Il mercato dei business analytics sta crescendo con grande rapidità, con stime miliardarie prospettate da tutti i principali analisti. Secondo Markets and Markets, il mercato dell’analisi predittiva potrebbe valere circa 28 miliardi di dollari entro il 2026. Si tratta di un trend decisamente in crescita in un momento storico dove, dopo il boom generato dalla pandemia Covid-19, molti settori del mercato IT stanno vivendo una fase di brusca contrazione.
La necessità di ottimizzare gli investimenti, riducendo i tempi e i costi delle operazioni, spinge infatti le aziende a fidarsi sempre di più delle applicazioni basate sull’intelligenza artificiale e della capacità dell’analisi predittiva di suggerire le decisioni più consapevoli in una grande varietà di ambiti di business.
In questo contesto, diventa pertanto essenziale chiedersi cosa sia l’analisi predittiva e perché le aziende impegnate nella trasformazione digitale dei loro processi difficilmente possono privarsene, se intendono mantenere la leadership o rilanciare la propria competitività in un mercato sempre più imprevedibile, in cui saper prevedere le esigenze e i desideri dei consumatori è ormai fondamentale per dare luogo a strategie di business di successo.
Cos’è l’analisi predittiva
Per quanto esistano varie definizioni in merito, possiamo limitarci a considerare l’analisi predittiva una disciplina che utilizza varie tecniche di modellazione per elaborare dati storici e correnti, ai fini di prevedere attività, comportamenti e tendenze legati ad un determinato scenario.
In altri termini, l’analisi predittiva vede l’applicazione di tecniche di analisi statistica e algoritmi di machine learning, che elaborano i data set per creare modelli (o pattern) predittivi, capaci di stimare la probabilità che si verifichi un determinato evento nel tempo.
L’analisi predittiva, spesso identificata nei business analytics, rappresenta una disciplina fondamentale nel più ampio novero dell’analisi dei dati, un termine ombrello che comprende l’utilizzo di vari metodi di elaborazione per ottenere informazioni dai dati, con l’obiettivo di supportare le decisioni in vari ambiti applicativi, che spaziano dai processi di business delle aziende produttive, alla ricerca scientifica, all’assistenza sanitaria, ai servizi finanziari e moltissimi altri.
I sistemi di business analytics hanno iniziato a diffondersi nei primi anni Novanta, ma soltanto negli anni 2000, grazie alla maturazione tecnologica delle tecnologie computazionali, si è assistito alla loro effettiva democratizzazione, spesso estendendo le applicazioni di business intelligence già implementate nei processi aziendali.
Le funzioni di analisi predittiva hanno infatti introdotto nuovi aspetti tecnologici, come il cloud computing, l’IoT e l’intelligenza artificiale, abilitando nuove potenzialità nell’ambito dell’analisi dei dati, capaci di andare ben oltre la portata della tradizionale analisi descrittiva.
In merito alle terminologie utilizzate nella data science, l’analisi predittiva viene spesso impiegata per descrivere le applicazioni del machine learning. Al di là delle finezze etimologiche, è opportuno rilevare come, indipendentemente dalla terminologia utilizzata, l’impiego delle tecniche di apprendimento automatico in ambito aziendale abbia quasi sempre l’obiettivo di generare analisi predittive, il cui risultato risiede in informazioni fruibili da grandi numeriche di dati per supportare i processi decisionali.
Perché è importante
Nell’era digitale, le imprese generano continuamente dati. Si tratta di risorse grezze, che vanno trattate e analizzate ai fini di estrarre valore informativo utile a rendere più efficienti i processi di business. È in questo contesto, spiccatamente data-driven, che una disciplina come l’analisi predittiva si dimostra capace di rispondere alle principali esigenze che le organizzazioni sviluppano nei confronti dei dati.
I dati costituiscono la linfa delle attività aziendali, nonché la principale risorsa di informazioni di cui le linee di business possono attualmente disporre. Se tempo addietro discipline come business intelligence e business analytics parevano un’esclusiva delle grandi realtà enterprise, oggi anche le PMI ricorrono sempre più spesso all’analisi dei dati acquisiti, ad esempio, dalle loro operazioni sul campo o dalle interazioni che i loro clienti instaurano con i canali di comunicazione aziendale, online e offline.
