Che cos’è l’analisi predittiva? La trasformazione dei dati in intuizioni future

Che cos’è l’analisi predittiva

L’analisi predittiva è una categoria della data analytics [in inglese] che si occupa di prevedere risultati futuri sulla base di dati storici e di tecniche quali la modellazione statistica e il machine learning. Per dirla in altre parole, si tratta di una scienza in grado di generare intuizioni future con un notevole grado di precisione. Con l’aiuto di sofisticati strumenti e modelli di analisi predittiva, qualsiasi azienda, oggi, può utilizzare dati passati e attuali per prevedere in modo affidabile tendenze e comportamenti a distanza di millisecondi, giorni o anni.

La predictive analytics ha conquistato il sostegno di un’ampia gamma di realtà aziendali, con un mercato globale di 12,49 miliardi di dollari nel 2022, secondo una ricerca [in inglese] pubblicata da The Insight Partners nell’agosto dello scorso anno. Il rapporto prevede che il mercato raggiungerà i 38 miliardi di dollari entro il 2028, con un tasso composto di crescita annuale (CAGR) di circa il 20,4% dal 2022 al 2028.

La predictive analytics nel mondo del business

L’analisi predittiva trae la sua forza da un’ampia gamma di metodi e di tecnologie, tra cui big data, il data mining, la modellazione statistica, il machine learning e varie tipologie di processi matematici. Le aziende fanno ricorso all’analisi predittiva per setacciare i dati attuali e storici al fine di individuare le tendenze e prevedere gli eventi e le condizioni che dovrebbero verificarsi in un momento specifico, in base ai parametri forniti.

Con la predictive analytics, le imprese possono trovare e sfruttare i modelli contenuti nei dati per individuare rischi e opportunità, i quali possono essere progettati, per esempio, per scoprire le relazioni tra vari fattori di comportamento. Tali modelli consentono di valutare la promessa o il rischio collegato a un particolare insieme di condizioni, guidando un processo decisionale informato in varie categorie di eventi della supply chain e degli approvvigionamenti.

Per avere suggerimenti su come sfruttare in modo efficace le potenzialità dell’analisi predittiva, si veda “7 segreti del successo dell’analisi predittiva” [in inglese].

I vantaggi della predictive analytics

L’analisi predittiva consente di guardare al futuro in modo più preciso e affidabile rispetto a quanto è stato possibile fare con gli strumenti precedenti. Può aiutare gli utenti a trovare modi per risparmiare e per guadagnare. Per esempio, i rivenditori impiegano spesso modelli predittivi per prevedere i requisiti di inventario, gestire i programmi di spedizione, e configurare i layout dei negozi per massimizzare le vendite. Così come, le compagnie aeree sfruttano l’analisi predittiva per stabilire i prezzi dei biglietti che riflettono le tendenze di viaggio passate. Hotel, ristoranti e altri operatori del settore alberghiero fanno ricorso a questa tecnologia per prevedere il numero di ospiti in una determinata notte, al fine di massimizzare l’occupazione dei posti e le entrate economiche.

Ottimizzando le campagne di marketing con l’analisi predittiva [in inglese], le aziende possono anche stimolare gli acquisti da parte di nuovi clienti e promuovere opportunità di cross-selling, aiutandole ad attrarre, mantenere e coltivare i loro clienti più preziosi.

La predictive analytics può essere impiegata anche per individuare e bloccare vari tipi di comportamenti criminali prima che si verifichino danni gravi. Utilizzando l’analisi predittiva per studiare le azioni degli utenti, un’azienda può rilevare attività fuori dall’ordinario, dalle frodi con le carte di credito allo spionaggio aziendale, fino ai cyberattacchi.

I casi d’uso dell’analisi predittiva

Oggi, le aziende sfruttano l’analisi predittiva in un numero praticamente infinito di circostanze. La tecnologia le può aiutare in settori diversi come la finanza, la sanità, la vendita al dettaglio, l’ospitalità, il farmaceutico, l’automotive, l’aerospaziale e la manifattura.

