Google Analytics, le dashboard dei social media, dei siti e degli e-commerce si basano sulla descriptive analytics: l’analisi dei dati che descrive “cosa sta succedendo” in relazione a dei parametri di riferimento, i KPI – Key Performance Indicator.
Un esempio di KPI è il tasso di conversione, che nel web marketing misura quando l’utente compie l’azione prevista: acquistare, visitare il sito, scaricare un documento, iscriversi alla newsletter. Il tasso di conversione è uno dei parametri utilizzati per valutare il successo di una campagna e monitorare le strategie intraprese.
Ma la descriptive analytics non si utilizza solo nel marketing: dalla comprensione del bilancio finanziario all’ottimizzazione dei processi produttivi, è alla base di qualsiasi strategia data-driven: non c’è reporting senza descriptive analytics. Vediamo perché.
Cos’è l’analisi descrittiva o descriptive analytics
La descriptive analytics analizza i dati per descrivere processi. Risponde alle domande: “Cosa è successo?” e “Cosa sta succedendo?” ed è considerata la forma di Business Intelligence più semplice, perché trova le correlazioni tra passato e presente senza spiegare le cause dei fenomeni.
La descriptive analytics usa varie forme di analisi statistica per identificare quanto alcuni parametri chiave (Key Performance Indicators-KPI) cambino nel tempo e quindi individuare le tendenze storiche e in atto.
L’analisi descrittiva è quella delle dashboard dei social media, degli accessi ai siti, nonché della profilazione degli utenti nel marketing. I dati grezzi vengono suddivisi in categorie ed elaborati per identificare un modello, le sue anomalie e migliorare la pianificazione delle azioni rispetto alla tendenza considerata nel tempo.
La visualizzazione avviene spesso sottoforma di grafici a barre, a torta o tabelle.
Quali sono le tecniche di descriptive analytics
Le tecniche di descriptive analytics comprendono: analisi statistiche classiche, text mining, apprendimento non supervisionato.
Analisi statistiche classiche
- Statistiche descrittive dei dati numerici o categorici
Descrivono le caratteristiche principali delle informazioni numeriche o categoriche con semplici riassunti: una singola misura numerica, tabelle riassuntive, una rappresentazione grafica.
- Assunzione di normalità
L’assunzione di normalità sostiene che la distribuzione di campionamento della media o delle medie tra i campioni sia normale: non la distribuzione dei valori, ma delle medie.
- Assunzione di omogeneità
L’assunzione di omogeneità significa che il livello di varianza per una variabile è costante per tutto il campione, quindi per ogni gruppo di dati
- Valutazione delle correlazioni
Un’analisi che misura quanto due variabili siano correlate
- Inferenza statistica univariata
L’inferenza è il procedimento logico “Se…allora”, che generalizza sulla base di premesse considerate vere. In statistica, è un procedimento di generalizzazione dei risultati di un campione all’intera popolazione. Univariata significa che viene analizzata una variabile per volta.
- Inferenza statistica multivariata
Procedimento inferenziale in cui sono valutate e confrontate più variabili per volta.
- Bootstrapping per le stime dei parametri
Il bootstrapping è un metodo di ricampionamento: estrae campioni indipendenti dal dataset per stimare l’incertezza della misura dei parametri considerati
Text mining
- Riordino del testo e frequenza delle parole
Il text mining si esegue su un testo ordinato: il riordino del testo e della sequenza delle parole comprende i procedimenti per renderlo tale.
- Sentiment analysis
La sentiment analysis comprende i procedimenti per capire l’opinione o l’emozione prevalente in un testo.
- Term vs Document Frequency
È una tecnica che combina le statistiche di frequenza dei termini e sequenza inversa dei documenti. In pratica, calcola la frequenza di un termine in un testo per quanto raramente è usato nel documento.
- Relazioni tra parole
Sono i procedimenti che misurano le sequenze di parole più comuni nel testo e la probabilità di successione di una parola.
- Conversione tra formati ordinati e non ordinati
Molti strumenti per l’elaborazione di linguaggio naturale non usano un formato di testo ordinato, necessario per il text mining: occorre quindi convertire un formato nell’altro.
Apprendimento non supervisionato
- Analisi dei componenti principali
L’analisi delle componenti principali individua le componenti principali di un testo e il loro ruolo nella comprensione dei dati, riducendo le variabili a disposizione.
- K-means Cluster analysis
Il clustering trova le proprietà comuni tra i dati e li aggrega in gruppi simili: il clustering K-means divide un set di dati in un insieme di k gruppi.
- Analisi gerarchica dei cluster
Il clustering gerarchico raggruppa senza specificare prima il numero di cluster da generare e usa rappresentazioni ad albero. Si divide in clustering agglomerativo e clustering divisivo.
