compiere per raggiungere determinati risultati.

L’analisi prescrittiva, infatti, aiuta a rispondere alla domanda cui tutti gli imprenditori, i manager, i decisori aziendali vorrebbero risposta: “cosa posso fare perché accada questo?”.

Per questo tipo di analisi, oggi, si fa sempre più uso di sistemi di Machine Learning e tecniche di Intelligenza Artificiale, come nel caso delle analisi predittive ma vengono addestrati ed utilizzati in modo differente. A differenza delle analisi predittive, nelle analisi prescrittive i sistemi sono in grado di spiegare il perché di determinati avvenimenti. Mentre nelle analisi prescrittive si deduce cosa è probabile che avvenga, nelle analisi predittive si capisce anche il perché da cui si deducano quindi le raccomandazioni utili ed i suggerimenti di azione affinché la decisione risulti efficace e produca i risultati previsti.

Nell’attuale scenario di evoluzione dei Business Analytics, sono le analisi predittive e quelle prescrittive ad avere in futuro più promettente, soprattutto nell’ambito dei cosiddetti Big Data Analytics.

Scarica l'infografica

Approfondimenti da BNext:

Niky Analytics, analisi avanzate dei dati per il Retail Marketing

Gli analytics nel retail: Niky Analytics per migliorare l’esperienza del cliente, aumentare le vendite e ottimizzare le operations

Dataiku: le novità della release 9

Dataiku, tante novità. Le energie si concentrano sul processo di trasformazione e analisi del dato e sulla collaborazione con altri tool, come Tableau

Predictive Analytics nel Retail marketing, i casi d’uso

Retail marketing, i casi d’uso delle predictive analytics. Alcuni esempi applicativi delle analisi predittive nell’ambito del Retail marketing

Retail Analytics, la Data Science applicata al settore del commercio

Cosa sono i Retail Analytics, a cosa servono e per chi sono utili. Scopri come sfruttare al meglio la Retail Data Analysis

Dataiku: Intelligenza Artificiale per le case farmaceutiche

Oltre il 60% delle aziende farmaceutiche sono state identificate come “principianti” quando si parla della loro maturità riguardo l’AI.

denodo: quando la Data Virtualization fa la differenza

La data virtualization è trasversale e può fare la differenza in quelle situazioni in cui i dati sono su diverse fonti da integrare

Le analisi di coorte integrate in Niky, la piattaforma di Customer Analytics di BNova

Nelle analisi di coorte integrate in Niky puoi osservare l’evoluzione nel tempo delle coorti acquisendo informazioni di valore per il business

Data Virtualization: a chi porta i maggiori benefici?

I vantaggi e benefici che la Data Virtualization porta in azienda riguardano tutti i data consumer, ciascuno in modo diverso. Vediamo per le diverse funzioni aziendali, quali sono i benefici più evidenti.

Analisi di coorte: esempi reali ed applicazioni

Tra gli esempi più significativi di applicazione delle analisi di coorte ci sono quelle specifiche relative ai clienti, prima fra tutte quella che consente di “mappare” il customer journey partendo dall’analisi dei comportamenti delle persone

Analisi di coorte: cos’è e perché è importante per capire il comportamento degli utenti

L’analisi di coorte è una tipologia di analisi dei dati che si concentra sulle attività ed il comportamento di una specifica coorte, ossia un gruppo di persone che condividono una o più caratteristiche comuni in un dato periodo di tempo.