Advanced Analytics: 5 consigli per sfruttare i Big Data in modo avanzato

14 maggio 2020 / Di Irene Di Deo / 0 Comments

Mentre il mercato Analytics in Italia cresce a tassi superiori al 20%, raggiungendo il valore di 1,7 miliardi di euro, le progettualità di analisi dei dati sviluppate dalle grandi aziende italiane evolvono, in termini di impatti e finalità. Dai dati 2019 dell’Osservatorio Big Data & Business Analytics, negli ultimi tre anni, il 46% delle grandi aziende ha portato avanti almeno una sperimentazione (un proof of concept) in ambito Advanced Analytics e circa tre aziende su quattro hanno valutato almeno un’idea progettuale.

Advanced Analytics: una definizione

Prima di tutto, cosa s’intende per Advanced Analytics? Con questo termine si fa riferimento a tutte le metodologie che ricadono in una delle seguenti categorie: Predictive Analytics, Prescriptive Analytics e Automated Analytics .

Queste metodologie, pur partendo dall’analisi esplorativa e dalla visualizzazione dei dati a disposizione – attività che rimangono fondamentali - si pongono finalità più complesse, di predizione e ottimizzazione di una o più variabili target. L’obiettivo ultimo è fornire un più ampio supporto decisionale ai decisori aziendali, in taluni casi andando ad automatizzare delle specifiche azioni.

Vuoi approfondire esempi e caratteristiche di un progetto di Advanced Analytics?

Scopri il Report

In questi anni di ricerca, l’Osservatorio Big Data ha approfondito molte progettualità di questo tipo, potendone apprezzare i benefici per le aziende protagoniste. Per citare solo un paio di esempi relativi al 2019, è il caso di Philips, che ha portato avanti un grande progetto di manutenzione predittiva, implementando più di 80 tra modelli statistici e algoritmi di Machine Learning per diminuire i fermi dei macchinari sanitari e offrire un servizio totalmente nuovo ai propri clienti (cliniche, ospedali). Ma è anche il caso di Prénatal Retail Group in cui, a partire dall’integrazione di diverse fonti dati, è in corso lo sviluppo di un modello di Machine Learning per ampliare la capacità dell’azienda di conoscere il cliente e anticipare i suoi bisogni.

Come implementare un progetto di Advanced Analytics?

Implementare un progetto di Advanced Analytics non è semplice, la complessità da gestire cresce esponenzialmente in termini di metodologie di analisi utilizzate, fonti e tipologie dei dati, tecnologie e competenze necessarie, interlocutori coinvolti e molto altro. Il tema più critico è passare dalla fase di sperimentazione alla fase implementativa su larga scala, estraendo valore grazie alla trasformazione data-driven di processi consolidati.

Come fare? L’Osservatorio, con il supporto dell’Advisory Board (17 manager in ambito Data Science & Analytics di grandi organizzazioni italiane), ha provato a identificare alcune buone pratiche.

5 consigli per portare a regime un progetto di Advanced Analytics

  1. Incorporare la multidisciplinarietà: matematica, statistica, informatica, conoscenza di dominio, i progetti di Advanced Analytics sono multidisciplinari per definizione e questo aspetto deve riflettersi costantemente nelle tecnologie e nel team.
  2. Il “cliente” è l’utente di business: proporreste mai al mercato un prodotto che già sapete essere di difficile utilizzo? È condizione necessaria disegnare l’output del progetto mettendosi nei panni dell’utente di business, coinvolgendolo fin dalle prime fasi e poi via via in maniera continuativa.
  3. La velocità non è sufficiente, ma è necessaria: secondo i dati dell’Osservatorio, le sperimentazioni in questo ambito durano meno di tre mesi e la loro durata media, dal 2017 al 2019, è diminuita per le grandi aziende italiane. Essere in grado di prototipare velocemente aiuta a dimostrare fin da subito i benefici del progetto, aumentando il commitment e facilitando la successiva implementazione.
  4. Il problema della qualità dei dati non è da sottovalutare: nella fase di proof of concept, le aziende sperimentano su set di dati limitati e, su questi, raggiungono buoni risultati. Tuttavia, la messa in produzione implica standard di qualità, integrità e completezza dei dati molto elevati su larga scala. I costi e le risorse necessarie a raggiungere tali standard devono essere stimati fin dall’idea progettuale.
  5. L’incertezza non può essere eliminata, va gestita: la capacità di accettare il fallimento è cruciale in progetti che hanno un risultato (connesso a modelli basati sulle probabilità) intrinsecamente incerto. Inoltre, in quest’ambito, anche una sperimentazione fallita può essere altamente informativa e indirizzare egualmente le scelte strategiche.

In ultimo, un consiglio più emozionale che professionale: essere pronti a stupirsi! I dati, se trattati con i giusti strumenti, dicono la verità e la verità non è quasi mai in linea con la nostra percezione.

Vuoi imparare a sfruttare le opportunità dei Big Data e degli Advanced Analytics per il tuo business?

Scopri il Programma

  • Autore

Ricercatrice Senior degli Osservatori Big Data & Business Analytics e Artificial Intelligence