“Anticipare il futuro nel business è una cosa possibile, bisogna però saper prendere decisioni efficaci”. Lo afferma Fabio Faravelli, Executive Head of Unit Analytics & Data Platform di Qintesi, il quale precisa che “anticipare il futuro significa riuscire a introdurre un prodotto o un servizio in un mercato saturo o in un nuovo mercato grazie a campagne di marketing mirate, migliorando la valutazione e la gestione del rischio e riducendo i costi operativi”.
In questo, un supporto fondamentale può venire dalla Predictive Analytics, che può aiutare a generare previsioni con un significativo grado di precisione. Grazie, infatti, a sofisticati strumenti e modelli di analisi predittiva, qualsiasi organizzazione può utilizzare dati passati e attuali per “prevedere in millisecondi, e in modo totalmente affidabile, tendenze e comportamenti, per rendere le previsioni più accurate e affidabili”, sottolinea Faravelli.
Come funziona la Predictive Analytics
Alla base delle previsioni sui risultati futuri ottenute tramite la Predictive Analytics ci sono avanzate tecniche di analisi dei dati, come la modellazione statistica e l’apprendimento automatico.
Prendendo a prestito la descrizione di Gartner, la Predictive Analytics consente un approccio all’analisi dei dati secondo quattro caratteristiche essenziali:
- enfasi sulla previsione, sulla descrizione, sulla classificazione e sul clustering;
- enfasi sulla rilevanza dei risultati da un punto di vista del business;
- enfasi sulla facilità d’uso;
- rapidità di analisi (si parla di ore per operazioni che in passato richiedevano giorni).
Un elemento di distinzione rispetto alle analisi tradizionali è che la Predictive Analytics utilizza anche i dati nuovi assieme a quelli storici per prevedere attività, comportamenti e tendenze mediante l’applicazione di tecniche di analisi statistica. A queste associa algoritmi di apprendimento automatico (Machine Learning) per creare modelli predittivi che attribuiscono un punteggio alla probabilità che si verifichi un particolare evento.
Va da sé che l’analisi predittiva risulta essere tanto più efficace quanti più dati si possono elaborare. In questi ultimi anni, grazie anche alla sempre più estesa digitalizzazione e all’avvento dei big data, le aziende stanno immagazzinando ingenti quantità di dati, che permettono di ottenere modelli predittivi molto più efficaci. Inoltre, grazie al cloud, si hanno a disposizione una potenza di calcolo e una quantità di storage senza limiti. Questo consente di creare dei data lake che contengono dati eterogenei (testo, immagini, video e così via) organizzati tramite un data catalog e che potranno essere analizzati per avere utili indicazioni per le future decisioni. “La necessità di raccogliere in quantità informazioni disparate – sottolinea Faravelli – nasce dal fatto che a priori non si sa di quali dati si avrà bisogno e spesso, dopo una prima analisi, si scopre che quelli davvero utili sono diversi da quelli che si pensava servissero”.
Le organizzazioni utilizzano l’analisi predittiva per vagliare i dati attuali e storici in modo da rilevare tendenze e prevedere eventi e condizioni che dovrebbero verificarsi in un momento specifico, in base ai parametri forniti. “Con l’analisi predittiva – afferma Faravelli – le organizzazioni possono ottenere informazioni che permettono di costruire modelli utili a rilevare rischi e opportunità. Inoltre, la crescita dell’offerta di piattaforme dati in cloud e la conseguente varietà di servizi offerti dai principali cloud provider permettono a qualsiasi azienda di implementare modelli predittivi e/o di intelligenza artificiale”.
Processi decisionali in linea con il mercato
Ogni azienda ha le sue particolarità, come il livello di digitalizzazione e le caratteristiche del settore in cui opera. Ed è fondamentale tenerne conto nella definizione di una strategia di analisi dati. “Tuttavia – enfatizza Faravelli –, c’è un fattore che accomuna tutte le organizzazioni, indipendentemente da settore, dimensione o altri fattori: possono tutte trarre vantaggio dalle decisioni prese grazie ai risultati ottenuti con la Predictive Analytics”.
