Modelli predittivi stravolti dal Covid-19: come riallineare gli analytics

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.

WHITEPAPER
Data Strategy: quali sono le 3 fasi principali del processo di relazione con il cliente?
Business Analytics
Business Intelligence

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

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

Articolo 1 di 4