Analisi predittiva: trend per il 2019

Artificial Intelligence

,

Data Intelligence

Analisi predittiva: trend per il 2019

Marta León | mag 22, 2019

Oggigiorno si producono più dati in una sola giornata di quelli creati dall'intera umanità fino all'anno 2000, ha osservato Andreas Weigend, ex dirigente di Amazon.

Analisi predittiva: trend per il 2019

L'analisi predittiva utilizza un volume di dati molto simile per prevedere eventuali restrizioni e circostanze future e quindi anticipare le decisioni e azioni in grado di dare i risultati migliori.

Chi volesse sfruttare l'analisi predittiva può ricorrere a diverse tecniche, a seconda del risultato che desidera ottenere. Di seguito presentiamo alcune delle tecniche di analisi predittiva più importanti:

Data Mining

Il data mining è un processo che raccoglie e utilizza grandi quantità di dati, con l'obiettivo di individuare pattern ripetitivi o correlati. I dati vengono strutturati in modo da renderne comprensibile l'utilizzo, per identificare tendenze utili da sfruttare in situazioni future.

Intelligenza Artificiale

L'intelligenza artificiale è il risultato della combinazione di algoritmi predefiniti allo scopo di conferire alla programmazione le stesse capacità di un essere umano. Per riuscirci si ricorre alla simulazione di diversi processi, compreso un determinato modo di acquisire le informazioni, fino ad arrivare all'apprendimento automatico e a regole basate su ragionamenti standardizzati.

Machine Learning

All'interno della più ampia disciplina dell'intelligenza artificiale è incluso un tipo di apprendimento automatizzato, basato sui dati, che non richiede di programmare regole o algoritmi per determinare date conclusioni. Tramite un algoritmo, il machine learning identifica pattern ricorrenti all'interno di milioni di dati e può prevedere comportamenti e prendere decisioni con un intervento minimo da parte dell'uomo.

Deep Learning

Il deep learning consiste in un processo di apprendimento profondo, composto da una rete neurale artificiale con diversi livelli gerarchici. Le informazioni apprese ad ogni livello vengono trasferite al successivo, e così via fino a unificarle tutte. Nei primi livelli si individuano dettagli specifici che, approfonditi in quelli successivi, consentono di arrivare a un apprendimento completo.

L'analisi predittiva oggi viene impiegata in diverse linee di business:

  • Finanza: prevedere operazioni a rischio, gestione dei crediti e fluttuazioni inusuali del mercato in modo da prevenire futuri problemi economici.
  • Vendite: provvedere alle vendite future, alla gestione degli stock o alla previsione dei ricavi. Anticipare le offerte e il cross-selling in base alle esigenze di ogni cliente.
  • Operazioni: contabilizzare e analizzare, in termini di qualità, le filiere di produzione su cui giocare d'anticipo, evitando così futuri errori nei processi produttivi.
  • Marketing: grazie ai processi di data mining, il marketing predittivo può prevedere pattern di acquisto e consumo, anticipare le esigenze dei clienti e ottenere una fidelizzazione a livello di e-commerce.

Soluzioni e tendenze di analisi predittiva per il 2019  

Il report “The Forrester Wave”, della prestigiosa azienda di ricerche di mercato Forrester, è uno dei più importanti resoconti di web analytics di livello internazionale.

Forrester definisce il PAML aziendale (analisi predittiva multimodale e machine learning) come uno strumento per analizzare i dati, costruire modelli predittivi con algoritmi statistici e di apprendimento automatico e implementare e gestire i risultati secondo la compatibilità con la programmazione e lo sviluppo di applicazioni di intelligenza artificiale.

La multimodalità, una delle caratteristiche del PAML riconosciute nel report, offre la gamma di applicazioni di lavoro più ampia e avanzata possibile, con interfacce utente, procedure di configurazione guidate, automazione e ambienti di codifica.