In questo senso, va sottolineato come la possibilità di effettuare analisi su dati recenti consenta di avere una previsione in linea con il reale andamento del mercato. Un esempio per tutti: la pandemia ha avuto un impatto drammatico sui trend economici, sull’andamento dei mercati e sulle abitudini di acquisto di tutti i consumatori. Se nella primavera 2020 si fossero effettuate analisi predittive dell’ambito commerciale usando dati vecchi si sarebbero ottenute indicazioni anacronistiche, al di fuori dalla realtà dei fatti e assolutamente deleterie per ogni decisione aziendale. È sicuramente un esempio estremo ma reale, che mostra il valore che può avere la Predictive Analytics a fronte di situazioni macroscopiche (come il Covid-19 o anche eventi atmosferici catastrofici). Ma anche, e forse soprattutto, a fronte di situazioni o trend “microscopici”, che sfuggono alla percezione umana ma che invece un’approfondita e minuziosa analisi dei dati può rivelare. E che quindi possono essere fronteggiati anticipando il futuro per essere sempre in linea con l’andamento del mercato.
Da reattivi a proattivi
L’output del modello predittivo viene condiviso con i manager, solitamente con l’ausilio di dashboard e visualizzazioni che presentano le informazioni ed evidenziano le opportunità di business. È quindi il management che decide come utilizzare le previsioni.
Sempre grazie alla potenza di calcolo oggi disponibile, anche questo passaggio può essere automatizzato attraverso l’utilizzo dell’analisi prescrittiva, che si avvale dei modelli predittivi per suggerire le misure da adottare al fine di ottenere risultati ottimali. “In altre parole – precisa Faravelli – l’analisi predittiva effettua una previsione di quello che succederà in futuro, mentre l’analisi prescrittiva suggerisce il modo migliore per utilizzare la previsione effettuata”.
Il passo in più: l’Augmented Analytics
L’Augmented Analytics rappresenta l’ultimo stadio del modello di maturità degli analytics e utilizza il Machine Learning e il Natural Language Processing per l’elaborazione, l’analisi, la generazione e la presentazione di insight. Più in dettaglio, il Machine Learning automatizza processi di analisi complessi, come la preparazione dei dati e la generazione di insight, mentre il Natural Language Processing consente a qualsiasi utente, anche a quelli più inesperti, di porre domande sui propri dati e ottenere risposte in modo semplice e colloquiale. “Applicando algoritmi complessi ai dati – spiega Faravelli – l’Augmented Analytics riesce a modellare il comportamento dei clienti, rilevare tendenze e anomalie e fare previsioni che consentano alle aziende di agire sulla base di decisioni circostanziate, non dell’istinto”.
La tecnologia “aumenta” così il modo in cui le aziende possono utilizzare i dati per ulteriori analisi. Nella sua panoramica delle tendenze in ambito data analytics, Gartner afferma: “L’analisi aumentata automatizza la ricerca e la visualizzazione delle informazioni o dei cambiamenti più importanti nel business, per ottimizzare il processo decisionale. Lo fa in una frazione del tempo rispetto agli approcci manuali”. Ed è esattamente questo livello di automazione e accelerazione dei processi che rappresenta uno dei vantaggi chiave dell’Augmented Analytics, così come di altre tecnologie basate sull’intelligenza artificiale, come del resto è la Predictive Analytics.
Un valido supporto per le aziende
Qintesi offre un supporto nell’adozione e nella delivery di modelli di machine learning e intelligenza artificiale, fornendo tutti i servizi necessari: dall’identificazione dei potenziali scenari di business alla scelta del modello predittivo e dello strumento più adeguato alla sua realizzazione, fino alla validazione finale del modello. Qintesi supporta quindi i clienti nel percorso verso la digitalizzazione e il cloud computing, affiancandoli nella scelta delle componenti tecnologiche più adatte alle loro esigenze e nella definizione dei casi d’uso più efficaci per una valutazione / test della tecnologia stessa.
Qintesi dispone inoltre di laboratori di ricerca e sviluppo in cui si progettano soluzioni innovative. Il lab dedicato agli Analytics è finalizzato a estendere le funzionalità delle soluzioni Qintesi attraverso lo studio di nuove componenti tecnologiche e la creazione e ottimizzazione di modelli di machine learning e intelligenza artificiale.
