La scienza dei dati, che fa leva su metodi, processi, algoritmi e sistemi scientifici per automatizzare, o almeno guidare, le decisioni aziendali, è un aspetto fondamentale del business moderno.
Le nuove capacità di data intelligence rese accessibili dall’ascesa del cloud computing e dell’intelligenza artificiale ne fanno una delle aree più promettenti della trasformazione digitale.
Prima di spiegare cosa sia la scienza dei dati e come affrontare l’introduzione di questa disciplina in azienda, però, vediamo alcuni principi fondamentali.
Il ruolo del machine learning e dell’intelligenza artificiale nella scienza dei dati
Quando si elaborano grandi volumi di dati e si cerca di astrarne nuovi significati, oggi la conversazione si concentra sul tema dell’intelligenza artificiale (IA), con particolare attenzione alla derivazione del “machine learning”.
Secondo Wikipedia, l’intelligenza artificiale può essere definita come la teorizzazione e lo sviluppo di sistemi informatici in grado di svolgere compiti che in genere sono di pertinenza esclusiva dell’intelligenza umana, come la percezione visiva, il riconoscimento vocale, i processi decisionali e la traduzione interlinguistica. I casi d’uso dell’intelligenza artificiale sono già numerosi e vanno aumentando in modo esponenziale grazie alle continue innovazioni in campo tecnico.
Il termine machine learning, invece, si riferisce ad algoritmi di apprendimento automatico che utilizzano principalmente statistiche per ricavare modelli da enormi quantità di dati, compresi numeri, parole, immagini, clic ecc. Qualunque cosa possa essere memorizzata in formato digitale può essere incorporata in un algoritmo di questo tipo.
Applicare l’intelligenza artificiale, e in particolare il machine learning, alla business intelligence tradizionale e non (si pensi ai dati non strutturati) può consentire alle aziende di rivelare tendenze altrimenti non sfruttate nel proprio business, al fine di creare nuove ed efficaci strategie che portano a un aumento della redditività, al risparmio economico e praticamente a qualsiasi altro obiettivo che si prefiggono di raggiungere.
A titolo di esempio, si veda il nostro articolo sulle applicazioni di machine learning nelle risorse umane.
Il processo della scienza dei dati
Divenuto sempre più popolare negli ultimi anni, il processo della scienza dei dati è oggetto di numerose definizioni, diagrammi e metodologie. Da persona con una buona memoria visiva, preferisco spiegare questa procedura multiforme con un grafico:
Fonte: AJ Goldstein (profilo LinkedIn e maggiori dettagli disponibili su ajgoldstein.com)
Da questa immagine si possono derivare alcune importanti considerazioni che bisognerebbe tenere a mente nel creare un nuovo team di esperti di data science.
#1 - Non cercare tutte le competenze richieste in una sola persona: machine learning e intelligenza artificiale richiedono un lavoro di squadra.
È vero, in ogni secolo ci sono talenti al di sopra della media (come Pelè e Maradona per il calcio, Coppi e Merckx per il ciclismo, Phelps e Lochte per il nuoto...), ma neppure quei grandi campioni potevano essere così polifunzionali da riuscire bene in ogni ruolo e specialità (Phelps non avrebbe certo vinto 28 medaglie olimpiche se avesse deciso di giocare a pallanuoto). Da soli avrebbero potuto vincere qualche singola partita o gara, ma per vincere i campionati avevano bisogno di una squadra, dentro o fuori dal campo ...e stiamo parlando del meglio del meglio!
#2 - Non considerare le implementazioni di Advanced Analytics come un classico progetto di business intelligence: per generare nuovo valore bisogna pensare e affrontare le sfide in maniera innovativa.
Potrebbe sembrare ovvio, ma vale la pena di sottolinearlo: quando si passa da soluzioni analitiche “basate sulle regole” a soluzioni “basate sui dati”, i paradigmi tradizionali non sono più efficaci. La classica fase di “definizione dei requisiti del business”, per esempio, va sostituita da un’attività di problem shaping altamente interattiva e consultiva.
Noi di Techedge abbiamo un metodo collaudato per guidare con successo le implementazioni di machine learning. Ecco un riepilogo degli elementi chiave che lo caratterizzano:
- Quando si tratta di dati, e magari di enormi quantità di dati, è importante adottare un approccio rigoroso. Noi proponiamo il “CRISP-DM”, cioè una procedura intersettoriale standard per il data mining. Trattandosi di una metodologia flessibile e utilizzabile in diversi settori, può essere applicata ai casi d’uso più disparati
- Alla metodologia, poi, aggiungiamo la nostra esperienza, offrendo modelli predefiniti e deliverable di progetto per ogni fase del processo di scienza dei dati, al fine di aumentare la produttività e l’allineamento con gli utenti aziendali
- Se non sei del tutto sicuro che il machine learning sia la soluzione che fa al caso tuo, Techedge può fornirti una valutazione chiara e ben definita, per favorire il processo decisionale presentando i potenziali scenari in modo semplice e identificando la disponibilità dei dati e i possibili risultati.
Nei prossimi post su questo argomento affronteremo ciascuna delle sei fasi della scienza dei dati riassunti in precedenza da Goldstein, approfondendo cosa è necessario per portarle a termine una per una con successo. Di seguito, un indice dei blog post di questa serie:
- Il processo di Data Science: definizione del problema
- Il processo di Data Science: la raccolta dei dati grezzi
- Il processo di Data Science: suggerimenti per la qualità, la pulizia e l'archiviazione dei dati
- Il processo di Data Science: l'esplorazione dei dati
- Il processo di Data Science: modelli di Machine Learning in azione
- Il processo di Data Science: 5 consigli per un Data Storytelling efficace
Registrati per rimanere aggiornato sulle ultime novità in area Data Intelligence!
Sei pronto ad implementare una strategia più scientifica e guidata dai dati per le tue attività aziendali? Iscriviti al nostro blog per rimanere aggiornato sulle ultime novità e su molto altro!
