Guida introduttiva alla predictive analytics

La predictive analytics è il motore di cui un’organizzazione ha bisogno per migliorare il processo decisionale, a prescindere dal settore o dalla funzione in cui opera. Inoltre, implementarla offre un vantaggio competitivo difficile da ottenere altrove.

In questo articolo vediamo cos’è la predictive analytics, esploriamo alcuni esempi del suo impiego e analizziamo come funziona.

Che cos’è la predictive analytics?

Predictive analytics è un termine ombrello che descrive diverse tecniche statistiche e di analisi dei dati, tra cui data mining, predictive modeling e machine learning. Il suo scopo principale è formulare previsioni su risultati, tendenze o eventi sulla base dei pattern e degli insight ricavati da dati storici.

La predictive analytics è la seconda di quattro fasi della capacità analitica di un’organizzazione. Le quattro fasi dell’analisi, in ordine, sono:

1. Descriptive analytics - identificare che cosa è successo in passato
2. Diagnostic analytics - capire perché è successo
3. Predictive analytics - prevedere che cosa succederà
4. Prescriptive analytics - ottimizzare e sperimentare come fare in modo che accada nel modo migliore

Le organizzazioni devono raggiungere queste fasi in quest’ordine, perché solo comprendendo il passato si può prevedere efficacmente il futuro. In questo modo si passa da capire che cosa è successo e perché è successo a prevedere che cosa accadrà. Una fase finale aggiuntiva dell’analisi riguarda sistemi analitici completamente ottimizzati e autonomi che apprendono continuamente nel tempo e sono, di fatto, “intelligenti”.

Il predictive modeling coinvolge due tipi di algoritmi di machine learning: supervisionati e non supervisionati. Gli algoritmi supervisionati servono a prevedere un risultato target e sono gli strumenti principali della predictive analytics. 

Per una guida passo passo all’uso del machine learning nella predictive analytics, dai un’occhiata al nostro tutorial Lyric Analysis.

Esistono due tipi principali di algoritmi supervisionati:

• Modelli di classificazione - servono a prevedere se le osservazioni rientreranno in una determinata categoria o classe. Per esempio, prevedere se un cliente abbandonerà o meno. Tecniche comuni di classificazione includono i decision tree e i modelli di regressione logistica.
• Modelli di regressione - servono a prevedere un valore. Per esempio, prevedere il click-through rate di un annuncio pubblicitario. Metodi comuni per prevedere valori di questo tipo sono la retta di regressione e i modelli di regressione polinomiale.

Gli algoritmi non supervisionati, invece, non fanno previsioni, ma cercano di individuare pattern nei dati che possano poi essere usati per etichettare o raggruppare punti dati simili. Uno degli algoritmi non supervisionati più diffusi è, ad esempio, il k-means clustering, in cui punti dati simili, come i clienti, vengono raggruppati in cluster.

La predictive analytics può includere anche altre tecniche statistiche e di data mining per individuare tendenze attuali, fare previsioni e stimare risultati. Più avanti in questo articolo vedremo alcuni esempi specifici di come le organizzazioni possano utilizzarla.

Prescriptive vs predictive analytics

La prescriptive analytics è la terza fase della capacità analitica di un’organizzazione e si basa sui modelli predittivi creati nella fase precedente.

Mentre la predictive analytics ci dice perché sta accadendo qualcosa e che cosa potrebbe accadere dopo, nella prescriptive analytics l’obiettivo è ottimizzare e sperimentare con i modelli già costruiti. Risponde alle domande “what if” e ti permette di procedere con lo scenario migliore possibile sulla base delle informazioni ottenute da esperimenti e simulazioni.

Jeff Bezos, CEO di Amazon, ha affermato: "Il nostro successo in Amazon è funzione del numero di esperimenti che facciamo all’anno, al mese, alla settimana, al giorno."

Svolgere esperimenti su tutti gli aspetti dei processi e dei progetti analitici è un requisito chiave per una prescriptive analytics di successo.

