Data analysis: decisioni di business basate sui modelli matematici
La data analysis, o analisi dei dati in italiano, è uno strumento a cui non può rinunciare chi fa impresa. Raccogliere e analizzare i dati, infatti, è il primo passo per capire quali sono le tendenze del momento e provare a comprendere quelli che potrebbero essere gli scenari futuri. L’interpretazione dei dati è offerta da due sistemi diversi: modelli matematici e intelligenze artificiali. Ciascuna soluzione è efficace per i rispettivi campi di azione.
Tuttavia, bisogna chiarire, che questi sono solo strumenti: l’esperienza dei manager è fondamentale per una corretta comprensione dei report analitici. Solo il pensiero critico umano, infatti, è in grado di calare le informazioni nella realtà.
Quali sono i vantaggi e gli ostacoli che pone davanti l’utilizzo di strumenti informatici e matematici? E in che modo possono contribuire a migliorare le prestazioni e i profitti di un’attività? La risposta a queste domande sarà data nei prossimi paragrafi.
Perché la data analysis è importante nei processi decisionali.
Chiunque abbia un’impresa sa che prevedere gli andamenti futuri è un nodo nevralgico nei processi decisionali. Capire come si comporteranno gli acquirenti, come cambieranno i loro gusti e i loro bisogni o, più in generale, avere un’idea di come si trasformerà il mercato è essenziale, Questo è l’unico modo per restare al passo e trovare tempestivamente le soluzioni più adatte.
Analizzare i dati, permette di ottenere delle possibili previsioni in base a eventi accaduti nel passato oppure cogliendo schemi di comportamento anche nel momento stesso in cui sorgono. In sostanza, si tratta di rendere l’esperienza passata misurabile.
L’interesse per la data analysis è molto cresciuto in Italia. Il numero delle imprese che ha deciso di investire in questo settore è notevolmente aumentato negli ultimi anni. Secondo l’ Osservatorio del Politecnico di Milano tra il 2021 e il 2022 la spesa totale dedicata è cresciuta del 20% con un totale di 2,4 miliardi di euro.
Seppur minimo, bisogna ricordare che esiste in questi algoritmi un margine d’errore. Le macchine, infatti, per quanto possano essere sensibili e precise, le loro predizioni possono presentare comunque delle lacune. Proprio per questo le data analysis devono essere usati come strumento al servizio dei manager e non possono sostituire l’esperienza e le capacità umane.
Prendiamo a esempio il periodo pandemico: nessun algoritmo avrebbe potuto prevedere gli eventi che il Covid-19 ha scatenato. Solo le capacità di contestualizzazione possedute da una persona sono state in grado di comprendere che le previsioni erano del tutto falsate.
Il modello matematico-statistico
Quando si parla di sistemi algoritmici predittivi si fa riferimento ai modelli matematico-statistici e alle Intelligenze Artificiali. Questi due strumenti non sono direttamente in competizione tra di loro. Anzi, utilizzare entrambi potrebbe aiutare ad avere un quadro più ampio e chiaro del proprio storico e delle trasformazioni imminenti. Questo è possibile perché ciascun modello ha uno specifico campo d’azione in cui risulta essere particolarmente efficace.
I modelli matematico-statistici sono la soluzione ideale quando non sia hanno molti numeri a disposizione e ci sono poche variabili da tenere in considerazione.
Per esempio, il modello matematico-statistico è lo strumento ideale per il ristoratore che deve prevedere il numero di prenotazioni per la stagione successiva. In questo caso i dati a disposizione sono relativamente pochi e riguardano, per esempio, il numero di prenotazioni nelle diverse stagioni e altre variabili, come i giorni della settimana in cui c’è maggior affluenza. Questi dati, poi, diventano la base delle prossime decisioni, tenendo comunque in considerazione gli imprevisti.
Alcuni imprevisti non calcolabili potrebbero essere gli improvvisi rovesciamenti climatici o anche una recensione negativa che lede l’immagine dell’attività bloccandone le crescita.
Intelligenza artificiale: le potenzialità nella data analysis
Per quanto riguarda le Intelligenze Artificiali, invece, esse si rivelano particolarmente efficaci quando devono essere gestiti molti dati e soprattutto un gran numero di variabili e non solo quelle classiche (come la stagionalità che abbiamo visto nell’esempio precedente).
