Predictive Analytics: come "prevedere il futuro" grazie ai dati

I Predicitive Analytics sono strumenti avanzati che effettuano l’analisi dati per rispondere a domande relative a cosa potrebbe accadere nel futuro. Il loro utilizzo, va da sé, comporta un vantaggio competitivo enorme. D’altronde, conoscere già cosa ci riserverà il futuro è la vera chiave per migliorare le performance in azienda.

Sapere cosa sono i modelli predittivi per l’analisi dati, tuttavia, non basta. Tra il dire e il fare ci sono di mezzo competenze, tecnologie, investimenti e soprattutto una diversa cultura di approccio ai dati.

Dai modelli lineari ai modelli predittivi

Il nome di Carl Friedrich Gauss è ben noto a chiunque abbia seguito almeno un corso di statistica. È lui il più noto ideatore (anche se non l’unico) del modello di regressione lineare, ovvero quel metodo (dei minimi quadrati, per gli addetti ai lavori) grazie al quale è possibile stimare il valore di una variabile dipendente a partire da una serie di valori assunti dalla variabile indipendente.

La regressione lineare è la tecnica più semplice, anche se non sempre adeguata, per fare predizioni sul futuro a partire da una serie di dati storici. Da Gauss in poi, gli statistici hanno ideato una pluralità di tecniche (ad esempio regressione logistica, analisi delle serie storiche, classificazione ecc..) per assegnare, in maniera sempre più efficace, diverse probabilità ad eventi futuri.

Oggi gli strumenti e le tecniche sono numerosi e diventa fondamentale inserire in azienda risorse – i cosiddetti Data Scientist - preposte a sviluppare modelli e algoritmi predittivi, nella maggior parte dei casi grazie a tool e linguaggi completamente open source (in primis, Python o R).

Come fare Analisi predittiva... oggi

L'esplosione dei Big Data (grande disponibilità dei dati) che caratterizza il nostro tempo, oltre che l’incremento esponenziale della capacità di calcolo, hanno reso attuabili tecniche di apprendimento automatico - o, per dirla con una buzzword, di Machine Learning - solo teorizzate nei decenni precedenti. Si tratta di algoritmi che apprendono automaticamente, man mano che vengono aggiunti nuovi dati in pancia al sistema. Possono apprendere la relazione tra due variabili, ma possono anche imparare a riconoscere la differenza tra un cane e un gatto a partire da una serie di immagini!

Oggi è quindi possibile svolgere analisi predittive anche su dati destrutturati (testi, immagini, video, ecc…) e, grazie alle performance impressionanti della tecnologia a disposizione, è possibile avere dei risultati in tempo reale. Per utilizzare le tecniche di apprendimento automatico in modo efficace però, bisogna avere molti dati e essere in grado di integrare dati da fonti e con formati eterogenei.

Vuoi essere sempre aggiornato sui temi dell’Osservatorio Big Data & Business Analytics?

L’impatto dei Covid-19 sui Predictive Analytics

L’emergenza sanitaria ha avuto un rilevante impatto sulle attività di analisi predittiva in uso nelle organizzazioni pubbliche e private. Di fatto, da un giorno all’altro, modelli applicati a numerosi processi o settori si sono rivelati del tutto inefficaci.

L’Osservatorio Big Data & Business Analytics ha ragionato nel corso su questi temi, svolgendo anche un evento di discussione dedicato con il proprio Advisory Board. I Data Science Manager o più in generale i Data Scientist presenti nelle aziende, a livello internazionale, si sono trovati occupati ad evitare il cosiddetto “model drift”, ossia un’importante riduzione delle performance dei modelli predittivi in uso.

Un compito non facile! In alcuni contesti i dati, in poche ore, hanno subito un’importante riduzione. Si pensi alle analisi predittive sulla mobilità o sui comportamenti di acquisto offline dei consumatori. In altri casi, pur avendo a disposizione i dati necessari, la modellazione del fenomeno si è rivelata del tutto inadeguata.

Si pensi alla previsione degli scenari economici, purtroppo negli ultimi mesi molto più legata ai dati di contagio che al PIL. Come evitare il “model drift” in futuro? Purtroppo, non è sempre possibile costruire dei modelli robusti a tal punto da gestire questo tipo di situazioni “eccezionali”. Tuttavia, il tema della governance dei modelli analitici – dunque la capacità di monitorare costantemente le performance dei modelli in produzione – è sempre più centrale e dà alle aziende la possibilità di reagire immediatamente, riuscendo a sfruttare al meglio il potenziale dei Predictive Analytics.

Predictive Analytics: esempi e applicazioni

L’adozione dei Predictive Analytics, almeno in alcuni processi aziendali, è oggi ben consolidata nelle grandi aziende italiane (riguarda più di tre imprese su quattro). I progetti di Analytics intrapresi negli scorsi anni stanno vivendo una seconda ondata di adozione in ottica predittiva e, non a caso, progettualità di manutenzione predittiva e di previsione della domanda sono tra le priorità delle grandi aziende italiane.

Con gran distacco seguono le piccole e medie imprese, tra le quali non più di un terzo svolge analisi predittive, nella maggior parte dei casi molto semplici e i cui risultati faticano ad essere integrati nei processi decisionali.

Spesso le aziende faticano ad innovare attraverso i dati perché non riescono a delineare il giusto use case o trovano complesso definire ex-ante i benefici di un investimento tecnologico o di inserimento di nuove risorse. Cercando bene, in verità, le applicazioni di analisi predittive sono davvero numerose.

5 modi con cui "prevedere il futuro" grazie ai dati

Di seguito cinque esempi di possibili ambiti applicativi. Una lista di certo non esaustiva ma che riassume bene la trasversalità d’impatto di questo tipo di analisi:

1. Manutenzione predittiva: progetti che, a partire dall’analisi di una molteplicità di parametri, si pongono l’obiettivo di prevedere il tempo residuo di un macchinario o di un sistema prima di un guasto. È fondamentale, in questo caso, la capacità di reagire in maniera tempestiva, riducendo i fermi di produzione.
2. Churn Prediction: analisi dei dati demografico-comportamentali dei clienti per prevederne il rischio di abbandono con anticipo, in modo da poter compiere azioni mirate (ad esempio sconti o pubblicità ad hoc) ed evitare il churn;
3. Demand Planning: progettualità che implementano modelli di valutazione di quella che potrebbe essere la domanda di un particolare prodotto/servizio in un futuro più o meno prossimo, per poter definire in anticipo le azioni da intraprendere;
4. Identificazione frodi: progettualità che si pongono l’obiettivo di identificare le transazioni (o più in generale le frodi) potenzialmente fedifraghe, a partire da analisi di correlazione tra specifiche fonti dati o attraverso l’identificazione di anomalie. Oltre a vantaggi economici, saper riconoscere per tempo potenziali frodi può portare importanti vantaggi reputazionali all’azienda nel suo complesso;
5. Ottimizzazione percorsi: che si tratti di veicoli aziendali o di agenti di vendita, l’obiettivo di questo tipo di progetti è costruire sistemi in grado di fornire consigli, preferibilmente in tempo reale, sui percorsi più efficienti da compiere, a partire da una stima accurata del tempo di percorrenza.
   
   

Vuoi capire come "prevedere il futuro" grazie ai Big Data?