[Gartner] Il futuro degli Analytics: precisi, trasparenti e decisivi

Interessante il webinar di Gartner intitolato The future of Analytics: precise, transparent and decisive (Il Futuro degli Analytics: Precisi, Trasparenti e Decisivi), tenutosi online il 18 giugno scorso.

Si è parlato dei limiti attuali e delle prossime “sfide” degli analytics , che da “semplici” strumenti di monitoraggio del traffico web (web analytics) sono diventati vere e proprie tecnologie di misurazione (business analytics), in grado di prevedere opportunità di business, scoprire le abitudini degli internauti (pagine visitate, ricerche, preferiti, ecc.), monitorare la “visibilità” delle risorse web sulla rete e il loro impatto (buzzing), in grado di costruire “conoscenza”.

Per far sì che gli strumenti di analytics siano efficaci, occorre “scremare” le informazioni carpite dalla rete, fornendo loro soltanto quelle strettamente necessarie. Ad esempio, costruendo vere e proprie “basi di conoscenza”, in cui memorizzare soltanto le informazioni di interesse per il dominio di analisi. Su tali informazioni, un’organizzazione, ad esempio, si può condurre operazioni di sintesi e di analisi per supportare i propri processi decisionali.

Dunque, gli obiettivi degli Analytics sono riassunti da Gartner nei seguenti punti:

  1. Creare sistemi di misurazione e di classificazione precisi ed operativi. Quest’ultima caratteristica è espressa dal termine “actionable“: gli analytics devono essere finalizzati ad una azione o in qualche modo la devono preparare
  2. Far sì che dall’ “esperienza” dei clienti (customer-facing experience), semplicemente monitorandone e valutandone il grado di soddisfazione (customer satisfaction) o il sentiment, si possano costruire Modelli di Business
  3. Supportare il processo decisionale (decision making)

 

Il futuro degli analytics è la precisione: nel 20° secolo, i processi di business furono standardizzati, rendendoli più omogenei per arrivare all’efficienza. Nel 21° secolo, i processi di business saranno personalizzati, diventando più precisi per arrivare all’efficacia. Si ricorda che per efficacia si intende la capacità di raggiungere un determinato obiettivo, mentre per efficienza la capacità di raggiungerlo con la minima allocazione possibile di risorse.

Per raggiungere questa efficacia occorre mettere su un Performance Measurement System, nel quale distinguere una fase “intensiva” ed una “estensiva”. Nella fase intensiva, detta “esecutiva“, si vengono a definire le strategie di business, le metriche e gli obiettivi di ogni metrica. Nella fase estensiva, detta “di integrazione e di analisi“, si integrano i dati (interni ed esterni), si calcolano le metriche, si riportano i valori attuali e gli obiettivi per ogni metrica, per poi esaminare le varianze, gli indicatori e gli impatti dei cambiamenti. L’obiettivo di un sistema siffatto è quello di analizzare i dati, per ottimizzare l’allocazione di risorse (la performance, appunto).

La sfida è di passare dai tradizionali strumenti di Business Intelligence e di Analytics a strumenti in grado di supportare il decision making, per attuare azioni-risposte efficaci in tempo reale.

analytics_1

 

Potremmo definire dei livelli di crescita strutturata per quanto riguarda la “maturità” degli Analytics, visti come tecnologie di supporto alle decisioni di una organizzazione:

  • Livello 1. Caotico: ogni evento che porta ad una decisione viene trattato differentemente. Non vi è uno scambio di feedback tra i processi di business;
  • Livello 2. Ripetibile: alcuni processi che portano ad una decisione vengono condivisi tra gruppi e vi è un minimo scambio di feedback sulle decisioni;
  • Livello 3. Definito: si definiscono processi per il supporto alla decisione all’interno di una organizzazione. Vi è scambio di feedback, ma non vi è alcuna connessione tra i tipi di decisione;
  • Livello 4. Gestito: le decisioni sono collegate da metriche di performance, processi e sistemi di registrazione (link operazionali, decisioni tattiche e strategiche)
  • Livello 5. Ottimizzato: il processo di decisione è continuamente rivisto e migliorato. Il feedback è proattivo tra i diversi tipi di decisione (tecniche ottimizzate di decisione).

