L’analisi dei dati è in generale una materia molto ampia e con una storia che rimanda indietro di diversi anni da oggi. Si inizia a parlare di analisi dati già alla fine del 1700 con le prime visualizzazioni grafiche e l’evoluzione di questa materia non solo negli anni non ha subito battute d’arresto, ma anzi negli ultimi decenni ha avuto un’impennata mai vista prima: si passa attraverso la Business Intelligence fino alle Advanced Analytics e alla gestione dei Big Data, fino ad arrivare a parlare di Machine Learning e di Intelligenza Artificiale. La Data Science in questo ampio panorama ha un ruolo molto importante e trasversale a tutti questi concetti.
La definizione di Data Science, infatti, copre molte delle suddette materie: la Data Science si basa su tecniche multidisciplinari che spaziano dalla matematica, all’economia, alla statistica, fino a materie più tecniche che si avvicinano all’algoritmica, alla programmazione, alla gestione architetturale delle infrastrutture, ed a seconda degli ambiti applicativi si occupa di logistica, di tecniche legate al retail, alla manutenzione industriale, alle strategie di marketing, etc..
Questa varietà applicativa porta spesso a porsi una domanda fondamentale: a cosa serve la Data Science? Quali vantaggi ed obiettivi nella realtà delle aziende si possono raggiungere grazie a tecniche di Data Science?
Rispondere a questa domanda è fondamentalmente semplice; già leggendo in modo approfondito la definizione di “Data Science” per esteso si riesce a comprendere lo scopo ultimo di questa disciplina:
La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili […]. Vista dalla prospettiva di business, la scienza dei dati consente di tradurre un problema aziendale in un progetto di ricerca e analisi e trasformarlo poi, sempre con l’aiuto dei dati, in una soluzione pratica.
Nella pratica delle diverse realtà aziendali non è in ogni caso semplice comprenderne a pieno le potenzialità, per cui questa domanda in realtà è più che lecita. A questo punto proviamo a rispondere.
A cosa serve fare Data Science in azienda?
Per rispondere alla domanda e comprendere meglio le potenzialità di questa disciplina proponiamo alcuni ambiti applicativi. Di certo qualche esempio reale sarà utile.
Riportiamo un primo esempio in ambito logistico e trasporti. La Data Science può dare un ottimo aiuto per quanto riguarda l’ottimizzazione dei percorsi da molteplici punti di vista: non solo una questione di ottimizzazione chilometrica, di consumi o di tempi, ma anche osservando il problema in ottica green attraverso l’analisi delle condizioni ambientali, ad esempio nel tentativo di migliorare le condizioni di lavoro degli autisti minimizzando l’esposizione ai vari agenti inquinanti, oppure migliorare servizi di consegna potendo prevedere con più precisione gli orari.
Un ambito di applicazione sempre più diffuso è quello di individuazione delle fake news. Questa attività è utile in tanti ambiti. In quei contesti in cui la comunicazione ricopre un ruolo cruciale – pensiamo ad esempio all’ambito dell’alta finanza in cui alcuni rumors possono spostare investimenti – è fondamentale verificare l’autenticità delle informazioni per frenare la diffusione di notizie false.
La Fraud detection è un altro ambito in cui la Data Science si sta diffondendo molto: identificare tra tutte le transazioni quelle a rischio di essere fraudolente è un aiuto molto importante per gli istituti di credito e le banche. Aiuta ad individuare anche i profili di rischio a seconda delle caratteristiche del cliente, altro aspetto che gli istituti devono valutare per gestire al meglio i propri clienti e nell’erogazione di prestiti e mutui.
In ambito marketing poi le applicazioni possono essere molteplici: parliamo ad esempio di Sentiment Analysis, ovvero dell’analisi del sentimento provato dall’utente, espressione della sua esperienza di acquisto. La Sentiment Analysis è strettamente alle analisi in ambito retail proprio perché avere un feedback dal cliente durante e alla fine della sua esperienza di acquisto è un ottimo punto di partenza per cercare di migliorare i propri servizi. Altro aspetto legato al marketing ma anche al retail sono i Sistemi di raccomandazione, suggerimenti ed aiuti che vengono proposti al cliente su prodotti, servizi da acquistare o contenuti da interrogare per migliorare l’esperienza di acquisto e promuovere la propria offerta in modo migliore rispetto al pubblico. Utile a questo scopo sono anche le analisi di Coorte, o le analisi degli abbandoni che possono far emergere aspetti non banali riguardo il comportamento di acquisto dei clienti potendo anche intervenire in anticipo là dove c’è bisogno di azioni mirate o personalizzate.
Grandi vantaggi si possono ottenere in tutti i settori aziendali anche applicando la Data Science al servizio clienti pre e post vendita, ad esempio grazie all’uso di Chatbot, sistemi in grado di dialogare con i clienti e di fornire loro supporto per le attività e richieste di routine, scaricando così gli operatori dalle attività più semplici e permettendolo loro di dedicare più attenzione alle richieste complesse per fornire una migliore assistenza anche in questi casi.
In ambito medico poi sono molte le applicazioni, ad esempio per l’analisi di diversi fattori di rischio per la prevenzione di malattie, come sindrome di Parkinson, cancro al seno e molte altre. Oppure strumenti per il controllo della spesa farmaceutica e per il controllo delle ricette emesse dai medici, alla ricerca di comportamenti fraudolenti o anche per poter pianificare meglio la distribuzione dei medicinali sul territorio.
Sempre più poi si stanno diffondendo analisi ambientali, quindi la Data Science in ottica green per minimizzare lo spreco di risorse energetiche, ottimizzarne la distribuzione, massimizzare lo sfruttamento di quelle che vengono erogate andando a migliorare i servizi a contorno, ad esempio in materia di smart city e di tutti i servizi necessari per garantire ai cittadini servizi di qualità.
Questi sono solo alcuni dei possibili ambiti di applicazione della Data Science, a partire da situazioni più semplici da analizzare fino a casi più complessi in cui si inizia a parlare di Machine Learning, Intelligenza Artificiale. Di certo capire bene il contesto applicativo ed individuare il progetto da cui iniziare per portare l’analisi dati in azienda è un processo non banale e richiede un supporto appropriato, per questo proponiamo una metodologia che BNova ha negli anni sviluppato proprio per aiutare le aziende a sfruttare al meglio le proprie risorse investendo su progetti con un ritorno garantito.
Categoria: DATA SCIENCE
Dataiku: cosa c’è da sapere sulla nuova release
Le novità più importanti della release 11.0 e 11.1.0 spiegate dal nostro data scientist Emiliano Fuccio Leggi tutto
Data Science Lifecycle, le 6 (+1) fasi del processo
La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da… Leggi tutto
Churn Strategy: gli step per impostarla al meglio minimizzando il Churn Rate
Churn analysis e churn rate sono due concetti strettamente connessi: l’analisi degli abbandoni (churn analysis) è quella branca della Data… Leggi tutto