Predictive Analytics: definizione ed esempi

Fare previsioni precise sul futuro con l’aiuto di metodi matematici è un’ambizione audace che pare però essere ormai talmente tanto vicina da essere a portata di mano, con la Predictive Analytics, o meglio in italiano con l’analisi predittiva. Questa metodologia di analisi dei dati è un sottosettore della Big Data Analysis, ovvero l’analisi dei cosiddetti Big Data. L’analisi predittiva mira a fare una previsione sui futuri trend in discipline come la scienza, il marketing, il settore della finanza o quello assicurativo.

L’elemento più importante di questo metodo di analisi è il cosiddetto modello predittivo. Con questo termine si intende una persona o un’unità che viene misurata per riuscire a predire un possibile comportamento futuro. Un esempio concreto sarebbe ad esempio il caso di una polizza assicurativa, i potenziali fattori per il calcolo del rischio del proprietario di una vettura vengono anticipati, tra questi potrebbero essere presi in considerazione i più rilevanti come l’esperienza del guidatore, l’età e la condizione di salute dell’interessato. Dalla somma di questi fattori può essere calcolato il possibile rischio di incidenti e conseguentemente l’ammontare della polizza assicurativa, tutto questo grazie all’analisi predittiva.

In effetti il concetto Predictive Analytics viene spesso utilizzato come sinonimo per Data Mining. Spesso succede che i metodi del Data Mining giocano un ruolo fondamentale nel processo di rilevamento e di identificazione degli approcci dell’analisi predittiva. La Predictive Analytics perfeziona tuttavia il funzionamento del Data Mining, tenendo conto anche di altre tecniche. In questo modo, anche elementi della teoria dei giochi e l’apprendimento automatizzato delle macchine giocano un ruolo importante. Di conseguenza nell’implementazione della Prediction Analytics vengono utilizzati dei processi di analisi specifici, che si basano su algoritmi complessi, per cercare di ottenere un modello riconoscibile da quello che parrebbero essere i tanti, sconclusionati, e apparentemente scollegati, post sui vari social media e gli articoli di blog.

Per capire più precisamente il funzionamento delle analisi predittive, è importante avere una visione d’insieme sui concetti in uso nell’analisi dei Big Data e del Data Mining:

• Analisi della regressione: vengono identificate le interazioni tra le diverse variabili dipendenti e indipendenti. Ad esempio la vendita dipende dal prezzo del prodotto e dalla solvibilità dei clienti;

• Clustering: attraverso la segmentazione dei dati, i potenziali clienti possono essere divisi in categorie in base al reddito o a fattori simili;

• Analisi delle associazioni: l’obiettivo è quello di dimostrare la presenza di strutture tra quelle variabili che riconducono a un risultato identico. Conseguentemente è possibile trarre conclusioni sui possibili comportamenti dei clienti e, nella migliore delle ipotesi, prevedere gli acquisti futuri. Se un cliente ad esempio è interessato in un paio di scarpe, potrebbe essere che sia anche interessato all’acquisto di una scarpiera.

Il riconoscimento dei modelli predittivi nelle banche dati ricorda un po’ le capacità interpretative del cervello umano, sebbene l’analisi dei Big Data, dal punto di vista della complessità delle operazioni, le superi di gran lunga. Effettivamente c’è un parallelo tra le strutture adoperate per il Data Mining e le connessioni neuronali del cervello umano, poiché anche la rete artificiale è capace di identificare determinati schemi e di memorizzarli, dopo alcuni passaggi. Di conseguenza si può stabilire che il Data Mining sia strutturalmente imparentato con la AI, ovvero l’intelligenza artificiale o anche apprendimento automatico, dato che i software apprendono quasi autonomamente grazie alle nozioni memorizzate e acquisiscono nuove informazioni in base agli schemi immessi e sviluppati.

A questo riguardo sussiste una differenza importante tra il Data Mining e la Prediction Analytics. Il Data Mining convenzionale ha principalmente come scopo quello di mostrare gli schemi strutturali contenuti all’interno delle informazioni e dei cluster presenti. Il focus su una rielaborazione quasi autodidatta dei calcoli, svolta progressivamente sul database, è tuttavia una caratteristica dell’apprendimento automatico che gioca un ruolo decisivo nel definire che cos’è l’analisi predittiva. Dall’enorme mole di dati a disposizione, gli algoritmi esistenti devono combinare le informazioni e trarre nuove conclusioni, al fine di riuscire da soli a pronosticare riguardo ad esempio al comportamento degli utenti, per mezzo delle previsioni. Questo processo di rilevamento viene denominato come Smart Customer Data.

L’inclusione della Predictive Analytics si è già affermata in svariati campi. Oltre alle aziende high tech operanti nell’ambito scientifico, anche il sistema sanitario ha già adottato questo metodo per la predizione del decorso delle malattie. Un settore di utilizzo prominente è anche quello energetico, dove alla rete elettrica intelligente del futuro è stato dato il nome di “Smart Grid”. Questa rete permette di prevedere il consumo energetico sulla base di modelli di comportamento dei clienti archiviati (Smart Customer Data), al fine di regolare esattamente l’alimentazione dell’energia idroelettrica e di quella eolica.

Come esempio ulteriore può essere menzionato quello del cosiddetto Predictive Maintenance, dove vengono archiviati i dati attuali di un macchinario in funzione, per riuscire così a determinare anzitempo la relativa sollecitazione e usura. In questo modo è possibile identificare velocemente le vulnerabilità all’interno di una catena produttiva e porvi rimedio prima che si verifichi il peggio, ed evitando quindi che si verifichi il blocco dell’intera catena di produzione.

L’analisi predittiva può essere meglio impiegata laddove vi sono svariati pacchetti di dati, possibilmente di grandi dimensioni e ben ripuliti da tutti quei dati superflui o fuorvianti. Tutti i pacchetti di dati vengono perciò integrati nell’analisi, rendendo così il risultato tanto più preciso, quanti più saranno i dati a disposizione provenienti dai vari settori. La maggior parte delle imprese utilizzano l’effetto sinergia che consiste nell’estendere la propria struttura di business intelligence già presente con le funzioni dell’analisi predittiva. Tra i tool più popolari per l’utilizzo della Predictive Analytics vi sono:

• Alpine Data Labs
• Alteryx
• Angoss KnowledgeSTUDIO
• BIRT Analytics
• IBM SPSS Statistics and IBM SPSS Modeler
• KXEN Modeler
• Mathematica
• MATLAB

Il prossimo passo dell’analisi dei dati è la Prescriptive Analytics o analisi prescrittiva. Questo metodo parte proprio da dove l’analisi predittiva incontra i propri limiti: si tenta di interpretare le indicazioni commerciali, così da riuscire a pilotare lo sviluppo di un trend. I migliori scenari possibili diventano così di più facile realizzazione e un determinato corso può essere reindirizzato verso una nuova direzione. Questo modo di procedere viene reso possibile attraverso strutture analitiche che si basano su modelli complessi e simulazioni stocastiche. Come nel caso dell’analisi predittiva, anche qui vale che più grande è il numero delle variabili conosciute e affidabili che si possono implementare in questo modello, più elevate saranno le possibilità che i risultati siano esatti.

Che cos’è l’analisi predittiva o Predictive Analytics? Si tratta di un sottosettore dell’analisi dei Big Data, il quale si contraddistingue per le sue similarità con il Data Mining. Ma in che cosa si differenziano e come funziona esattamente la predizione di analisi mirate? In questo articolo vi forniamo risposte per quel che riguarda questo metodo di analisi, e vi mostriamo dove, quando e con quali tool viene utilizzata l’analisi predittiva.