GUIDE E HOW-TO

Predictive Analytics, cos'è l'analisi predittiva e come l'AI aiuta a prevedere il futuro

I Predictive Analytics sono uno strumento avanzato per estrarre valore dai Big Data. Analizzando il passato con il supporto dell’Intelligenza Artificiale, l’analisi predittiva aiuta a capire che cosa è probabile che accada nel futuro. Ecco le tecniche, le applicazioni e le industry che possono trarre vantaggio dalla capacità di costruire un ecosistema di informazioni che dà una marcia in più alla strategia di business

30 Mar 2022

Patrizia Licata

Per le aziende che affrontano un mercato ogni giorno più competitivo l’analisi predittiva (Predictive Analytics) si rivela sempre più uno strumento determinante, perché consente di identificare schemi e tendenze e ottenere stime e anticipazioni di come evolveranno.

L’analisi predittiva consiste nell’utilizzare dati, algoritmi statistici e tecniche di intelligenza artificiale e machine learning per individuare la probabilità di risultati futuri basandosi sui dati storici. Si tratta di una forma estremamente avanzata di Business Intelligence (BI) che va oltre l’obiettivo di comprendere che cosa è successo per arrivare a una migliore valutazione di quello che accadrà in futuro. I Predictive Analytics riescono ad anticipare una novità che potrebbe, in via probabilistica, emergere. È importante sottolineare che l’analisi predittiva si basa su un processo che va dalla comprensione e formalizzazione del problema, passa attraverso l’analisi esploratoria e la preparazione dei dati, e arriva a costruire e rendere operativo il modello predittivo. Non è magia è metodo scientifico adattato a problemi di business.

Nelle imprese l’analisi predittiva viene utilizzata per un’ampia serie di applicazioni. Solo per fare alcuni esempi, nelle banche e nelle istituzioni finanziarie, viene impiegata per rilevare le frodi e risolvere i problemi di conformità. Nel retail intelligenza artificiale e machine learning sono usati per anticipare l’andamento della domanda, ottimizzare l’assortimento e predire le rotture di stock. La manifattura usa l’analisi predittiva per prevedere i guasti delle attrezzature e limitare il più possibile i tempi di inattività e per predire la qualità di un prodotto. Ancora, il marketing può prevedere se un cliente con determinate caratteristiche comprerà o non comprerà un prodotto, può usare i modelli predittivi per costruire sistemi di raccomandazione online, misurandone l’efficacia e implementandone un affinamento continuo.

Tra le industrie che più possono beneficiare dei Predictive Analytics ci sono Pharma, Finance, Banking & Insurance, Fashion & Luxury, Retail, Marketing, Beni di consumo, Manufacturing, Utilities, Telecomunicazioni, PA.

Che cos’è l’Analisi Predittiva

Analisi predittiva è utilizzare dati storici per estrarre predizioni. L’obiettivo è creare schemi anticipatori affidabili di ciò che accadrà in futuro e usarli in svariati ambiti – la ricerca, la produzione, il marketing, le vendite…– per aumentare l’efficienza, dare risposta ai problemi, individuare trend, produrre stime accurate, definire strategie e vision.

Gli algoritmi di analisi predittiva si basano su dati storici raccolti attraverso vari canali e strumenti e vengono implementati con modelli la cui complessità è determinata dai dati e dal problema specifico. I modelli possono essere statistici e di machine learning “shallow” (per esempio, decision trees, random forest, gradient boosting machine) o algoritmi più sofisticati, quali deep learning e Bayesian networks.

La qualità dei risultati finali dipende dalla qualità dei dati (Data quality) e dalla selezione del modello statistico e probabilistico per la loro elaborazione, al fine di determinare che cosa verosimilmente potrebbe accadere.

Come funziona: dati, Analytics e AI

Ciò che rende possibile l’analisi predittiva è infatti la disponibilità di dati adeguati alle problematiche di business, siano essi Big Data o meno. La digitalizzazione è quindi un processo fondamentale per la predictive analysis, e riguarda sia la dimensione “interna”, cioè dell’azienda, sia “esterna” dell’ecosistema, che può fornire dati integrativi utili ad arricchire l’espressività dei modelli (in particolare quando si guarda oltre l’orizzonte temporale brevissimo). Le imprese, difatti, possono spesso accedere a volumi enormi di dati strutturati, semi-strutturati e non strutturati da cui possono, con specifiche tecniche, estrarre conoscenza e valore a supporto delle loro attività e decisioni strategiche.

