Ogni azienda accumula dati a ritmo esponenziale. Transazioni, interazioni con i clienti, log di sistema, email, ticket di supporto: una raccolta continua che riempie, per non dire congestiona, dataset e repository. Eppure, una grande parte di queste informazioni giace in uno stato di “congelamento”, ovvero non viene interrogata e analizzata.
È il controsenso della corsa della data economy: si riconoscono i dati come risorsa strategica, vengono allocati anche importanti budget e risorse per raccoglierli, conservarli, proteggerli per poi però non essere sfruttati nella loro interezza come fonti da cui poter estrarre preziose indicazioni decisionali.
Il Machine Learning fornisce gli strumenti per fare questo salto superando i limiti dell’approccio retrospettivo e descrittivo tradizionale:
- Analisi descrittiva
Dove i report tradizionali mostrano medie e aggregazioni predefinite, il ML scopre pattern nascosti e strutture latenti attraverso clustering e segmentazioni. identifica gruppi naturali di clienti, prodotti o comportamenti senza categorie predefinite e trasforma dataset complessi con centinaia di variabili in sintesi grafiche. Inoltre permette di individuare automaticamente transazioni sospette o comportamenti anomali e relazioni “nascoste” tra prodotti, eventi o comportamenti.
Pensiamo a un’insegna della GD con milioni di transazioni registrate attraverso le carte fedeltà. Un report tradizionale mostrerebbe le categorie più vendute e analizzerebbe gli acquisti per fasce d’età o area geografica predefinite. Ma il clustering potrebbe rivelare, ad esempio, che esiste un segmento di “spesa bimodale”: clienti che alternano sistematicamente due tipologie di acquisto molto diverse. Nella prima settimana del mese riempiono il carrello con prodotti freschi premium, biologico e specialità gastronomiche, mentre dalla terza settimana si concentrano su prodotti a lunga conservazione, a marchio commerciale e sui formati convenienza. Questo pattern non emergerebbe mai guardando solo le medie per reparto o per cliente, perché questi acquirenti attraversano tutte le categorie in modi non lineari.
- Analisi diagnostica
Per un’azienda non è importante solo sapere cosa è accaduto ma anche capire perché. L’analisi diagnostica attraverso il ML permette di identificare quali fattori hanno davvero influenzato un risultato, scomporre fenomeni complessi nelle loro componenti fondamentali e risalire alle cause profonde di problemi ricorrenti.
Quando le vendite calano in una catena di negozi, un dashboard tradizionale mostra dove e quando è avvenuto il calo. Mentre gli algoritmi di ML possono analizzare simultaneamente centinaia di variabili – dalle condizioni meteo alla presenza di competitor nelle vicinanze, dai cambiamenti nel mix di prodotti alle variazioni nel traffico pedonale – e identificare i fattori che realmente hanno causato la contrazione.
- Analisi predittiva
È in quest’ambito che il machine learning mostra la sua capacità più nota, anticipando scenari futuri attraverso previsioni che stimano, per esempio, domanda, vendite, traffico e consumi, oltre al tasso di churn dei clienti più fedeli e la probabilità che certi guasti o rischi finanziari si concretizzino, il tutto con una precisione superiore ai metodi statistici classici.
Se una previsione basata su medie storiche assume che il futuro assomigli al passato in modo lineare, mentre un modello di ML può evidenziare, per esempio, che l’impatto della temperatura sulle vendite di gelato non è costante, ma dipende dal giorno della settimana, dalla presenza di promozioni ma anche di festività o eventi.
- Analisi prescrittiva
Questo livello è il più avanzato dell’analisi predittiva perché non si limita a prevedere cosa accadrà, ma supporta l’azione che ne deve conseguire, attraverso soluzioni di raccomandazione per esempio di prodotti o di comunicazione o di invio di contenuti personalizzati per ogni utente oppure di ottimizzazione in tempo reale dei prezzi, inventari, percorsi di consegna o risorse da allocare in uno store per reparto. In questo ambito rientrano anche i software di decision support che simulano l’impatto di diverse strategie – per esempio di investimento o pricing – e indicano quella ottimale sulla base di KPI predefiniti elaborando dati storici e scenari futuri.
Nel caso di un etailer che deve decidere quale sconto offrire ai clienti alto spendenti, questa tipologia di analisi supportata dal ML non si limita a prevedere la probabilità che un cliente acquisti, ma calcola quale combinazione di prodotti e quale livello di sconto potrebbe massimizzare i risultati di questa campagna, elaborando i dati di numerose variabili, dalla sua sensibilità al prezzo alle loro preferenze storiche, dal tasso di fedeltà ai canali utilizzati.
I quid del Machine Learning
L’utilizzo del machine learning rispetto all’approccio più tradizionale di Business Intelligence va quindi oltre la mera descrizione lineare sfruttando caratteristiche distintive: la capacità di gestire centinaia di variabili e interazioni profonde e di apprendere continuamente dai nuovi dati migliorando nel tempo senza bisogno di riprogrammazione.
A ciò si unisce il vantaggio dell’automazione – queste soluzioni processano volumi enormi di dati e aggiornano gli insight in tempo reale, 24 ore su 24, 365 giorni su 365 – e la profondità di estrazione: gli algoritmi ML sono in grado di scoprire pattern a più livelli che sfuggono all’intuizione umana, rivelando relazioni che non si sarebbe mai pensato di cercare.
Il vantaggio dell’esistente
Il vantaggio di una data strategy non sta solo nell’aggiornare le informazioni, ma soprattutto di sfruttare al massimo quelle esistenti, consentendo non solo di avere un ROI sugli investimenti in termini sia economici sia di valore informativo, ma anche di poter contare su tempi di implementazione più rapidi perché non serve costruire nuove pipeline di raccolta dati e costi inferiori dal momento che si lavora su infrastrutture già esistenti.
Ovviamente la sfida della qualità dei dati rimane, dal momento che molti dataset aziendali soffrono di inconsistenze, valori mancanti, errori di inserimento accumulati nel tempo. Tuttavia anche su questo fronte, il Machine Learning mostra una marcia in più: attraverso tecniche di Data Cleaning automatizzato e Feature Engineering, può rendere infatti utilizzabili anche dataset imperfetti, estraendo segnali significativi dal rumore. Non serve aspettare il Data Lake perfetto per iniziare, si può partire dall’esistente, avviando un percorso più rapido verso una Data Strategy da potenziare nel tempo ma già in grado di generare valore e non solo terabyte “dormienti”.
A cura di Romeo Scaccabarozzi, Amministratore Delegato di Axiante