Esempi di predictive analytics

La predictive analytics trasforma i punti dati in insight preziosi che possono guidare e informare molteplici aspetti di un’organizzazione. 

Ecco solo alcuni esempi di come le organizzazioni possono sfruttarla:

Previsione dei KPI finanziari 

Prevedere metriche finanziarie chiave come ricavi, spese e inventario consente di prendere decisioni più efficaci e informate, basate su fatti e dati anziché solo sull’intuizione.

Rilevare e ridurre le frodi nel banking

Una delle situazioni più costose e dannose per una banca sono le attività fraudolente. La predictive analytics può aiutare a individuare anomalie e vulnerabilità che possono indicare frodi, così da consentire alle istituzioni di intervenire rapidamente.

Prevedere il rischio di insolvenza di un cliente 

Concedere prestiti comporta un rischio intrinseco per istituti assicurativi e finanziari. Utilizzare modelli predittivi per stimare la probabilità che un cliente non ripaghi un prestito è il modo migliore per ridurre significativamente questo rischio.

Prevedere il turnover dei dipendenti

La predictive analytics può migliorare la gestione delle risorse umane prevedendo il turnover. Ciò include anticipare i fabbisogni futuri di assunzione e individuare il momento giusto per incentivare i dipendenti.

Capire il comportamento d’acquisto dei clienti

Le organizzazioni possono aumentare vendite e tassi di conversione scoprendo i pattern dietro gli acquisti dei clienti ed esplorando le ragioni dei loro comportamenti d’acquisto. Puoi usare customer analytics e A/B testing in Python per comprenderli. 

Targettizzare le campagne marketing sui clienti giusti

Le aziende possono aumentare i click-through degli annunci e, più in generale, le conversioni delle campagne marketing, raggiungendo i clienti giusti al momento giusto. Per approfondire l’applicazione della predictive analytics al marketing, dai un’occhiata al corso di DataCamp su come prevedere il churn dei clienti in Python.

Ridurre gli sprechi nella manifattura

La predictive analytics può aiutare la tua organizzazione a capire i fattori che generano sprechi in produzione, così da intervenire nei punti giusti. Usare modelli predittivi per comprendere questi fattori può portare a notevoli risparmi di costo.

Come funziona la predictive analytics?

Esistono molti strumenti diversi per la predictive analytics. La scelta dipende dallo scopo dell’analisi: da strumenti di business intelligence e visualizzazione come Tableau e Power BI a linguaggi di programmazione complessi come R e Python.

Per un’introduzione alla predictive analytics in Python, vedi il nostro corso Introduction to Predictive Analytics in Python. Se conosci già Python o la predictive analytics, puoi esplorare il corso Intermediate Predictive Analytics in Python.

La maggior parte dei progetti di predictive analytics segue workflow e processi simili. In questa sezione analizziamo alcuni dei passaggi principali più comuni in un progetto.

Obiettivo

Ogni progetto di predictive analytics dovrebbe iniziare comprendendo l’obiettivo, identificando il problema e scegliendo la soluzione migliore.

Questi progetti mirano ad aiutare l’organizzazione a raggiungere i propri obiettivi strategici. Quando l’obiettivo del progetto è collegato a un obiettivo critico per l’organizzazione, è più probabile ottenere il sostegno a tutti i livelli a cui è rilevante. Questo garantisce che il progetto sia non solo utile, ma anche di successo.

Una volta stabilito l’obiettivo del progetto, si arriva naturalmente a un problema chiaro da risolvere, che a sua volta orienta la soluzione necessaria per raggiungerlo.

Dati

I dati possono provenire da varie fonti, come file CSV, database, data warehouse e applicazioni di terze parti. Se non è già stato fatto, queste fonti dovrebbero essere consolidate e gestite in una posizione centralizzata prima di poterle usare per predictive analytics e modellazione. In questo modo i dati sono sicuri e qualità e governance diventano priorità assolute.