È proprio la capacità di tracciare continuamente il dato e saperlo analizzare nella maniera più opportuna a fare la differenza in un contesto davvero data-driven, dove le decisioni aziendali vengono supportate e rese maggiormente consapevoli dall’analisi predittiva.
Nel contesto di un’azienda di prodotto, ad esempio, i dati vengono raccolti in varie circostanze lungo l’intero customer journey, considerando vari fattori: quantità, qualità e modalità degli acquisti, tendendo inoltre conto di tutti gli aspetti non soddisfacenti rilevabili attraverso il comportamento del cliente.
Queste informazioni, se fini a loro stesse, direbbero ben poco. A fare la differenza è il modo con cui le organizzazioni comprendono i dati grazie all’analisi, in particolar modo per quanto concerne gli aspetti predittivi. L’analisi del comportamento di un cliente può prevedere le sue azioni future, consentendo di intraprendere strategie di marketing personalizzate.
In definitive l’analisi predittiva è importante per le aziende in quanto consente di:
- – Prendere decisioni maggiormente consapevoli
- – Monitorare gli andamenti e prevenire gli incidenti, come nel caso della manutenzione predittiva
- – Ottenere risposte in tempo reale ai problemi
- – Comprendere i problemi complessi grazie alla capacità dei modelli predittivi di elaborare grandi quantità di dati
Ottenere un vantaggio competitivo, in funzione dell’accuratezza previsionale.
Le diverse applicazioni
L’analisi predittiva, se implementa in maniera corretta ed efficiente, può generare un notevole valore aggiunto nei processi aziendali, in moltissimi settori applicativi. In maniera esemplificativa, citiamo alcuni tra i più diffusi.
Marketing e vendite
Gli addetti ai marketing e alle vendite possono trovare un enorme beneficio dalle applicazioni di analisi predittiva, sotto vari aspetti: la qualificazione dei lead, la gestione proattiva del churn rate e la previsione della domanda. L’analisi predittiva consente inoltre di valutare la modalità per interfacciarsi con i clienti, ai fini di migliorare le conversioni ed incrementare il loro livello di fidelizzazione.
Gestione della supply chain
La gestione della supply chain è uno dei fattori più rilevanti nella resilienza aziendale e richiede un notevole supporto da parte della business intelligence e della business analytics. Uno degli aspetti più critici riguarda la capacità di saper gestire una grande varietà di aspetti in tempo reale, soprattutto in quelle situazioni in cui i sistemi IoT sono correttamente implementati da specialisti in grado di comprendere in maniera puntuale le esigenze degli stakeholder e interfacciarli con i sistemi di gestione dei dati.
L’elevata visibilità su tutti gli aspetti della supply chain consente alle aziende di migliorare l’efficienza complessiva, con evidenti vantaggi in termini di risparmio di tempi e costi per tutte le attività previste.
Healthcare
Il settore sanitario impiega l’analisi predittiva in molte applicazioni, con previsioni di crescita in termini di mercato molto confortanti. In ambito diagnostico risulta determinante la capacità di prevedere le probabilità che i pazienti sviluppino determinate patologie, oltre a saper valutare con accuratezza le modalità di evoluzione di eventuali malattie una volta scoperte.
I sistemi di analisi predittiva sono ad esempio in grado di correlare una grande varietà di informazioni provenienti dalle cartelle cliniche di molti pazienti, dalle indagini strumentali e dai dati biometrici rilevati in tempo reale, in modo da facilitare la diagnosi e la definizione di una terapia personalizzata.
Altri ambiti di utilizzo dell’analisi predittiva in ambito sanitario prevedono il monitoraggio dei pazienti una volta dimessi dall’ospedale, l’ottimizzazione delle risorse nelle strutture ambulatoriali e ospedaliere, oltre alla gestione delle forniture farmacologiche.
Rilevamento delle frodi
L’analisi predittiva è uno strumento molto efficace per contrastare le frodi informatiche, grazie alla facilità con cui è in grado di rilevare eventuali anomalie nei pattern comportamentali.
