Data-Driven Strategy

ll Covid-19 stravolge i modelli predittivi: una strategia in 5 passi per riallineare gli analytics

Analisi dei dati e machine learning restano i fedeli alleati delle aziende, ma la pandemia ha impattato i modelli degli analytics, che devono cambiare per adeguarsi ai nuovi comportamenti e abitudini. McKinsey suggerisce agli executive un percorso per “aggiustare” ciò che il Covid ha “rotto”

08 Set 2020

Antonella Scarfò

Analisi dei dati e machine learning, per coinvolgere un crescente numero di consumatori digitali e gestire supply chain sempre più fragili: così gli analytics avanzati hanno aiutato i leader di tutto il mondo ad orientarsi per guidare il business durante il Covid-19. Ma con un grande handicap di base: con lo stravolgimento delle nostre abitudini di vita e lavoro, le informazioni sul consumo e il comportamento degli utenti raccolti prima della pandemia non sono più valide. Il machine learning si basa sull’analisi di pattern e comportamenti per prevedere il futuro, ma lockdown, blocco dei viaggi, distanziamento fisico e smart working hanno stravolto queste analisi. Quali dati possiamo allora dare in pasto all’intelligenza artificiale? E in che modo i leader possono utilizzare oggi il machine learning e gli algoritmi predittivi per il loro business? Ecco alcuni suggerimenti, basati sull’analisi condotta da McKinsey & Company.

Il cambiamento delle abitudini dei consumatori a seguito dell’emergenza sanitaria

Comprendere di quali modelli predittivi ha bisogno il business

L’analisi dei dati può certamente potenziare il processo di decision making. Ma quali sono i modelli predittivi di cui il business ha realmente bisogno in questo periodo di transizione? A questa domanda ogni società può dare una risposta diversa. Ma c’è un settore da osservare con particolare attenzione: è quello bancario, in cui i modelli di analisi che supportano le attività critiche possono essere anche centinaia o migliaia. Durante il Covid-19 le banche hanno ripensato le priorità, concentrandosi sui modelli di credito, prezzo, valutazione e rischio di mercato, inclusi modelli macroeconomici ad alto impatto, piuttosto che di frode o di marketing.

L’impatto del Covid-19 sui modelli predittivi, per settore

Rivalutare i modelli di rischio

Identificare i modelli di analisi a cui affidarsi significa comprendere quali fattori influenzano le performance del “pattern” utilizzato. Ecco alcuni quesiti che possono aiutare a guidare un team e valutare un’analisi:

  • Come è costruito il modello di analisi dell’azienda e quali assunzioni ci sono alla base? I modelli complessi possono mettere in difficoltà i leader. La parola chiave per ridurre i rischi è quindi: trasparenza.
  • Quali dati vengono utilizzati? Utilizzare informazioni derivanti dall’analisi di comportamenti individuali o dalla segmentazione del target può essere molto rischioso durante un periodo di grandi trasformazioni. I modelli di asset management, invece, sono considerati meno a rischio perché dipendono da variabili macroeconomiche e microeconomiche esplicite che possono tenere conto dell’impatto del COVID-19.
  • Come vengono ponderati i vari indicatori? Gli indicatori utilizzati nell’analisi possono essere influenzati dagli eventi. L’insolvenza, in particolare, si è ridotta durante la pandemia, grazie ai programmi assistenziali governativi. Utilizzare un modello in cui l’indicatore dell’insolvenza viene interpretato al ribasso, però, è rischioso in prospettiva futura, quando gli aiuti governativi saranno esauriti, avverte McKinsey.

Ampliare le fonti dei dati

WHITEPAPER
Ricerca IDC: come aggregare i dati per un'analisi ottimale
Big Data
Business Analytics

In un periodo di incertezza c’è bisogno di raccogliere nuovi dati. Ecco alcune strategie per moltiplicare le fonti di accesso a nuovi dati:

  • Incorporare nuovi sistemi di raccolta dei dati o attivare vecchie risorse non utilizzate.
  • Utilizzare i dati esistenti in modo innovativo.
  • Aumentare la frequenza della raccolta e dell’elaborazione dei dati.
  • Acquisire dati esterni.

Velocizzare i processi di decision making

Cicli di analisi anche quotidiani possono portare all’immediata identificazione di errori strategici. Così un fornitore di telecomunicazioni, ad esempio, ha scoperto immediatamente che i modelli di analisi utilizzati durante la pandemia non tenevano conto del picco di traffico derivato dal lavoro a distanza.

Prepararsi al dopo pandemia

Come risponderanno le aziende al graduale ritorno alla normalità? Ecco alcuni consigli per aumentare la “flessibilità” dell’organizzazione:

  • Costruire un centro nevralgico digitale, una struttura flessibile in grado di concentrare skill organizzative e di leadership, raccogliere dati e testate nuovi approcci in modo rapido.
  • Raccogliere dati in real-time per rispondere ai cambiamenti in modo immediato, utilizzando nuove tecnologie o piattaforme di streaming e messaggistica già esistenti.
  • Dare priorità ai cambiamenti culturali e alla formazione.
  • Investire in team multidisciplinari per avere migliori performance finanziarie.

@RIPRODUZIONE RISERVATA
ll Covid-19 stravolge i modelli predittivi: una strategia in 5 passi per riallineare gli analytics

    LinkedIn

    Twitter

    Whatsapp

    Facebook

    Link

    Articolo 1 di 4