Che cos'è e a cosa serve la Predictive Analytics?

Aggiornamento: giu 21

Carlotta Reggioli - Project Manager, W-Mind. Master, Economia e Management @UNINT

Definizione Di Analisi Predittiva


L'analisi predittiva o Predictive Analytics è la pratica di utilizzare statistiche e tecniche di modellizzazione per estrarre informazioni da dei dataset attuali o storici, con lo scopo di prevedere risultati potenziali e trend futuri.



Cos'è l'Analisi Predittiva?


L'analisi predittiva utilizza una varietà di tecniche statistiche, come algoritmi automatizzati di machine learning, deep learning, data mining e intelligenza artificiale, con lo scopo di creare dei modelli predittivi che estraggono informazioni dai dataset, rilevano dei pattern e forniscono un punteggio predittivo per una serie di risultati organizzativi. Esistono tre tipi di tecniche di analisi predittiva: modelli predittivi, modelli descrittivi e modelli decisionali.

Il metodo dell'analisi predittiva inizia con la definizione degli obiettivi business e del dataset da utilizzare, seguita dallo sviluppo di un modello statistico che è predisposto per convalidare le ipotesi ed analizzarle in relazione a dei dati specifici per generare previsioni. Le tecniche di analisi predittiva non sono sempre lineari, infatti, una volta che il modello predittivo è stato sviluppato, utilizzato e ha iniziato a produrre dei risultati azionabili, dei team di data scientist, data analyst, data engineer, statistici, sviluppatori di softwares e business analyst continuano a curare la sua gestione e il suo mantenimento. Una miriade di industrie e settori del mercato utilizzano l'analisi predittiva per trovare dei pattern nei dati e per identificare le opportunità e i rischi.


Come Utilizzare l'Analisi Predittiva


Le tecniche di analisi predittiva possono essere classificate a grandi linee in tecniche di regressione e in tecniche di machine learning. Alcuni esempi di analisi predittiva sono:

Tecniche di Regressione

I modelli di regressione stabiliscono una equazione matematica da usare come modello per rappresentare le interazioni tra le diverse variabili. I software di analisi predittiva si basano per la maggior parte su una serie di modelli di regressione, fra i quali troviamo i modelli di regressione lineare, i modelli di scelta discreta, la regressione logica, la serie storica, l'analisi di sopravvivenza e l'apprendimento dell'albero decisionale.

Machine Learning

Il machine learning è una tecnica di analisi predittiva che riceve degli input di dati, e utilizzando l'analisi statistica riesce a predire gli output, convertendo allo stesso momento gli output in nuovi dati disponibili. Questo processo rende i software di machine learning estremamente attendibili nel predire gli output, senza aver bisogno di essere esplicitamente programmati. Esempi di tecniche di machine learning includono la rete neurale artificiale, il percettrone multistrato, la funzione radiale di base, le macchine a vettori di supporto, il classificatore bayesano e il modello predittivo geospaziale.

Analisi Predittiva vs Modello Predittivo


Un comune malinteso è che l'analisi predittiva e il machine learning siano la stessa cosa. Alcuni pensano invece che l'analisi predittiva sia la disciplina fondamentale e il machine learning la sua estensione. C'è di vero che entrambe queste tecnologie di data science estraggono conclusioni e output significativi da grandi dataset, ma ognuna ha le sue proprie caratteristiche.

Il machine learning è una sotto-categoria dell'Intelligenza artificiale (IA) e dell'analisi predittiva, che permette ai computer di imparare senza essere esplicitamente programmati, grazie a degli algoritmi appositi che ricevono input e utilizzano la statistica per produrre output, convertendo allo stesso momento gli output in nuovi dati disponibili. Il processo del machine learning, gestito da un data analyst o da un data scientist, prevede questi step: identificare e preparare un dataset rilevante per l'analisi, selezionare il tipo di algoritmo da utilizzare, costruire un modello analitico basato sull'algoritmo scelto, revisionare il modello se e quando necessario, e come ultimo step eseguire il modello per generare punteggi e altre utili informazioni.

Gli algoritmi di machine learning sono generalmente divisi in: supervisionati e non supervisionati. Alcuni esempi di machine learning di queste due categorie sono:

  • Albero decisionale: è un modello di apprendimento che utilizza l'osservazione di un oggetto specifico per sviluppare delle ipotesi sul valore dello stesso.

  • Algoritmo di clustering K-means: aggrega un numero specifico di punto dati in un numero specifico di raggruppamento in base a determinate somiglianze comuni.

  • Apprendimento per rinforzo: è un'area del deep learning che prevede la ripetizione dei modelli per tentativi; i tentativi che producono outcome favorevoli vengono riconosciuti mentre quelli che producono outcome non desiderati vengono penalizzati, per insegnare all'algoritmo il processo ottimale da seguire.

Il machine learning e l'analisi predittiva giocano un ruolo fondamentale nelle aziende e nei settori dell'educazione, delle assicurazioni, della gestione degli investimenti e del retail; tuttavia, mentre il machine learning ha la capacità di prendere decisioni in tempo reale senza l'intervento umano, i modelli di analisi predittiva hanno comunque bisogno della figura dell'analista per determinare e verificare le correlazioni tra gli input e i risultati.


La Differenza Tra Analisi Descrittiva e Predittiva


L'analisi descrittiva è la fase preliminare della data analysis, e risponde alla domanda "Che cosa è successo?". L'analisi descrittiva precede l'analisi diagnostica ("Perchè è successo?"), che a sua volta è seguita dall'analisi predittiva ("Che cosa potrebbe succedere nel futuro?") e dall'analisi prescrittiva (una combinazione di analisi descrittiva e analisi predittiva che risponde alla domanda "Come dovremmo reagire a potenziali eventi del futuro?").

