L’analisi predittiva o Predictive Analytics, precedentemente conosciuta come Data Mining, è un set di tecniche statistiche dell’apprendimento automatico, della modellazione predittiva, e del data mining, che permette di analizzare i fatti storici e attuali e fornire predizioni sul futuro (fonte: Nyce, Charles (2007), Predictive Analytics White Paper (PDF), American Institute for Chartered Property Casualty Underwriters/Insurance Institute of America)
L’Analisi Predittiva, in buona sostanza, raccoglie le varie tecniche di Machine Learning al fine ultimo di desumere informazioni utili per il proprio business aziendale.
Si basa principalmente sulla necessità di prevedere quale sarà lo stato dei fatti nel futuro e di studiare i dati storici per comprendere le interazioni intercorrenti tra variabili di input, che hanno causato un certo output.
Sono diverse le applicazioni dell’Analisi Predittiva nei vari settori di business aziendale. Infatti, se strutturati nel modo giusto, i modelli di Predictive Analytics sono in grado di risolvere tante problematiche aziendali in modo ottimale.
Analisi predittiva attraverso l’AI: quali problematiche aziendali si possono risolvere?
Un esperto Data Scientist utilizza le tecniche di Predictive Analytics per creare modelli utili ed adeguati e per risolvere problematiche aziendali.
Si possono distinguere divere classi di modelli di Analisi Predittiva.
Classificazione
La classificazione o classification è un tipo di tecnica di Predictive analytics che viene utilizzata per suddividere la base dati in classi. Ad esempio, si utilizza per identificare la tipologia di difetto di un prodotto (difetto 1, difetto 2, etc.) oppure per classificare una transazione come fraudolenta o no.
Regressione
Un’altra tecnica di analisi predittiva di tipo visionario è la regressione o regression che consente di stimare il valore atteso in futuro. Ad esempio, consente di stimare la domanda di un determinato prodotto x nei prossimi mesi.
Molto apprezzato è il modello di regressione lineare, che formalizza e risolve il problema di una relazione funzionale tra variabili misurate sulla base di dati campionari (n) estratti da un’ipotetica popolazione infinita (N).
Tra i metodi statistici aziendali la regressione lineare rappresenta un metodo di stima del valore atteso condizionato di una variabile dipendente, dati i valori di altre variabili indipendenti.
La regressione lineare semplice è adatta quando i valori delle variabili X e Y si distribuiscono lungo una retta nel diagramma di dispersione.
Ad esempio, un produttore che desidera ottenere una misura della qualità di un prodotto, decide di stimare una misura a partire dall’osservazione di un’altra più semplice e meno costosa da ottenere.
In ambito aziendale può essere utile ricorrere al metodo di regressione multipla che consente di stimare un certo numero di variabili (almeno due) per spiegare un’altra variabile.
Ad esempio, ammettiamo che il direttore delle risorse umane di un’azienda voglia analizzare la relazione intercorrente tra l’assenteismo e la variabile anagrafica ed il salario.
Dopo aver selezionato dalla popolazione N un campione di n lavoratori, procede ad analizzare un modello predittivo del numero di giorni di assenza utilizzando la variabile età in un primo momento e, successivamente, entrambe le variabili indipendenti (età e salario).
Dopo aver calcolato i valori attesi dell’assenteismo e i coefficienti, si interpreta il significato.
Partendo da una base dati, si possono porre sia quesiti di classification che quesiti di regressione. Per esempio, con una base dati che descrive la produzione aziendale o Output (Y) è possibile porsi i seguenti quesiti:
- il prodotto è difettoso? Che tipo di difetto riporta? (classificazione)
- di che gravità è il difetto? (regressione).
Clustering
Tra le tecniche di Analisi Predittiva di tipo non supervisionato è possibile ricorrere al clustering o analisi dei gruppi.
Il clustering è un set di tecniche di analisi multivariata dei dati che consente di selezionare e raggruppare gli elementi omogenei in un insieme di dati (gruppi di clientela aziendale che hanno preferenze e comportamenti di acquisto simili).
La bontà delle analisi ottenute dipende molto dalla scelta della metrica. Esistono varie classificazioni delle tecniche di clustering, una prima distinzione è legata al fatto che un elemento possa essere assegnato o meno ad uno o più gruppi (cluster):
- clustering non-esclusivo, in cui un elemento può appartenere a più gruppi con gradi di appartenenza diversi.
- clustering esclusivo: un elemento può essere assegnato ad uno ed un solo gruppo.
Market Basket Analysis
L’analisi del paniere è quel processo di analisi di affinità che analizza le abitudini di acquisto della clientela aziendale nel retailing, trovando associazioni su diversi prodotti acquistati.
Si tratta di una tecnica statistica utilizzata dalla maggior parte delle piattaforme di vendita (Amazon, Expedia, Ebay, etc.).
L’obiettivo principale della Market Basket Analysis è di suggerire ai propri clienti, durante la fase di acquisto, quale bene o servizio comperare, tenendo conto del comportamento di acquisto pregresse.
Ad esempio, se un cliente acquista un viaggio nell’hotel X e Y, è possibile che gli potrebbe piacere anche l’albergo Z.
Analisi predittiva e Intelligenza Artificiale: il futuro delle aziende
Grazie all’utilizzo di software di analisi predittiva basati sull’intelligenza artificiale, il processo decisionale aziendale viene amplificato e l’errore umano viene ridotto.
Grazie all’implementazione di algoritmi di data science e di intelligenza artificiale è possibile cercare pattern nel comportamento del cliente e raggiungere gli obiettivi aziendali fissati in fase di planning e di programmazione operativa, riducendo gli scostamenti.
Nell’E-Commerce l’analisi predittiva basata sull’AI è uno dei tools essenziali per molte piattaforme di marketplace: dalla pianificazione automatizzata del magazzino alla funzione di marketing automation, dalla personalizzazione alla decisione dei prezzi dinamici.
Grazie all’analisi predittiva basata sull’intelligenza artificiale, i digital marketers delle aziende possono concentrarsi sulla creazione di nuove esperienze di shopping per i diversi target di clientela, mentre il lavoro tecnico giornaliero è svolto dalla macchina.
I brand che in un recente futuro integreranno l’intelligenza artificiale e assumeranno decisioni ricorrendo all’utilizzo dei metodi statistici predittivi, guideranno il settore e saranno destinati ad acquisire quote di mercato.
Le aziende potranno acquisire una leadership nel comparto in cui operano, migliorare i livelli di efficienza, efficacia ed economicità, ridurre i “colli di bottiglia” e gli sprechi e assumere decisioni basandosi su ciò che il loro target di clientela desidera.
Ciò permetterà ai “first movers” di risparmiare tempo e denaro e di acquisire un vantaggio competitivo rispetto ai concorrenti.
Non solo, i prodotti finanziari (conti correnti, mutui etc.) potranno essere sempre più tailored alle esigenze dei clienti aumentandone la soddisfazione e riducendo il rischio assunto. In finanza, one size fits all sta finalmente lasciando il passo ad una comprensione migliore di rischi e benefici per il cliente e per le istituzioni finanziarie. Gli strumenti di predictive analytics hanno un ruolo chiave di creazione di valore per tutti.
L’analisi predittiva basata sull’intelligenza artificiale sarà destinata a plasmare sempre di più il futuro dello shopping, ad un ritmo davvero incalzante.
