I dati a supporto delle decisioni. Qual è l’analisi giusta per la tua azienda?

Alzi la mano chi non ha partecipato a riunioni in cui vengono proiettati grafici sull’andamento di qualche indicatore chiave (KPI) per l’azienda: andamento delle vendite, del fatturato, della produzione, della qualità, ecc. E’ capitato quasi a tutti? Bene, abbiamo la prima definizione: questa è quella che si chiama Descriptive Analytics. Descriptive Analytics: strumenti che danno la descrizione della situazione attuale e passata dei processi aziendali o di aree funzionali.
Questo tipo di strumenti serve per rispondere a domande come: Qual è stato il prodotto più venduto nell’ultimo periodo? In quale provincia si fa il fatturato maggiore? Quale mio prodotto è il più remunerativo?
Questi strumenti usano dati aziendali su classici database relazionali, data warehouse, cubi OLAP, strumenti di Business Intelligence per vedere i dati da diversi punti di vista.
Direi che disporre di queste informazioni a supporto delle decisioni sarebbe già molto utile.
Ma in un mondo sempre più tecnologico e frenetico si può fare di più? Quanti altri tipi di analisi sono possibili e da quali fonti attingono? Per rispondere a queste domande ho preparato una infografica (anche questa è una buzzword) che le riassume:
Esploriamo gli strumenti successivi, il gruppo dei Predictive Analytics.

Predictive Analytics: strumenti avanzati che, tramite l’analisi dei dati, rispondono a domande relative a cosa potrebbe accadere nel futuro.
Questi strumenti sono profondamente diversi dai precedenti, sia per l’elaborazione che vi sta alla base, sia come risultati. Rispondono a domande come: Quale potrebbe essere l’andamento delle vendite nel prossimo periodo? Quale fatturato posso aspettarmi in futuro in una determinata provincia? Qual è la previsione di vendita di un determinato prodotto nel prossimo trimestre?
In pratica tali strumenti servono a fare una previsione o la stima di un valore, accompagnata da una probabilità che questa si verifichi. Si tratta di strumenti statistici evoluti, come quelli che si usano per le previsioni del tempo, ma applicati al business.
Ma come si arriva a questo prodigioso risultato? Principalmente attraverso il Machine Learning. Qui si apre un altro capitolo, che però affronteremo più avanti. Per il momento ci serve sapere che il Machine Learning impara dai dati, quindi per impostare questi algoritmi servono dati, tanti, che devono descrivere sotto molteplici aspetti ciò su cui dobbiamo indagare. Quando questi dati iniziano ad avere determinate caratteristiche di volume (quantità), velocità (acquisiti rapidamente), varietà (dati eterogenei), veridicità (puliti e affidabili) e variabilità (legame del significato al contesto), allora li possiamo chiamare Big Data. Anche questo argomento lo affronteremo più avanti.
Con gli strumenti di Predictive Analytics possiamo avere un’idea di cosa potrebbe accadere nel futuro. Così possiamo avere un discreto vantaggio competitivo. Sembra che non ci serva altro, ma invece…

Prescriptive Analytics: Strumenti avanzati capaci di individuare lo scenario futuro migliore sulla base delle analisi svolte e di consigliarlo.
Utilizzando l’Analisi Predittiva che abbiamo visto prima, siamo in grado di fare previsioni su singoli fattori, ma poi, per agire, bisogna mettere insieme tutte le risposte, con queste creare degli scenari futuri e poi selezionare quello che ci porta più vicino ai nostri obiettivi. Questo è quello che fanno gli strumenti di Prescriptive Analytics, aggiungendo alla fine la raccomandazione su come agire, di tipo strategico o operativo.
Ad esempio un sistema di Prescriptive Analytics potrebbe analizzare l’andamento delle vendite di tutti i prodotti, integrare questi dati con il sentiment di mercato (da internet si possono attingere dati utili in proposito), fare la previsione futura e quindi consigliare la modulazione delle scorte o l’adozione di nuove linee di prodotti nel prossimo periodo. Potresti pensare che un bravo manager faccia proprio questo, ma quando le informazioni da gestire sono tante (troppe) e cambiano velocemente, avere un sistema del genere dà un grande vantaggio competitivo.
A differenza della Predictive Analytics, un progetto di Prescriptive Analytics è più complesso da implementare ed è specifico per il dominio (azienda, settore, ecc.). Non ci sono quindi tools già pronti perché le decisioni che il sistema consiglia sono legate all’argomento specifico e il progetto va fatto su misura.
Gli strumenti di Prescriptive Analytics si basano su quelli già descritti precedentemente (Prescriptive Analytics), quindi usano ancora Machine Learning e Big Data.
Tra i progetti di Prescriptive Analytics sono annoverati anche ad esempio i veicoli a guida autonoma, che analizzano costantemente l’evolversi degli scenari futuri e vanno anche oltre il consigliare una manovra: la eseguono. Io questo tipo di strumenti li metterei invece nella categoria successiva: Automated Analytics.

Automated Analytics: strumenti capaci di implementare autonomamente l’azione proposta in base al risultato delle analisi dati svolte.
Con l’Automated Analytics non si fanno prendere decisioni strategiche aziendali ad un sistema, ma si eseguono piccole decisioni che vanno attuate in tempi molto brevi.
Ad esempio un sistema di Automated Analytics può “intuire” che una transazione con una carta di credito sia fraudolenta e quindi bloccarla, oppure può variare autonomamente i prezzi dei prodotti esposti in un sito web (dynamic pricing) per trarre il massimo profitto dalla situazione di mercato.
In ambito industriale un sistema di Automated Analytics può ad esempio decidere di cambiare un utensile su una macchina automatica perché i parametri di sforzo, rispetto ad un utensile nuovo, fanno presupporre che sia usurato; può analizzare il rumore emesso dalle macchine e fermarle perché è in arrivo un’anomalia; può migliorare il tempo ciclo di una macchina “apprendendo” quali sono le cause di rallentamento, ecc.
In genere, in campo industriale, con sistema di Automated Analytics si possono fare sia azioni nuove, sia quelle che fino ad oggi sono state fatte con l’automazione classica, ma in questo caso con una differenza importante: il sistema di Automated Analytics può adattarsi e può reagire anche a situazioni impreviste, mentre quello di automazione classica effettua le azioni prestabilite secondo i casi inseriti nel programma.
Anche gli strumenti di Automated Analytics si basano principalmente su Machine Learning e Big Data.

Conclusione
Spero di aver chiarito, almeno un po’, le possibilità offerte dagli strumenti di analisi dei dati.
Dovresti aver intuito quali strumenti possono esserti utili. Adesso spero tu abbia anche in mente i primi blocchi dello schema d’insieme: delle quattro categorie di strumenti di analisi dei dati che abbiamo visto, la prima può basarsi ancora sui classici database (dati in tabelle), mentre le tre più evolute utilizzano principalmente il Machine Learning e i Big Data. Cosa sono e come si possono usare lo vedremo nei prossimi articoli. Stay Tuned!