Analisi predittiva: 5 modi per usarla a tuo vantaggio

Per tradurre il concetto in termini concreti, immagina di essere un responsabile delle risorse umane incaricato di assumere persone che scrivano codice per il reparto IT della tua azienda. In base alla tua esperienza, alcuni istituti universitari formano laureati che ottengono risultati migliori in questo tipo di lavoro. Così selezioni i candidati cercando parole chiave come "CalTech", "MIT" o "University of California Berkeley". In modo molto semplice, hai appena applicato la tua analisi predittiva per stabilire una connessione significativa tra l'università frequentata da un candidato e il rendimento che potrebbe avere nella tua azienda.

Per gestire associazioni più complesse avrai bisogno di una notevole potenza di calcolo e di buoni algoritmi di apprendimento automatico. Supponiamo che i tuoi dati sulle vendite passate indichino che la tua azienda vende più fuochi d'artificio nelle settimane che precedono Capodanno e il 4 luglio, mentre la tua filiale vende grandi quantità di tacchino a novembre, subito prima del Giorno del Ringraziamento. In un'altra associazione piuttosto evidente, puoi prevedere in anticipo l'andamento delle vendite di fuochi d'artificio e tacchino semplicemente sulla base delle prestazioni passate e della data del calendario.

Portare l'analisi a un livello superiore

Proseguendo, potresti avere esperienza nel lancio di marchi sui social media, ma le tue prestazioni passate sono state altalenanti e deludenti. Utilizzando strumenti di marketing con modelli avanzati di analisi predittiva, la tua analisi dei dati mostra che i messaggi del marchio si diffondono bene da Twitter a Instagram, ma raramente percorrono la direzione opposta. In questo caso, potresti sviluppare indicazioni operative come iniziare sempre una campagna su Twitter o ampliare il tuo seguito su Instagram per ottenere prestazioni migliori. 

Finora abbiamo visto alcuni modi molto semplici per prevedere eventi futuri utilizzando metodi di analisi predittiva estremamente semplici, ma le possibilità possono spingersi molto oltre. Il tuo punteggio di credito FICO è una forma di analisi predittiva. Esaminando la tua cronologia dei pagamenti puntuali, il credito disponibile, l'utilizzo attuale del credito e diversi altri fattori, il punteggio FICO prevede con un elevato grado di accuratezza quanto sia probabile che tu non riesca a pagare i tuoi debiti. Può persino considerare il numero di verifiche del credito a cui sei stato sottoposto negli ultimi 2 anni per determinare se stai cercando disperatamente di ottenere proroghe del credito, un segnale di possibili problemi futuri.

Tornando all'ambiente di lavoro, potresti essere un responsabile del controllo qualità il cui compito è mantenere le macchine in funzione. Ogni periodo di inattività potrebbe costare denaro alla tua azienda, quindi devi prevedere quando e dove è probabile che si verifichino i guasti. Il tuo apprendimento automatico esamina anni di dati passati e stabilisce che i guasti si verificano quando un componente critico si usura, cosa che accade più rapidamente quando la temperatura di esercizio è elevata. L'indicazione operativa in questo caso è far funzionare le macchine a un'intensità inferiore oppure investire in un sistema di raffreddamento più grande per mantenere basse le temperature, ridurre l'usura dei componenti critici e prolungare la vita delle macchine, risparmiando potenzialmente milioni di dollari.

Analisi predittiva e analisi dei dati

Ora che hai un quadro generale dell'analisi predittiva, ecco cosa non è. O meglio, ecco la linea di demarcazione tra l'analisi predittiva e altri concetti correlati con cui può essere facilmente confusa.

Innanzitutto, l'analisi predittiva non è la stessa cosa della più ampia analisi dei dati. Sarebbe corretto dire che è un sottoinsieme dell'analisi dei dati, che si concentra su un insieme limitato di strumenti per sviluppare modelli orientati al futuro. Gli altri tipi di analisi dei dati sono:

• Analisi descrittiva: una rappresentazione accurata e organizzata razionalmente di ciò che è accaduto in passato, presentata in modo comprensibile
• Analisi diagnostica: capire perché le cose sono accadute in quel modo in passato, idealmente per ottenere informazioni utili ai successivi modelli predittivi
• Analisi prescrittiva: indicazioni operative su come procedere da questo momento in poi e una serie di istruzioni su cosa fare (e cosa non fare) mentre si lavora per raggiungere un obiettivo

Non esistono linee di demarcazione nette e chiare tra questi tipi di analisi dei dati, e ciascuno di essi può fornire informazioni utili agli altri. Un approccio davvero efficace all'analisi utilizza tutti questi tipi nel loro ruolo appropriato per costruire modelli solidi di comprensione di questioni complesse.

