TUTTI GLI ARTICOLI  >  Big Data Analytics

Predictive Analytics: cosa sono, esempi applicativi e importanza

03 aprile 2019 / Di Irene Di Deo / Nessun commento

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.

 

Analisi predittiva: dalle origini a oggi

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).

Scarica l'infografica

 

Analisi Predittiva: cosa cambia con i Big Data

La grande disponibilità di 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.

 

Predictive Analytics: dove si trovano le aziende

Nel 2018, l’adozione dei Predictive Analytics, almeno in alcuni processi aziendali, è 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 nel 2018 le next priority 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.

Esempi di Predictive Analytics in azienda

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.

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:

  • 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.
  • 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;
  • 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;
  • 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;
  • 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.

Vai al Webinar

Irene Di Deo

Irene Di Deo

Ricercatrice Osservatorio Big Data Analytics & Business Intelligence