Tipi di data-analytics

Data-analytics: cosa fare con la marea di dati si generano?

Cosa te ne fai di così tanti dati?

Tutti sono d'accordo che dall'analisi dei dati si possa ricavare del valore, per esempio determinare una frode, generare un report sulle prestazioni, capire un trend di mercato, individuare da dove è partito un guasto oppure anticiparlo e fare manutenzione quando il processo lo permette.

Si possono anche fare previsioni e simulare cosa potrebbe accadere se... (analisi di  scenario con approccio "what if..."). La "generazione" di queste informazioni di alto valore richiede un impegno da parte dell'organizzazione e non va dimenticato che sono affette da un certo grado di incertezza.

Analizzando i dati ci sono 4 livelli di valore delle infomazioni che si possono ricavare:

  • analisi descrittive (descriptive analytics): si osservano i dati al fine di rispondere alla domanda “cosa è accaduto”? Si tratta di tradurre i dati generati in formato "grezzo" in ausili grafici facilmente comprensibili dal decisore. Spesso il lavoro svolto in questa fase consente di trasformare i cosiddetti "muri di numeri o di parole" in testi, tabelle, grafici o altro in grado  di sintetizzare il significato e di far emergere le considerazioni più interessanti. Questo è il livello di analisi ritenuto più semplice e, poichè riguarda dei dati riguardanti qualcosa di esistente, non affetto da incertezza.
    Per esempio si possono creare diagrammi che mostrano il fatturato mensile di due anni diversi, disegnare un grafico che mostra il numero di vendite fatto negli ultimi 30 giorni, etc. Attraverso l’analisi dei dati descrivo un fenomeno, un processo, visualizzo cosa è accaduto; l'abilità dell'analista in questo caso risiede nellascelta del metodo migliore di visualizzazione dei dati, nella scelta della loro aggregazione, nello sviluppo di strumenti usabili in grado di trasmettere in modo immediato informazioni complesse.
  • analisi diagnostica (diagnostic analytics): a questo livello di approfondimento l’analisi dei dati raccolti porta a rispondere alla domanda “perché è accaduto”? In questa fase si identificano le prestazioni del passato, limiti, anomalie e cosa è accaduto al superamento di tali limiti; si tenta di capire il motivo per cui un accadimento è avvenuto e si individua il suo impatto.
  • analisi predittiva (predictive analytics): “cosa potrebbe accadere”? Dall’analisi di dataset che insistono su campi molto diversi tra di loro si cerca di individuare algoritmi in grado di descrivere le evoluzioni future di un processo o fenomeno; per esempio si cercano correlazioni tra dataset riguardanti dati di contesto con dataset sui comportamenti delle persone. In questa fase si cerca di scoprire se ci sono dei "pattern" che hanno regolato gli sviluppi del passato estendoli al futuro, arrivando così a definire dei trend di sviluppo, si cerca di suddividere in cluster i dati, di scoprire le eccezioni, etc. Si generano scenari che descrivono gli sviluppi futuri.
  • raccomandazioni e ottimizzazione (prescriptive): “cosa dovrei fare per minimizzare gli aspetti negativi e sfruttare quelli  potenzialmente positivi”? Questo livello è quello che prova a rispondere alla domanda “cosa mi conviene fare”?. E’ la fase più complessa, difficile, costosa e incerta ma al tempo stesso è quella in  grado di produrre le informazioni con il più alto valore. Da questo tipo di analisi arrivano gli algoritmi per raccomandare un prodotto, per ottimizzare le vendite, etc. in questa fase si possono simulare gli effetti di una gamma di scelte; si possono ottenere informazioni che indicano quali siano le scelte migliori da fare per raggiungere  un determinato obiettivo.

Video interessante

 


Commenti