Per individuare i punti di forza e di debolezza dei principali fornitori di soluzioni PAML multimodali, Forrester si è basata su un totale di 24 criteri, valutati nelle diverse applicazioni, su 3 livelli:

  • Offerta attuale: la bontà dell'offerta disponibile, secondo criteri quali l'architettura del modello, le operazioni, gli algoritmi e le soluzioni aziendali.
  • Strategia: la forza delle strategie utilizzate dai fornitori, secondo criteri quali la capacità di esecuzione, il supporto all'implementazione, i prezzi di acquisto e i partner.
  • Presenza sul mercato: accettazione delle diverse soluzioni da parte dei clienti, ricavi quantificati e conoscenza del mercato.

Di seguito analizzeremo 3 di questi fornitori, ma è bene sottolineare che tutti quelli inclusi nella “Forrester Wave” hanno caratteristiche uniche, in grado di soddisfare qualsiasi esigenza aziendale in materia di dati.

Il report dell'ultimo trimestre del 2018 sulle soluzioni di analisi predittiva multimodale e di machine learning indica come leader del mercato le applicazioni di SAS, IBM e RapidMiner.

Facciamo un breve confronto di queste soluzioni all'avanguardia allo stato attuale:

Soluzione PAML di SAS: la nuova piattaforma di Visual Data Mining e Machine Learning di SAS è la più veloce esistente e offre funzioni integrate e automatizzate, incluso il deep learning, in un ambiente di lavoro unico e prettamente visuale. La funzione Model Studio semplifica la programmazione di algoritmi, senza bisogno di conoscere a fondo il codice SAS. Le diverse reti neurali presenti in background consentono di trovare la soluzione ottimale, più efficiente ed efficace per i software SAS.

La seconda applicazione leader del fornitore SAS, Enterprise Miner, è definita come la più sofisticata in termini di preparazione ed esplorazione dei dati. Si tratta di una modellazione predittiva avanzata per progetti di grandi dimensioni, con codici batch e serie storiche, che include l'integrazione open source con R, la possibilità di eseguire codici SAS Viya all'interno del processo e, infine, di implementarlo nel cloud.

IBM Watson Studio: la gamma IBM Watson comprende PAML IBM Watson Studio, una soluzione per i team di Data Intelligence che desiderano uno strumento di deep learning più visivo. Il sistema di drag & drop di SPSS Modeler ha una nuova interfaccia più intuitiva. L'accesso open source tramite applicazioni notebook può essere combinato con i parametri di programmazione fino a trovare il modello ideale.

RapidMiner Platform: unisce all'interno di uno stesso software preparazione dei dati, machine learning e analisi di modelli predittivi. Indicata come una delle applicazioni con un ambiente visivo e un metodo di drag & drop più semplice e veloce del machine learning, offre guide e azioni suggerite all'interno del modello, classificate secondo diversi livelli di competenza e trasparenza. In grado di funzionare in Hadoop, tramite Spark, per progetti Big Data, di recente ha aggiunto la capacità di lavorare in tempo reale.

Scegliere un'applicazione per l'analisi predittiva non è affatto facile

Bisogna trovarne una che soddisfi gli obiettivi predefiniti e che si adatti all'azienda mantenendo la migliore qualità possibile, senza bisogno di migrare i dati verso altre applicazioni esterne. In più, si devono tenere presenti fattori quali l'usabilità, l'origine delle informazioni, il trattamento a cui sottoporre i dati e il reporting. Tutto questo al costo di ammortamento più competitivo.

In conclusione, con nuove tecnologie che creano dati di continuo, l'importante non è più solo detenerne la titolarità, ma essere capaci di analizzarli. Come ha detto Peter Sondergaard, “l'informazione è il petrolio del XXI secolo, e l'analisi predittiva è il motore a combustione”. Ecco perché i team di Business Intelligence possono anticipare il futuro e i processi decisionali, una delle qualità più importanti per il successo delle aziende. 

 

Sei interessato a saperne di più?

Sei pronto ad implementare una strategia più scientifica e guidata dai dati per le tue attività aziendali? Visita la nostra pagina dedicata ai servizi e alle soluzioni per la data intelligence.  

Scopri di più 

Iscriviti!