Big data e intelligenza artificiale aprono il campo all’analisi predittiva, in grado di prevedere efficacemente gli eventi futuri che le aziende dovranno fronteggiare

Dall’individuazione tempestiva di segnali che indicano un’epidemia in atto all’esposizione dei pasti precotti nei supermercati nelle giornate in cui si giocano partite infrasettimanali serali, sempre più aziende e organizzazioni stanno traendo enormi vantaggi dall’uso dell’analisi predittiva, o predictive analytics, per prevedere eventi futuri in base all’analisi di dati storici e attuali su un certo fenomeno.

L’analisi predittiva può sfruttare differenti tecniche e approcci applicati a una serie di dati: si va dall’individuazione di modelli statistici all’utilizzo di intelligenza artificiale e deep learning per rilevare gruppi di dati (persone, eventi, condizioni…), pattern e tendenze che non possono essere efficacemente rilevati da un’osservazione empirica o un semplice studio di dati tradizionale, che arriva al massimo a spiegare il presente o saper prevedere un risultato futuro solo se si verificano le esatte condizioni osservate in passato. La principale differenza pratica della predictive analytics è proprio questa: saper ricavare i modelli che permettono di prevedere eventi futuri in base alle condizioni che si osservano nel presente.

Predictive analytics: come usarla nel business

Tra i modelli previsionali più utilizzati ci sono il Customer Lifetime Value Model (individua i clienti che probabilmente faranno numerosi acquisti nel tempo), il Customer Segmentation Model (raggruppa i consumatori in base a caratteristiche e abitudini d’acquisto similari), il Predictive Maintenance Model (ottimizza le manutenzioni sapendo prevedere quale macchinario si romperà presto), e il Quality Assurance Model (individua difetti anche invisibili nella produzione per evitare esperienze sgradevoli per il consumatore o costose operazioni di riparazione o sostituzione).

Ecco come questi modelli vengono impiegati in alcuni settori industriali:

Aerospaziale: ottimizzare le operazioni di manutenzione per ottimizzare l’affidabilità, l’utilizzo di carburante e minimizzare i periodi di fermo del velivolo.

Automotive: prevedere la durata di vita dei componenti per progettare i veicoli futuri; studiare il comportamento degli autisti per sviluppare meccanismi di assistenza alla guida.

Energia: prevedere le richieste future di energia elettrica e i costi di produzione, tenendo conto dell’impatto che la disponibilità dei combustibili o le condizioni meteo avranno su di essi.

Servizi finanziari: sviluppare modelli di valutazione del rischio creditizio, prevedere le tendenze dei mercati e l’impatto sui mercati di nuove leggi e regolamenti.

Manifattura: prevedere i guasti alle macchine prima che avvengano, ottimizzare gli approvvigionamenti in base alla domanda prevista.

Forze dell’ordine: analizzare i dati sulla criminalità per individuare quartieri, esercizi pubblici o sospettati da sorvegliare in modo particolare per prevenire furti o altri reati.

Muovere i primi passi nella predictive analytics

Tra infrastrutture per big data, personale esperto e software, un progetto di predictive analytics può risultare costoso. Ancor di più se si commettono errori che fanno prendere le decisioni di business sbagliate. Ecco alcuni consigli per muovere i primi passi con successo nel mondo della predictive analytics, evitando le trappole più comuni.

  1. Definire scopo, obiettivi e risultati attesi

Sebbene l’analisi dei dati possa fare emergere problemi di cui non si era inizialmente a conoscenza, non conviene cominciare un progetto senza avere definito esattamente l’ambito di applicazione, il problema di business che si vuole risolvere e quali siano i risultati attesi, anche in termini di analisi costi-benefici.

  1. Attenzione alla qualità dei dati

La facilità con cui le piattaforme per big data possono elaborare dati di ogni tipo, strutturati e non, porta spesso a voler mettere insieme dati di ogni tipo e provenienza, con l’illusione che usare più dati porti ad avere previsioni migliori. Se però i dati non sono affidabili, si complica inutilmente la gestione e diminuisce la capacità di rilevare pattern utilizzabili. Meglio cominciare con dati di qualità, e provare successivamente ad espandere i modelli già acquisiti con nuovi dati.

  1. Definire team interdisciplinari

Data analyst, data scientist e team IT devono lavorare a braccetto con le persone di business che conoscono il problema da risolvere, le condizioni in cui opera l’azienda e i limiti degli interventi che si possono applicare. Il rischio, altrimenti, è che si spendano tempo e risorse per individuare problemi già noti, o soluzioni che sono praticamente irrealizzabili.

  1. Niente preconcetti

Se l’apporto di esperienza dei responsabili di business è importante, non bisogna però lasciare che condizioni o limiti l’analisi. Il data analyst deve sempre cercare nei dati, selezionati senza pregiudizi o filtri preventivi, la conferma delle decisioni, e le altre funzioni aziendali devono essere mentalmente aperte ad accogliere nuove informazioni.

  1. Verificare le previsioni

Prima di sposare un modello predittivo, occorre metterlo alla prova in differenti situazioni e condizioni. In fin dei conti, i modelli sono elaborati da persone che possono commettere errori o inficiarli con i propri pregiudizi anche inconsci, che si manifestano per esempio selezionando dati parziali e non neutri. Alla fine, quel che conta è il metodo scientifico: osservare, elaborare un’ipotesi e verificarla con dati oggettivi.