Le frodi costano ogni anno alle aziende e agli istituti finanziari miliardi di dollari, che possono essere tutelati grazie a sistemi di rilevamento automatico, dove strumenti di analisi predittiva effettuano scansioni in tempo reale enormi numeriche di input, segnalando le possibili violazioni delle routine che potrebbero corrispondere a tentativi di frode.
I sistemi di rilevamento antifrode sono molto diffusi nei POS/Bancomat bancari e negli strumenti di pagamento in dotazione ai retailer.
Il processo di analisi predittiva: le diverse fasi
Nel corso degli anni sono stati definiti vari framework per supportare l’implementazione delle attività di analisi predittiva nei processi aziendali. Genericamente, si tratta di cicli composti da cinque o sei step. A titolo esemplificativo, faremo una sintesi di un processo basato su cinque differenti fasi: Define, Explore, Develop, Deploy e Validate. La scelta del framework viene in genere definita dagli specialisti sulla base dello specifico caso da implementare e dalla propria esperienza sul campo.
Step 1 – Define (definire i requisiti)
Identificare i problemi da risolvere è fondamentale per indirizzare la tipologia e le tecniche di analisi predittiva più funzionali al soddisfacimento delle esigenze di business. Ritrovarsi nell’ambito della diagnostica medica o del rilevamento di frodi bancarie comporta approcci al problema notevolmente differenti. La prima fase comporta l’ascolto degli stakeholder e la conseguente definizione dei requisiti da soddisfare.
Step 2 – Explore (esplorazione dei dati)
Si tratta di una fase piuttosto tecnica nella scienza dei dati, in cui gli specialisti si occupano di selezionare le fonti di dati più idonee per i processi analitici, oltre a prepararli in maniera adeguata. Professionisti nell’ambito della statistica e data analyst si occupano pertanto di definire con accuratezza la pulizia e la qualità dei dati da analizzare, dopo aver verificato la loro coerenza con il problema.
Step 3 – Develop (sviluppo del modello)
Dopo aver definito il problema da risolvere e i dati a cui far riferimento, arriva il momento di occuparsi del modello di analisi predittiva. Data la grande varietà che sussiste in questo ambito, i data scientist, partendo dalla loro esperienza pregressa, sperimentano varie soluzioni, considerando che gli algoritmi da loro strutturati devono necessariamente soddisfare vari requisiti di efficienza, come la performance e la precisione, senza trascurare la spiegabilità dei risultati conseguiti dal processo analitico. Quest’ultimo sta diventando un requisito sempre più fondamentale nel generare le necessarie condizioni di fiducia nei confronti dell’operato del machine learning.
Step 4 – Deploy (Distribuzione del modello)
Una volta definito e reso funzionale alle esigenze da soddisfare, il modello di analisi predittiva viene solitamente sottoposto all’attenzione dei data engineer, che hanno il compito di ottimizzarlo e renderlo operativo in produzione, distribuendolo su larga scala.
Un aspetto essenziale è inoltre rappresentato dall’integrazione del processo di analisi predittiva nel workflow consolidato delle linee di business coinvolte.
Step 5 – Validate (Validazione dei risultati)
La validazione dei risultati chiude il loop di un processo di analisi predittiva, occupandosi di tutti gli aspetti rilevanti ai fini di ottenere informazioni utili a supportare le decisioni necessarie. Gli specialisti agiscono soprattutto in fase correttiva, regolando le soglie e aggiornando i modelli per renderli sempre più efficienti nella loro azione di apprendimento automatico.
Una validazione efficace richiede pertanto la stretta collaborazione tra gli specialisti dei dati e gli stakeholder delle linee di business coinvolte, il cui feedback è assolutamente fondamentale nella direzione di fornire analisi pertinenti al problema da risolvere.
Buone prassi nell’analisi predittiva
A prescindere dal framework utilizzato, una consapevole implementazione dei processi di analisi predittiva dovrebbe sempre prevedere:
- Un processo di preparazione dei dati in grado di generare un effettivo valore aggiunto, evitando di fornire ai modelli analitici data set incompleti o inaccurati
- Scelta di modelli di analisi predittiva la cui efficienza può essere progressivamente migliorata nel tempo, integrandosi in via crescente nei workflow per cui sono destinati
- Specialisti dei dati di comprovata esperienza, in grado di gestire le anomalie e le imprecisioni che possono derivare dai modelli, oltre a gestire e preparare i data set ottimizzando le risorse a loro disposizione.