Ecco alcuni modi in cui può essere sfruttata:

• Aerospaziale: prevedere l’impatto di specifiche operazioni di manutenzione sull’affidabilità degli aerei, sul consumo di carburante, sulla disponibilità e sui tempi di attività.
• Automotive: incorporare i dati sull’affidabilità e sui guasti dei componenti nei piani di produzione dei veicoli futuri. Studiare il comportamento dei conducenti per sviluppare migliori tecnologie di assistenza alla guida e, in prospettiva, veicoli autonomi.
• Energia: prevedere i rapporti tra prezzo e domanda a lungo termine. Determinare l’impatto di eventi atmosferici, guasti alle apparecchiature, normative e altre variabili sui costi del servizio.
• Servizi finanziari: sviluppare modelli di rischio relativi al credito. Prevedere le tendenze dei mercati finanziari. Prevedere l’impatto di nuove politiche, leggi e regolamenti su aziende e mercati.
• Produzione: prevedere la localizzazione e la frequenza dei guasti alle macchine. Ottimizzare le consegne di materie prime in base alle proiezioni della domanda futura.
• Forze dell’ordine: utilizzare i dati sull’andamento della criminalità per individuare i quartieri che potrebbero necessitare di maggiore protezione in determinati periodi dell’anno.
• Commercio al dettaglio: seguire un cliente online in tempo reale per stabilire se la fornitura di informazioni aggiuntive sul prodotto o l’introduzione di incentivi aumenterà la probabilità di concludere la transazione.

Esempi di analisi predittiva

Le società di tutti i settori sfruttano l’analisi predittiva per rendere più efficienti i loro servizi, ottimizzare la manutenzione, individuare potenziali minacce e, perfino, salvare vite umane. Ecco tre esempi:

Rolls-Royce ottimizza i programmi di manutenzione e riduce l’impronta di carbonio

Rolls-Royce, uno dei maggiori produttori mondiali di motori aeronautici, ha implementato la predictive analytics [in inglese] per ridurre drasticamente la quantità di carbonio prodotta dai suoi motori, ottimizzando al contempo la manutenzione per aiutare i suoi clienti ad aumentare la longevità dei loro aerei.

DC Water riduce le perdite d’acqua

La District of Columbia Water and Sewer Authority (DC Water) utilizza l’analisi predittiva per ridurre le perdite d’acqua [in inglese] nel proprio sistema. Il suo strumento di punta, Pipe Sleuth, si appoggia a un modello avanzato di rete neurale associato al deep learning per effettuare l’analisi delle immagini di tubi fognari di piccolo diametro, classificarli e quindi creare un rapporto di valutazione delle condizioni.

Con la predictive analytics, PepsiCo trasforma la supply chain

PepsiCo sta trasformando i suoi team di vendita digitale e nel mondo fisico con l’analisi predittiva, al fine di sapere quando un rivenditore sta per esaurire le scorte [in inglese]. L’azienda ha creato la Sales Intelligence Platform, che combina i dati dei rivenditori con quelli della sua supply chain per prevedere l’esaurimento delle scorte e avvisare gli utenti di procedere al ri-assortimento dei prodotti.

Gli strumenti per l’analisi predittiva

Gli strumenti di analisi predittiva offrono agli utenti approfondimenti in tempo reale su una serie quasi infinita di attività aziendali. Questi tool possono essere impiegati per prevedere vari tipi di comportamenti e modelli, come l’allocazione delle risorse in particolari momenti, il rifornimento delle scorte o il momento migliore per lanciare una campagna di marketing, basando le previsioni sull’analisi dei dati raccolti in un determinato periodo di tempo.

Ecco alcune delle principali piattaforme e soluzioni software per l’analisi predittiva [in inglese]:

• Alteryx Analytics Automation Platform
• Amazon SageMaker
• H20 AI Cloud
• IBM SPSS
• RapidMiner
• SAP Analytics Cloud
• SAS Viya
• TIBCO

Per ulteriori informazioni sugli strumenti per l’analisi predittiva, vi suggeriamo di leggere “I migliori 8 strumenti di analisi predittiva” [in inglese].

Modelli di analisi predittiva

I modelli sono la base dell’analisi predittiva, poiché consentono agli utenti di trasformare i dati passati e attuali in intuizioni attuabili, creando risultati positivi a lungo termine. Ecco alcune tipologie di modelli predittivi:

• Customer Lifetime Model: individua i clienti che hanno maggiori probabilità di investire in prodotti e servizi.
• Customer Segmentation Model: raggruppa i clienti in base a caratteristiche e comportamenti di acquisto simili.
• Predictive Manteinance Model: permette di prevedere le probabilità di rottura di apparecchiature essenziali.
• Quality Assurance Model: individua e previene i difetti per evitare problemi e costi aggiuntivi quando si forniscono prodotti o servizi ai clienti.