 

analytics_2

Ecco i livelli di business analytics in cui ci si muove:

  • Dall’INFORMAZIONE si riesce a capire attualmente cosa succede e perchè; DESCRIPTIVE & DIAGNOSTIC ANALYTICS. Ad esempio, “Chi sono i miei clienti?
  • Dai FORESIGHT (previsioni) si riesce a capire cosa accadrà: PREDICTIVE ANALYTICS. Ad esempio, “A quali clienti potrebbe interessare la mia prossima offerta?”
  • Dalle DECISIONI si riesce a capire cosa fare e come muoversi: PRESCRIPTIVE ANALYTICS. Ad esempio, “Quale offerta fare a ciascun cliente?”

La frontiera finale delle capacità analitiche (Analytic Capabilities) è costituita dal Prescriptive Analytics. L’Analisi prescrittiva è un’area di business analytics (BA) dedicata a trovare le migliori linee d’azione per una data situazione. Mentre l’analisi descrittiva si propone di fornire indicazioni (insight) su ciò che è successo e quella predittiva aiuta a costruire modelli di previsione su quello che potrebbe accadere, l’analisi prescrittiva serve a determinare la soluzione migliore o l’esito tra le varie scelte, dati parametri noti. L’Analisi prescrittiva può anche suggerire opzioni decisionali per il modo di usufruire di una futura opportunità o attenuare un rischio futuro, e illustrare le implicazioni di ciascuna opzione di decisione. In pratica, l’analisi prescrittiva può continuamente e automaticamente processare nuovi dati per migliorare l’accuratezza delle previsioni e per fornire migliori opzioni decisionali.

Le tecnologie di analisi prescrittiva devono essere adattive per prendere in considerazione il Big Data, la velocità e la varietà di dati che i processi mission critical e i loro ambienti produrranno.

In un processo ad alta intensità di lavoro, l’approccio prescrittivo analizza le potenziali decisioni, le interazioni tra le decisioni, le influenze che portano a queste decisioni e produrre, infine, un “corso” ottimale di azioni da eseguire in tempo reale.

Per attuare un PRESCRIPTIVE ANALYTICS, occorre definire ciò che segue:

  • un insieme di azioni (decisioni e non solo predizioni)
  • calcolare i risultati attesi delle opzioni di decisioni alternative (spesso chiamati “decision model“)

analytics_3

 

L’idea è quella di supportare il processo decisionale come segue:

  • si scoprono gli eventi di interesse sulle informazioni
  • tali eventi verranno analizzati ed utilizzati dai processi decisionali per poter attuare delle azioni
  • le azioni svolte sono continuamente valutate, in modo da monitorarne le performance

L’Analisi prescrittiva anticipa non solo che cosa accadrà e quando accadrà, ma anche perché accadrà. Inoltre, suggerisce opzioni di decisione su come approfittare di una futura opportunità o attenuare un rischio futuro e dimostra l’implicazione di ogni opzione. L’Analisi prescrittiva può continuamente e automaticamente prendere nuovi dati per migliorare la precisione di previsione e fornire migliori opzioni decisionali. Essa ingerisce “dati ibridi”, una combinazione di dati strutturati e non strutturati, e regole di business per prevedere quello che ci aspetta e di prescrivere come approfittare di questo futuro predetto senza compromettere le altre priorità.

Progressi nella velocità di calcolo e lo sviluppo di complessi algoritmi matematici applicati ai set di dati (Big Data) hanno reso possibile l’analisi prescrittiva. Tecniche specifiche utilizzate nelle analisi prescrittive comprendono l’ottimizzazione, la simulazione, la teoria dei giochi e metodi di decisione-analisi.

Ecco video di IBM che spiegano il passaggio dal descrittive analytics, ai predicative analytics e prescriptive analytics: http://searchcio.techtarget.com/definition/Prescriptive-analytics

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *


× due = 12