Come recita il vecchio adagio dell’analisi dei dati: “garbage in, garbage out”. Cerca di evitare di archiviare tutti i dati in fogli di calcolo. Pur essendo flessibili, i fogli di calcolo possono essere modificati e condivisi facilmente, senza controllo sulla qualità e sulla sicurezza dei dati.

Considera inoltre il volume di dati che hai o che desideri generare in futuro. Senza sistemi di archiviazione e processi adeguati per gestire volumi elevati, costruire modelli predittivi può diventare inutilmente dispendioso e inefficace rispetto ai problemi da risolvere.

Trasformazione

La fase di trasformazione in un progetto di predictive analytics prevede la pulizia, l’esplorazione e la preparazione dei dati per l’analisi o il modello successivo.

Durante la pulizia dei dati, dovresti cercare dati mancanti e outlier o valori sospetti che non hanno senso nel contesto del problema. Questo va di pari passo con l’esplorazione, perché è esplorando i dati che impari a conoscerli e le anomalie diventano più evidenti.

Infine, i dati devono essere preparati per il passaggio successivo. Il processo esatto dipende dall’algoritmo e dal tipo di analisi da eseguire. 

Per esempio, se stai adattando un modello di regressione lineare per prevedere i click-through in una campagna pubblicitaria, devi considerare le assunzioni della regressione lineare e verificare se i dati le soddisfano. È inoltre necessario convertire eventuali variabili categoriche in variabili dummy, noto come one-hot encoding.

Prima di passare alla costruzione del modello predittivo, assicurati di suddividere i dati in set di training, test e validazione. Il modello viene adattato al training set, con cui apprende i pattern nei dati per formulare previsioni. Serve però anche un validation set per iterare e migliorare il modello, e infine ottenere una stima imparziale dell’accuratezza con il test set.

Analisi

Se stai costruendo un modello predittivo con un algoritmo supervisionato relativamente semplice, come la regressione logistica, questo passaggio richiede di adattare il modello e valutarne i risultati. Alcuni algoritmi complessi, come le reti neurali, necessitano invece di un’attenta messa a punto e di aggiustamenti per produrre previsioni accurate.

È importante ricordare che molti modelli predittivi richiedono grandi volumi di dati per generalizzare accuratamente al mondo reale. Se non disponi ancora dei volumi necessari, puoi considerare altre tecniche che consentono di fare previsioni o stime su scala ridotta. Questo dipende anche dal tuo obiettivo e dal problema di business da risolvere e può includere tecniche di data mining e vari metodi statistici.

Deployment

La fase finale di un progetto di predictive analytics è il deployment. È l’output o risultato finale del progetto e rappresenta il mezzo attraverso cui il modello genera valore per l’organizzazione. A seconda del progetto e della soluzione scelta per il problema specifico, questo passaggio può andare da un semplice report o dashboard a deployment complessi su piattaforme esistenti.

Valuta se nella tua organizzazione ci sono competenze sufficienti per deployment più complessi, così da garantire un processo fluido ed efficiente. Ad esempio, investire in almeno un data engineer può fare una grande differenza per il successo del deployment dei modelli.

Conclusioni

L’analisi dei dati, e in particolare la predictive analytics, non è riservata solo a pochi big tech e grandi imprese o a una ristretta cerchia all’interno dell’organizzazione. Oggi le organizzazioni di ogni dimensione usano l’analisi e può essere applicata in quasi tutti i settori. Inoltre, la predictive analytics è ormai una funzione distribuita e gestita da team in tutta l’organizzazione.

La predictive analytics può offrire un vantaggio competitivo notevole a quasi ogni organizzazione. È però fondamentale considerare e comprendere gli elementi che contribuiscono al successo di un progetto di predictive analytics. Questo articolo ha fornito una guida alla predictive analytics, a come applicarla ai problemi di business e al processo su cui si basa.