Tecniche di modellazione predittiva

Chi usa modelli predittivi ha accesso a una gamma pressoché infinita di tecniche di modellazione. Molti metodi si rivolgono a prodotti e servizi specifici, ma c’è un nucleo di tecniche generiche, come gli alberi decisionali, la regressione e le reti neurali, che oggi è ampiamente supportato da numerose piattaforme di predictive analytics.

Gli alberi decisionali, una delle tecniche più diffuse, si basano su un diagramma a forma di albero, appunto, con il quale si può determinare una linea d’azione o mostrare una probabilità statistica. Il metodo di ramificazione può anche evidenziare tutti i possibili risultati di una particolare decisione, oppure come una scelta possa portare a quella successiva.

Le tecniche di regressione sono spesso impiegate nei modelli bancari, di investimento e, in generale, relativi al mondo della finanza. Aiutano gli utenti a prevedere i valori delle attività e a comprendere le relazioni tra le variabili, come le materie prime e i prezzi delle azioni.

All’avanguardia, nelle tecniche di analisi predittiva, ci sono, poi, le reti neurali, algoritmi progettati per identificare le relazioni sottostanti all’interno di un insieme di dati imitando il modo in cui funziona la mente umana.

Algoritmi di analisi predittiva

Chi adotta la predictive analytics ha facile accesso a un’ampia gamma di algoritmi statistici, di data-mining e di machine-learning creati per essere impiegati nei modelli. Generalmente, sono progettati per risolvere un problema aziendale specifico o una serie di problemi, per migliorare un algoritmo esistente o per fornire un tipo di capacità unica.

Gli algoritmi di clustering, per esempio, sono adatti alla segmentazione dei clienti, al rilevamento delle community e ad altre attività di tipo social. Per migliorare la fidelizzazione dei clienti o per sviluppare un sistema di recommendation, si fa ricorso, in genere, agli algoritmi di classificazione. Un algoritmo di regressione viene scelto, tipicamente, per creare un sistema di credit scoring o per prevedere l’esito di molti eventi temporali.

La predictive analytics nel settore sanitario

Le aziende del settore sanitario sono diventate tra le più entusiaste nell’adottare l’analisi predittiva. Per un motivo molto semplice: la tecnologia aiuta a risparmiare.

In questo caso, la sua applicazione può avvenire in diversi modi, tra cui l’allocazione intelligente delle risorse della struttura in base alle tendenze passate, l’ottimizzazione degli orari del personale, l’identificazione dei pazienti a rischio di una costosa riammissione a breve termine, e l’aggiunta di intelligenza all’acquisizione e alla gestione dei farmaci e delle forniture.

Il consorzio sanitario Kaiser Permanente ha sfruttato l’analisi predittiva per creare uno strumento che gestisce il flusso di lavoro ospedaliero [in inglese] per identificare i pazienti dell’unità di cura non intensiva (ICU) che probabilmente andranno incontro a un rapido peggioramento nell’arco delle 12 ore successive. La NorthShore University HealthSystem ha incorporato una soluzione di analisi predittiva [in inglese] nelle cartelle cliniche elettroniche dei pazienti (EMR) che la aiuta a identificare quali, tra coloro che son affetti da dolore toracico, devono essere ricoverati in osservazione e quali possono essere rimandati a casa.

Per un approfondimento, si veda “Analisi dell’assistenza sanitaria: 4 storie di successo” [in inglese].

In che modo un’azienda dovrebbe approcciare l’analisi predittiva

Sebbene iniziare con la predictive analytics non sia un gioco da ragazzi, è un compito che praticamente qualsiasi impresaa può affrontare, a patto che mantenga un impegno nell’approccio e sia disposta a investire il tempo e i fondi necessari per avviare il progetto. Iniziare con un progetto pilota su scala limitata in un’area critica dell’azienda è un modo eccellente per limitare i costi di avvio e ridurre al minimo il tempo necessario per ottenere i primi risultati finanziari. Una volta che il modello è stato messo in atto, in genere richiede poca manutenzione e continua a produrre informazioni utili per molti anni.

Per un approfondimento, si veda: “Come iniziare con l’analisi predittiva” [in inglese].

I salari delle professioni nel campo dell’analisi predittiva

Ecco alcuni dei titoli di lavoro più popolari relativi all’analisi predittiva e lo stipendio medio per ciascuna posizione, secondo i dati di PayScale (in dollari americani).

• Analytics manager: da $72.000 a $134.000
• Director of analytics: da $84.000 a $179.000
• Business analyst: da $49.000 a $87.000
• Chief data scientist: da $133.000 a $290.000
• Data analyst: da $46.000 a $89.000
• Data scientist: da $70.000 a $137.000