I dati vanno preparati (puliti, filtrati, categorizzati) prima di essere inseriti nei modelli di analisi. Questi modelli a loro volta si basano sugli algoritmi di intelligenza artificiale, anzi di una forma specifica di AI: il machine learning (ML).

Il concetto di analisi predittiva, infatti, non è nuovo, ma l’analisi predittiva in quanto tale ha fatto la sua comparsa solo quando le aziende hanno potuto sfruttare tecnologie avanzate come algoritmi complessi, infrastrutture di data mining, software predittivo e, ovviamente, alte velocità di elaborazione.

L’analisi predittiva si basa sui modelli predittivi, in cui è solitamente incluso un algoritmo di ML, che permette al programma di apprendere dall’esperienza, ovvero imparare a reagire all’inserimento di nuovi dati o valori.

Perché serve: l’analisi predittiva per “prevedere” il futuro

Valorizzando i dati grazie all’intelligenza artificiale e al machine learning, le aziende riescono a stimare i rischi e le tendenze futuri per sviluppare piani di azione, sia come mitigazione che come strategia attiva e proattiva. Non sarà una esatta previsione del futuro, ma sicuramente l’analisi predittiva permette di anticipare i problemi e di reagire ai nuovi trend per decidere di conseguenza.

In pratica, le aziende possono passare velocemente dalla conoscenza all’azione e assicurarsi una migliore efficacia. Il beneficio più immediato si riscontra nella predizione applicata a processi operativi, il cui effetto è misurabile molto rapidamente. Vantaggi a medio e lungo termine si ottengono spesso integrando dati interni ed esterni. Questi ultimi, trasformati in scenari, permettono di fare analisi e simulazioni predittive a supporto di monitoraggio e adattamenti della strategia.

Infatti, grazie all’impiego di tecniche statistiche come il predictive modeling, i Predictive Analytics riescono a mettere in relazione set di dati e algoritmi personalizzati per segnalare eventuali anomalie o scostamenti da modelli precedenti, suggerendo errori o cambiamenti in atto. In questo modo “prevedono” esiti futuri, come scelte dei consumatori, cambiamenti sui mercati o potenziali problemi.

Esempi di applicazione: che cosa si può fare con i Predictive Analytics

Il marketing è uno dei campi in cui l’analisi predittiva viene già usata con buoni risultati. Sulla base dell’analisi dei dati storici, l’analisi predittiva consente alle persone del marketing di comprendere meglio il loro pubblico di riferimento e il suo comportamento. Questo garantisce una strategia di comunicazione più efficace in quanto data-driven e permette di raggiungere un più raffinato livello di personalizzazione nei confronti dei clienti potenziali ed esistenti.

Chi fa marketing può usare l’analisi predittiva per identificare e dare priorità ai lead qualificati, ottimizzare i budget, individuare le aspettative dei clienti e quindi lanciare i prodotti giusti a un prezzo adeguato. Il risultato è un miglioramento dei processi di acquisizione e fidelizzazione dei clienti.

Ma i casi d’uso sono molteplici e il limite è solo la fantasia, afferma Maurizio Sanarico, Chief Data Scientist di SDG Group, società internazionale di management consulting che opera nelle attività di Business Analytics, Corporate Performance Management e Advanced Business Solutions. SDG Group, che ha ricevuto una menzione d’onore nel 2022 Magic Quadrant di Gartner nell’ambito Data & Analytics, affianca le imprese di molteplici settori lungo il percorso dei Predictive Analytics.

«Un altro ambito di applicazione che la storia recente ha portato in evidenza, è quello del Life Science, dove l’analisi predittiva è usata per accorciare la scoperta di nuovi farmaci. In campo medico scientifico, sono note le applicazioni nell’analisi del genoma e nella farmaco-vigilanza, anche in tema Covid-19», spiega Sanarico.

Maurizio Sanarico

Chief Data Scientist di SDG Group

Un altro settore oggi sotto i riflettori è quello dell’energia. Qui l’analisi predittiva è utile per effettuare il demand forecasting, con cui si cerca di prevedere la richiesta di potenza disponibile che arriverà dagli utenti grazie all’analisi dei dati forniti dagli smart meter – i contatori intelligenti.

