Advanced Analytics, 5 consigli per sfruttare i Big Data

Mentre il mercato Data Management & Analytics in Italia cresce a un tasso del 18%, raggiungendo il valore di 2,8 miliardi di euro, le progettualità di analisi dei dati sviluppate dalle grandi aziende italiane evolvono, in termini di impatti e finalità. Dalla Ricerca 2023 dell’Osservatorio Big Data & Business Analytics del Politecnico di Milano emerge che negli ultimi tre anni il 73% 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.

Vediamo più nel dettaglio cosa sono gli Advanced Analytics e in che modo implementare progetti in azienda.

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.

In questi anni di ricerca, l’Osservatorio Big Data & Business Analytics 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). 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 (composto da 22 manager in ambito Data Management & Analytics di grandi organizzazioni italiane), ha provato a identificare alcune buone pratiche per portare a regime un progetto di Advanced Analytics

5 consigli per gestire progetti di Advanced Analytics

Ecco, dunque, di seguito le 5 best practice elaborate nell’ambito della Ricerca dell’Osservatorio Big Data & Business Analytics:

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.

Il “cliente” è l’utente di business

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, al fine di facilitarne l’utilizzo.

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.

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.

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 conoscere e sfruttare i Big Data nella tua azienda?