Mentre i modelli di analisi predittiva si basano su dati storici per determinare le probabilità che un determinato evento si realizzi nel futuro, i modelli di analisi descrittiva si basano su dati storici per determinare come una unità specifica risponde ad un set di variabili.

L'analisi descrittiva analizza i risultati per capire nella miglior maniera possibile le cause scatenanti degli eventi. L'aggregazione di dati e il data mining sono utilizzati nell'analisi descrittiva per organizzare i dati e identificare dei pattern simili.

Sia l'analisi descrittiva che l'analisi predittiva hanno un ruolo fondamentale nei settori della finanza, manufatturiero e delle attività operative.


La Differenza tra l'Analisi Prescrittiva e l'Analisi Predittiva


L'analisi prescrittiva è una forma più avanzata e astratta del data analytics, che permette agli users di creare scenari ipotetici e di estrapolare dei risultati basati su delle variabili. L'analisi prescrittiva è una combinazione del processo di analisi descrittiva, che fornisce degli insights su "cosa è successo", e il processo di analisi predittiva, "che fornisce degli insight su "cosa potrebbe succedere", e da la possibilità a chi la utilizza di sapere in anticipo cosa succederà, quando succederà e perché succederà.

L'analisi prescrittiva si basa largamente sul machine learning, con lo scopo di inserire continuamente nuovi dati, analizzarli e comprenderli senza aver bisogno dell'intervento umano, allo stesso tempo migliorando l'accuratezza delle previsioni e suggerendo nuovi modi per sfruttare al meglio un'opportunità futura o per mitigare un rischio.

L'analisi prescrittiva valorizza una varietà di settori-- l'industria petrolifera e del gas la utilizzano per prendere decisioni relative ai prezzi e per ottimizzare la manutenzione dei macchinari; l'industria sanitaria la utilizza per ottimizzare la gestione della salute della popolazione; le compagnie aeree la utilizzano per ottimizzare i prezzi dei biglietti.

Alcuni esempi di queste tecniche sono: la simulazione, l'ottimizzazione, l'analisi delle decisioni e la teoria dei giochi.


La Differenza tra la Business Intelligence e l'Analisi Predittiva


La differenza fondamentale tra la business intelligence e l'analisi predittiva risiede nella domanda a cui esse danno risposta: la business intelligence risponde a "Cosa succederà adesso?" e l'analisi predittiva risponde a "Cosa succederà nel futuro?".

L'obiettivo della business intelligence è identificare dei pattern nei dati storici e attuali per far si che le aziende possano trarre le proprie conclusioni dall'analisi dei dati, possano scoprire i propri pattern e prevedere quelli futuri. La business intelligence combina la raccolta e l'archiviazione di dati e la knowledge management con statistica avanzata e strategie di analisi predittiva, per trasformare i dati complessi in informazioni significative e azionabili, che possono essere poi usate per supportare strategie più efficienti e tattiche.

I software di analisi predittiva, che hanno un ruolo complementare in diversi sistemi di business intelligence, costruiscono dei modelli analitici a livello individuale per ogni diverso business e identificano dei comportamenti e delle tendenze che possono essere utilizzate per prevedere la probabilità che si verifichino particolari eventi futuri. La business intelligence ricerca e identifica dei trend a macro livello per eliminare problemi e inefficienze.


Previsione vs Analisi Predittiva


L'analisi predittiva è spesso definita come la pratica di fare previsioni ad un alto livello di granularità, generando probabilità per i singoli elementi organizzativi. Questo la distingue dalla previsione.

Le previsioni si riferiscono a osservazioni out-of-sample, mentre le predizioni si riferiscono alle osservazioni in-sample. I valori previsti sono calcolati per le osservazioni nel campione utilizzato per fare una stima della regressione. Ad ogni modo, la previsione è fatta sugli stessi dati oltre i dati utilizzati per la stima della regressione, quindi i dati sui valori reali della variabile prevista non si trovano nel campione utilizzato per calcolare la regressione.

Come Si Gestiscono gli Outliers nell'Analisi Predittiva?


Un outlier nell'analisi predittiva è un punto dati singolo che sta ad una distanza anomala al di fuori del valore medio, in un campione casuale di una popolazione.

Gli outliers, che variano da lieve a estremo, sono di solito il risultato di disinformazione o di errori nella registrazione o nella misurazione, e a volte indicano metodi imprecisi di raccolta dati. Gli outliers sono una delle insidie più comuni che però l'analisi predittiva può riescire ad evitare utilizzando delle tecniche corrette.

Esiste però un margine di ambiguità- in alcuni casi, l'outlier è chiaramente un errore e va corretto, mentre in altri casi può servire la conoscenza di un analista che deve valutare se l'outlier è un errore o una deviazione naturale. Gli statistici possono comunque mitigare gli effetti di questi utilizzando dei tools di visualizzazione di dati, come i diagrammi a dispersione o i box plot.

Esistono diversi modi di gestire gli outliers nei dati. Le strategie più comuni sono: impostare un filtro nello strumento di collaudo, modificarli o rimuoverli nella fase di post collaudo, cambiare il loro valore, considerare un collocamento soggiacente o condurre un'analisi singola con il solo outlier. Che l'outlier sia escluso o meno, esaminarlo può servire comunque come opportunità per lo sviluppo dell'analisi predittiva.

Vuoi scoprire come convertire i tuoi dati CRM in donazioni utilizzando l'analisi predittiva?

Vuoi scoprire come agire sul Churn Rate per crescere le tue donazioni?

5 visualizzazioni0 commenti