Analisi Predittiva: le industry che diventano più competitive

Nel Pharma i modelli di Analytics consentono di determinare dei parametri funzionali alla predictive quality, con una particolare attenzione alla qualità non solo del prodotto finito, ma anche del processo.

In questa industria, i classici indicatori OEE (Overall Equipment Effectiveness) utilizzati in campo manifatturiero non sono sufficienti; nel Pharma c’è un tema di compliance normativa a cui la produzione deve attenersi e di cui i modelli di Analytics devono tenere conto: il concetto di qualità nel farmaceutico va inteso come migliore resa produttiva in base al principio attivo di cui si dispone. «Con i nostri modelli i Data Scientist del mondo farmaceutico riescono a vedere quale sarà la qualità del prodotto in tempo utile affinché gli operatori di linea possano prendere decisioni correttive idonee. Capire quali sono i fattori che determineranno l’impatto sul futuro è quello che porta valore alle aziende del Pharma», afferma Sanarico.

La previsione della domanda di beni di largo consumo è un’attività resa possibile dai metodi e dalle tecniche di Business Analytics. Soprattutto nello scenario attuale, dominato da forti oscillazioni nelle abitudini d’acquisto, riuscire ad attuare una strategia di demand planning rappresenta una leva competitiva fondamentale.

«È necessario scorporare due fenomeni: un andamento puramente statistico che contiene medie, trend e stagionalità, e un elemento attuativo o di “eventi”, che va a impattare sul piano di domanda in maniera estemporanea e magari brusca», osserva Sanarico. «Questi due elementi combinati insieme compongono i modelli di demand planning di SDG con cui si riesce a effettuare una proiezione su quelli che saranno i reali volumi di vendita e a intercettare le caratteristiche che dovranno avere le promozioni future. Negli anni SDG Group ha sviluppato dei motori intelligenti che imparano dalla storia, dalle performance incentrate su un certo assortimento, su determinate categorie merceologiche, su quella tipologia di clientela o in quel periodo dell’anno».

Ancora, nel manufacturing la manutenzione predittiva rappresenta una modalità innovativa per anticipare i malfunzionamenti, invece di correggerli a posteriori, riducendo così i tempi e i costi legati a fermi macchina e setup imprevisti.

«Manutenzione predittiva vuol dire collezionare una serie di misurazioni e di caratteristiche, spesso mediante IoT (Internet of Things) o sensori, che messe insieme vengono usate per “addestrare” un algoritmo», spiega Sanarico. Ovviamente la manutenzione predittiva trova applicazione in molte altre industrie, come trasporti e telecomunicazione, in particolare per gli operatori di rete che dispongono di fibra ottica.

La lista delle industry che beneficiano dai modelli predittivi non finisce qui. Per i brand del lusso e della moda, per esempio, è possibile applicare analisi predittiva e deep learning al replenishment dei negozi fisici e virtuali, per ridurre rischi di stock out o di eccedenze, abbattendo le mancate vendite.

Un altro esempio di applicazione dei Predictive Analytics è nel settore finanziario, dove la predictive finance riesce a influire positivamente sulle prestazioni di banche e assicurazioni agendo sia al loro interno sia sul loro rapporto con i clienti. «La finanza predittiva può davvero rappresentare uno strumento decisivo di fidelizzazione e attrazione dei clienti», dichiara Sanarico. «Applicandola in modelli per la next best offer, ad esempio, è possibile comprendere i bisogni che ogni cliente avrà nei mesi a venire offrendogli poi il prodotto o il servizio adatto prima che sia lui a chiederlo, con un forte livello di personalizzazione. Le banche e le assicurazioni passano dall’essere un mero fornitore di servizi a un vero e proprio partner, alleato del benessere finanziario e non solo».

Costruendo attorno al cliente un vero e proprio ecosistema di informazioni, la churn rate smette di essere un problema e si può dare una marcia in più alla strategia aziendale grazie a modelli di propensity e di cross selling, utilizzando anche il text mining per ricavare il sentiment e dedurre possibili rischi o esigenze. E questo vale non solo nel banking, ma in tutte le attività che si interfacciano con un cliente o utente finale.

New call-to-action
@RIPRODUZIONE RISERVATA
Patrizia Licata

Laureata in Letteratura italiana, giornalista professionista, scrittrice. Da sempre sui temi della tecnologia e dell’innovazione, con le notizie e gli scenari Italiani e internazionali.

Articolo 1 di 4