Metodologia

Oggi siamo di fronte a quella che viene spesso definita la "Big Data Revolution", un'era in cui la produzione e disponibilità di dati e informazioni non ha nemmeno lontanamente paragone con qualunque altro periodo della storia umana. Dati vengono prodotti ovunque e in qualunque momento, anche durante le normali attività quotidiane che tutti noi conduciamo. Il mondo aziendale è sempre più consapevole dell'importanza di questi dati e di come da essi si possano estrarre informazioni decisive.

Tuttavia, prendere il massimo vantaggio dai dati non è una cosa semplice. I dati di per sé valgono poco. Come disse il matematico Poincare più di un secolo fa "la scienza è fatta di dati, come una casa di mattoni. Ma un insieme di dati è scienza tanto quanto un insieme di mattoni è una casa". Per poter esprimere tutto il loro potenziale, i dati devono essere accompagnati da un adeguato modello, ossia un impianto che teorizzi le relazioni tra le variabili e il loro andamento. E' quando i dati sono accoppiati con il corretto modello che il loro vero valore viene fuori.


COSA SONO

I cosiddetti modelli predittivi sono tutte quelle tecniche che cercano di "interpretare" i dati, scovandone le regolarità e gli andamenti. Allo scopo risulta fondamentale l'utilizzo della statistica: nella quasi totalità degli ambiti le incertezze sono in agguato. Le tecniche statistiche permettono di gestirle e quantificarle. Di più: esse riescono anche ad "estrapolare" gli andamenti, ottenendo quindi previsioni. Un modello predittivo ha proprio questo come fine ultimo, ossia cercare di prevedere razionalmente le grandezze di interesse una volta che si è descritto e modellizzato il dominio delle variabili in gioco.


TIPOLOGIE ED UTILIZZI

Esistono svariate tipologie di modelli predittivi. Con il crescente bisogno dettato dall'enorme produzione di dati, si assiste oggi ad un fiorire continuo di nuove tecniche statistiche e algoritmi che cercano di affrontare le più disparate problematiche. Alla base di tutto c'è sempre la stessa esigenza: la capacità di predire una variabile di interesse.

Supponiamo di dover gestire un magazzino e le sue scorte. Quello che ci interessa sapere potrebbe essere prevedere quanta richiesta di un determinato bene ci sarà nel prossimo futuro. In questo caso, potrebbe essere adatto un modello "regressivo" che formalizzi la richiesta come una funzione, secondo alcuni parametri, di altre variabili, come il periodo temporale, le campagne di marketing e altri fattori.

Se invece vogliamo prevedere il comportamento di un certo profilo, date alcune informazioni disponibili, allora utilizzeremo dei "modelli di classificazione supervisionata": vogliamo prevedere per tempo a quale categoria il profilo appartenga e mettere in campo le azioni più opportune. Problematiche di questo tipo sono comuni nel business. Pensiamo ad esempio al fenomeno del "churn" in cui un'azienda vede parte dei clienti abbandonare i propri servizi per la concorrenza. Come è possibile individuare coloro che cambieranno gestore tempestivamente, in modo da fidelizzarli con offerte adatte? Se si hanno a disposizione altre caratteristiche del profilo di un cliente, si può tentare di trovare quali di esse siano più collegate con il fenomeno di interesse. Algoritmi come Reti Bayesiane, Reti Neurali, Alberi di Classificazione e molti altri permettono di inferire e prevedere la categoria di un profilo imparando da casi noti.

In alcune circostanze si potrebbe essere interessati ad individuare in una certa popolazione se gruppi di essa hanno caratteristiche simili, in modo tale da prevedere comportamenti futuri. A tal proposito, "modelli di classificazione non supervisionata" possono essere applicati. Approcci di questo tipo si sono rilevati estremamente fruttuosi nell'e-commerce, in cui si cercano i gruppi di clienti che sono interessati a prodotti simili: se si caratterizzano correttamente i clienti, si può indirizzare la pubblicità in maniera ottimale. Tra le tecniche che si propongono questo fine vi sono i cosiddetti "k-Means", l'analisi per componenti principali e altri.

Fare previsioni è molto difficile,
specialmente se riguardano il futuro
Niels Bohr

Questo sito web utilizza i cookie per capire come viene utilizzato il sito e per permettere l'accesso all'area riservata. I cookie non permettono di identificare l'utente. I cookie sono salvati sul tuo browser e sono utlizzati per personalizzare la tua esperienza sul nostro sito web. Continuando la navigazione sul nostro sito senza modificare le impostazioni, accetti il nostro utilizzo dei cookie. Comunque potrai modificare le tue impostazioni dei cookie in qualsiasi momento.