Analisi descrittiva

Per esempio, potresti essere un ingegnere che sta cercando di progettare un'auto più sicura. Avrai bisogno di enormi quantità di dati analitici descrittivi relativi agli incidenti passati, comprese le segnalazioni degli infortuni, per sviluppare un modello del modo in cui le auto si rompono. Il quadro che ne ricavi potrebbe rivelare che le vittime degli incidenti riportano spesso lesioni al collo. Questa è una descrizione di dati grezzi, presentata in un formato leggibile, ma devi andare oltre per comprenderne il significato.

Analisi diagnostica

Quindi sai che negli incidenti automobilistici si verificano molte lesioni al collo. Il passo successivo, l'analisi diagnostica, ti spiega il perché. A quanto pare, molte persone sbattono la testa contro i parabrezza o subiscono un movimento di contraccolpo del collo. A volte, durante un incidente, un oggetto pesante le colpisce da dietro, causando le lesioni che stai osservando.

Unisciti alla comunità

Unisciti alla community CMO per accedere a contenuti esclusivi, modelli pratici, eventi riservati ai membri e approfondimenti settimanali sulla leadership—l’iscrizione è gratuita.

Create Free Account

Have an account? Log In

Analisi prescrittiva

Nella terza fase, l'analisi prescrittiva, sviluppi una serie di suggerimenti su come prevenire le lesioni al collo negli incidenti automobilistici.

Potresti pensare di progettare l'auto in modo che non si muova finché il conducente non indossa un tutore per il collo. Potresti costruire una gabbia di sicurezza intorno alla testa del conducente, realizzata con una pesante schermatura di piombo. Potresti installare un sedile eiettabile automatico che rilevi i problemi e faccia fuoriuscire il conducente al primo segnale di pericolo. E così via. In questa fase non esistono idee sbagliate, ma solo idee.

Il tuo lavoro prende davvero forma nella fase di analisi predittiva. Eseguendo modelli basati sulle prestazioni passate, scopri che i proprietari di auto si irritano per i dispositivi di sicurezza invasivi e probabilmente disattiverebbero i tutori per il collo, rendendoli quindi inutilizzabili. Aggiungere peso con le schermature e ridurre il campo visivo dei conducenti si rivelano controproducenti. I dati passati del settore aerospaziale indicano che i sedili eiettabili automatici sono generalmente una pessima idea.

Tuttavia, nella lista ci sono alcune idee promettenti, come rivela la tua analisi predittiva:

• Le cinture di sicurezza sono un modo economico per mantenere le persone ferme durante un incidente.
• Gli airbag attutiscono l'impatto dei corpi in movimento.
• I vetri di sicurezza si rompono facilmente, riducendo le lesioni alla testa e al collo.
• I sistemi anticollisione riducono innanzitutto il rischio di un incidente.

Quindi integri queste idee ragionevoli nel tuo progetto aggiornato, che secondo la tua analisi produrrà i risultati migliori in rapporto al denaro speso. Il ciclo si ripete, mentre una nuova generazione di auto più sicure viene prodotta, rimane coinvolta in incidenti e genera altri dati da analizzare, rendendo le auto sempre più sicure in futuro.

Tipi comuni di modelli predittivi

Fin qui tutto bene, ma quali sono esattamente gli strumenti dell'analisi predittiva? Come funziona? Che cosa fanno realmente l'intelligenza artificiale, l'apprendimento automatico e tutti gli altri strumenti?

Beh, esistono quattro modelli di base per questo tipo di analisi. Piattaforme diverse ne utilizzano alcuni o tutti, e il loro impiego dipende davvero dal contesto. Ecco una breve panoramica dei diversi tipi.

Modello di classificazione

La classificazione potrebbe essere definita altrettanto facilmente segmentazione. Questo approccio suddivide grandi insiemi di dati in gruppi con relazioni significative. Se ti sei mai avvicinato a un progetto di ricerca di mercato, conosci la segmentazione demografica. Se hai provato a fare marketing di skateboard rivolto agli anziani, hai già imparato quanto possano essere importanti alcune classificazioni.

I modelli specifici per una classificazione accurata includono l'analisi di regressione logistica, gli alberi decisionali, le foreste casuali, le reti neurali e l'analisi di Naïve Bayes.

Modello di previsione

La previsione è uno degli approcci più utilizzati, in parte perché è molto versatile e in parte per la sua capacità di attribuire valori numerici in tempo reale a fenomeni storici complessi e privi di valori numerici.