Un buon analista deve sempre considerare che i risultati delle previsioni devono costituire informazioni utili per il business. Il suo lavoro consiste spesso nel corretto bilanciamento di tutte le variabili in gioco, sia nel breve che nel medio e lungo termine, ai fini di ottenere insight sempre più accurati e funzionali al supporto decisionale.
I modelli per l’analisi predittiva
Nel contesto dell’analisi dei dati, esistono varie tecniche di modellazione. Nell’ambito dell’analisi predittiva, tra i modelli più diffusi ritroviamo: classificazione, clustering, forecast, outliers e time series
Classification model
Il modello di classificazione è probabilmente il più semplice tra i modelli di analisi predittiva più diffusi e si occupa semplicemente di categorizzare i dati storici mediante un processo di apprendimento automatico. Un classification model si rivela molto utile quando si tratta di rispondere a domande si/no, offrendo un’analisi dettagliata per supportare tale decisione.
Clustering model
I modelli di clustering ordinano i dati in gruppi separati, sulla base di attributi simili. Il loro impiego è diffuso ad esempio nell’ambito del marketing, quando si tratta di implementare una campagna efficace su profili di clienti profilati per gruppi omogenei. L’impiego di un modello di clustering consente di ottimizzare la comunicazione, evitando una personalizzazione troppo dettagliata ed onerosa da sostenere.
Forecast model
I modelli previsionali basano la loro analisi nella stima del valore numerico dei nuovi dati, sulla base di quanto appreso dai dati storici. I forecast model sono pertanto utili, ad esempio, in scenari che prevedono la previsione quantitativa della stima degli acquisti, delle domande di fornitura, delle richieste di assistenza e molto altro.
I modelli previsionali sono particolarmente utili quando si tratta di valutare molti parametri in grado di incidere sulle sorti dello stesso evento. Nella GDO, un forecast model può essere utile nella stima degli ordini di merce, considerando i dati storici del periodo e tutte le eccezioni: dalle festività, al meteo, alla presenza di particolari eventi che potrebbero condizionare, in positivo o in negativo, l’ordinario flusso delle vendite.
Outliers model
Particolarmente utilizzato nell’ambito del retail e del finance, il modello outliers si concentra soprattutto sui dati anomali presenti all’interno di un data set, effettuando tutte le correlazioni utili in sede di analisi predittiva. Per questa ragione, il loro utilizzo è frequente in attività come il rilevamento delle frodi, anche grazie alla capacità di dettagliare l’azione sospetta con ulteriori informazioni, indicando la posizione, l’orario e altri dettagli precedentemente strutturati nel data set.
Time series model
Si tratta di un modello di analisi predittiva che organizza la sequenza dei data point utilizzando il tempo come parametro di input. In altri termini, un time series model può sviluppare una metrica basata sull’ultimo anno di attività, per effettuare previsioni sul futuro prossimo, utilizzando come riferimento proprio tale metrica.
L’utilità dei time series model risiede in vari aspetti, che vanno dalla visibilità degli eventi nel tempo, come la valutazione degli andamenti stagionali, alla capacità di valutare preventivamente le eccezioni che potrebbero verificarsi, con un livello di accuratezza tanto più elevato in funzione della completezza del data set storico analizzato durante il processo di apprendimento automatico.
Categoria: ANALYTICS
Data lake vs data warehouse: le differenze e quale scegliere
Nell’era del digitale le organizzazioni collezionano dati provenienti da varie sorgenti, con una quantità ed una varietà che vanno ben… Leggi tutto
Data Lake: cos’è e quando utilizzarlo per l’archiviazione
La trasformazione digitale sta progressivamente aumentando il volume dei dati con cui le aziende si interfacciano ormai in tempo reale… Leggi tutto
Profilazione clienti: cos’è e come farla efficacemente
[et_pb_section][et_pb_row][et_pb_column type="4_4"][et_pb_text] Quando si chiede ad un imprenditore quali siano gli aspetti del business che vorrebbe migliorare, molto spesso si… Leggi tutto