Nel clustering agglomerativo o AGNES – Agglomerative Nesting, ogni oggetto è all’inizio un cluster a un elemento: a ogni passo dell’algoritmo, i due cluster più simili si uniscono in uno più grande e formano un nodo, fin quando si arriva a un unico grande cluster-radice che comprende tutti gli oggetti e si rappresenta come un diagramma ad albero o dendrogramma.
Il clustering divisivo o DIANA – Divise Analysis funziona al contrario dell’agglomerativo: si parte dalla radice e si divide fino ad arrivare ai cluster-oggetto singolo.
Le fasi della descriptive analytics
La descriptive analytics prevede cinque fasi:
1. Quantificare gli obiettivi e le metriche di business
La prima fase del processo prevede di tradurre gli obiettivi aziendali generali in risultati e metriche specifici e misurabili: la “crescita” diventa “aumento dei ricavi trimestrali”, la “migliore performance” può essere ricavata in relazione alle vendite per prodotto, al tasso di conversione online sulle visite al sito o all’e-commerce, alla diminuzione dei costi di fermo-macchine o dei tempi di produzione.
2. Identificare i dati rilevanti
Una volta stabilite le metriche, occorre trovare i dati adatti a generarle: dati che possono essere sparpagliati in più file e sistemi informatici oppure in database ordinati e già strutturati. Spesso, i dati che servono sono ricavati da fonti eterogenee e anche esterne all’azienda, come le piattaforme web o di social media.
3. Estrarre e organizzare i dati
Prima di essere analizzati, i dati devono essere controllati, puliti, convertiti nel formato più adatto: un processo tanto più dispendioso quanto più grande ed eterogenea è la mole a disposizione. Ma fondamentale per evitare incongruenze o errori.
4. Analizzare i dati
La fase di analisi vera e propria, attraverso procedimenti più o meno automatizzati che si servono di diverse tecniche di descriptive analysis. I dati vengono combinati, riassunti e confrontati per descrivere la metrica di riferimento.
5. Presentare i dati
La descrizione delle metriche viene presentata in un report, una dashboard o un’infografica, per essere compresa da tutti i decision maker.
Differenza tra descriptive analytics e analisi prescrittiva
Esistono importanti differenze tra l’analisi descrittiva e quella prescrittiva: la prima descrive, quindi dettaglia un fenomeno esistente o esistito; la seconda invece prescrive, quindi impone raccomandazioni in base a una previsione sul futuro.
L’analisi prescrittiva si basa sull’analisi descrittiva, ma anche sull’analisi diagnostica, che individua le cause delle tendenze, e su quella predittiva, che simula scenari futuri.
Dall’aggregato di “cosa sta succedendo”, “perché succede”, “cosa potrebbe succedere”, l’analisi prescrittiva deduce “cosa possiamo fare”.
Esempi di descriptive analytics
L’analitica descrittiva è comunemente usata per individuare le tendenze del business, misurare l’efficacia delle strategie intraprese o intraprenderne altre con i KPI, riconoscere un comportamento anomalo, interpretare sondaggi, redigere report.
Le tendenze nelle preferenze degli utenti possono essere individuate attraverso la loro profilazione, le tendenze dell’intero business attraverso il confronto dei dati in diversi intervalli temporali.
Allo stesso modo, le metriche possono includere vendite, costi, profitti, il tasso di conversione del sito web, il tempo di riparazione e manutenzione delle attrezzature: da confronto e valutazione dei KPI è possibile capire se la strategia attuata vada implementata o modificata.
Nelle ricerche di mercato, la descriptive analytics viene usata per ricavare insights da sondaggi e focus group, ovvero le correlazioni utili tra variabili e tendenze. Ad esempio, la correlazione luogo-acquisto. Se lo stesso sondaggio è stato ripetuto nel tempo, è possibile stabilire se le correlazioni trovate costituiscono un’anomalia o uno standard e indirizzare le decisioni.
La descriptive analytics è fondamentale per il reporting: analisi dei social media, analisi del traffico web, analisi del bilancio non possono farne a meno.
Vantaggi e svantaggi dell’analitica descrittiva
L’analitica descrittiva:
- È facile da eseguire, non richiede grandi competenze statistiche, è supportata da molti strumenti
- Migliora l’individuazione delle tendenze in corso nel business
- Permette il confronto tra linee di prodotto o periodi temporali
- Migliora la comprensione dei fenomeni aziendali
- Supporta le decisioni strategiche
- Rende più semplice e intuitiva la comunicazione dei dati
Tra gli svantaggi:
- Si limita all’analisi
- Descrive le tendenze ma non ne spiega le cause e le motivazioni
- Può indirizzare l’attenzione su metriche inutili
- Può amplificare pregiudizi già esistenti