L’intelligenza artificiale, infatti, è in grado di cogliere anche variabili che non si notano a colpo d’occhio e riesce a riconoscere schemi diversi anche nel momento in cui si stanno formando. Riuscire a capire i cambiamenti in atto è una risorsa di inestimabile valore per chi gestisce un’impresa, perché gli permette di agire in maniera tempestiva e cavalcare il trend del momento. In più, riesce ad anticipare la concorrenza e batterla sul tempo.
Un esempio, in questo caso, può essere fatto per gli e-commerce. Supponiamo che la data analysis con AI rilevi che gli utenti tendono a comprare un particolare prodotto. Il proprietario del negozio online dovrà fare in modo di procurarsi una maggiore quantità di articoli in modo da non ritrovarsi senza scorte e perdere utili.
Oppure, l’Intelligenza Artificiale può capire le abitudini di acquisto dei clienti nel tempo e mostrare, per esempio, i clienti fedeli a cui poter indirizzare offerte speciali. Allo stesso modo, può indicare anche gli acquirenti saltuari: a questo punto, a seconda della strategia che si vuole attuare, si può decidere se provare a fidelizzarli oppure non investire su di loro.
Vantaggi della data analysis
Dai paragrafi precedenti abbiamo avuto modo di cogliere quali vantaggi la data analysis porti a manager e imprenditori e quanto sia rilevante per prendere le decisioni più giuste per il proprio business. Ma volendo ricapitolare potremmo dire che questi si distinguono principalmente in:
- Vantaggi rispetto ai competitors: avere chiari i trend, gli interessi e i bisogni degli acquirenti permette di capire anche quali sono i prodotti o i servizi che potrebbero riscuotere maggior successo, anche rispetto ad altri dello stesso settore.
- Vantaggi predittivi: capire come potranno evolvere le cose è forse il vantaggio principale della data analysis. Anticipare il futuro significa essere pronti ad accoglierlo e farsi trovare preparati a ogni evenienza.
- Vantaggi strategici: grazie a questi dati è possibile creare campagne marketing mirate e perfettamente in target, rendendo l’intera strategia comunicativa più efficace.
- Vantaggi organizzativi: la data analysis consente di capire cosa non funziona del proprio business e dove intervenire. Avendo chiari i punti problematici, chi si occupa della gestione dell’attività può intervenire in modo mirato. Allo stesso tempo può usare i dati per mappare i talenti all’interno dell’azienda e preparare un percorso di carriera per sfruttare al massimo le loro capacità.
Ostacoli ai modelli predittivi algoritmici
Negli ultimi anni gli investimenti sulla data analysis sono notevolmente aumentati eppure ci sono ancora alcuni ostacoli che ne frenano l’espansione.
Le ragioni che fondamentalmente ne limitano la diffusione sono quattro:
- Preparazione del sistema per la raccolta dei dati: il lavoro preliminare all’analisi dei dati è la raccolta di quest’ultimi. Se non si segue un processo meticoloso e puntuale, con la certezza che questi siano corretti e affidabili, le restituzioni successive potrebbero non essere corrette, con un grave danno per l’attività.
- Necessità di conoscenze informatiche e analitiche per la lettura dei dati: se creare algoritmi e intelligenze artificiali per la rielaborazione dei dati è relativamente semplice, leggere i dati riportati non è per tutti. Sono necessarie delle adeguate conoscenze e competenze in ambito analitico e informatico. Altrimenti, non si potrà ottenere una lettura corrispondente alla realtà.
- Capacità decisionali rispetto ai risultati della data analysis: dopo aver letto i dati è necessario interpretarli e decidere poi in base a essi. Più volte è stato detto che i dati di per sé non hanno valore se non vengono calati nel contesto in cui viviamo. In più, non sono un valore aggiunto se non c’è una persona con la giusta esperienza e capacità che riesca a trovarne il potenziale e decidere in base a essi.
- Lentezza nell’elaborazione dei dati. Per quanto oggi le macchine siano diventate notevolmente più veloci, l’elaborazione di una grossa mole di dati potrebbe richiedere diverso tempo, anche giorni. E non tutti sono disposti ad aspettare tanto.