Ad esempio, puoi utilizzare la cronologia dei lanci di prodotti del tuo marchio per prevedere il traffico web nel giorno in cui lanci una campagna. Utilizzando questo numero, avvisi il tuo provider di hosting e chiedi una larghezza di banda aggiuntiva. Di conseguenza, ricevi una quantità enorme di traffico, il tuo sito non va in crash e le vendite sono solide.

Modello di raggruppamento

I modelli di raggruppamento sono davvero potenti e la diffusione degli algoritmi di apprendimento profondo li ha resi sorprendentemente efficaci. Funzionano individuando correlazioni tra elementi del mondo reale, confrontandoli con altri elementi e facendo quindi previsioni basate sulle associazioni.

Ad esempio, il tuo modello di raggruppamento potrebbe notare che le persone che acquistano pannolini, latte in polvere, mobili per la cameretta e seggioloni hanno una probabilità molto elevata di acquistare anche un'assicurazione sanitaria e materiale scolastico nel prossimo futuro. Conservando queste informazioni, esse possono diventare la base di una proposta commerciale efficace rivolta a queste persone anche a 18 anni di distanza, quando un cliente si occuperà della commercializzazione di prestiti per studenti.

Come avrai intuito, esistono molti di questi modelli. Tra gli algoritmi di raggruppamento più comuni figurano il raggruppamento k-means, il raggruppamento mean-shift, il raggruppamento spaziale basato sulla densità di applicazioni con rumore (DBSCAN), il raggruppamento expectation-maximization (EM) mediante modelli di miscela gaussiana (GMM) e il raggruppamento gerarchico.

Modelli di serie temporali

Probabilmente, i primi analisti delle serie temporali furono i cacciatori-raccoglitori che notarono la migrazione degli animali con il cambiare delle stagioni. Questo approccio segue i cicli per prevedere gli eventi futuri.

L'esempio precedente sull'aumento delle vendite di tacchini a novembre è un esempio di analisi delle serie temporali. Tra i tipi specifici di modelli che si potrebbero utilizzare rientrano i modelli autoregressivi (AR), a media mobile (MA), ARMA e ARIMA. 

3 vantaggi della modellazione predittiva

Si potrebbe dire molto su questi modelli predittivi e sul modo in cui aiutano a prendere decisioni. Per avere un quadro più chiaro, ecco tre ambiti in cui è possibile applicare i modelli per ottenere risultati eccellenti.

Sicurezza e riduzione dei rischi

La sicurezza consiste soprattutto nel prevedere i comportamenti delle persone e nel tenerne conto in anticipo. Le serrature delle porte prevedono che, prima o poi, qualcuno proverà a girare le maniglie. Le tracce di controllo forensi prevedono che qualcuno tenterà di appropriarsi indebitamente di denaro.

Nel marketing, i dati storici potrebbero suggerire che le fughe di informazioni sono più comuni con i fornitori di terze parti. Si decide quindi di trattenere le informazioni fino alle date di lancio dei prodotti o persino di segmentarle per mantenerle al sicuro.

Efficienza operativa

Gli strumenti predittivi possono migliorare notevolmente l'efficienza operativa aiutando a prevedere la domanda. Se il tuo centro di assistenza telefonica è molto impegnato al mattino presto e nel tardo pomeriggio, ma deserto in tutti gli altri momenti, disponi di dati che ti aiutano a programmare i turni.

Portare il personale a ore durante i periodi di punta e poi ridurre l'organico quando nessuno chiama permette di destinare le risorse esattamente dove servono e nei momenti giusti, invece di avere troppo poco personale nelle ore di maggiore affluenza e personale in eccesso quando c'è calma.

Miglioramento del processo decisionale

Questo è l'aspetto più importante. In effetti, ci si rivolge all'analisi predittiva per ottenere una sorta di codice risolutivo per le prestazioni future. Pensa ancora ai punteggi FICO. Dovresti concedere credito a una persona ad alto rischio di insolvenza con un punteggio basso? Dovresti rifiutarti di inviare una nuova carta di credito a qualcuno con un punteggio di 790? Il modello analitico aiuta a prevedere i risultati futuri sulla base delle prestazioni passate.

5 modi per utilizzare l'analisi predittiva a proprio vantaggio

Segmentazione dei clienti e del pubblico

Sai già che i tuoi clienti sono diversi tra loro, ma tendono a raggrupparsi in gruppi che i grandi insiemi di dati rendono visibili. L'estrazione di dati ha una cattiva reputazione, ma è il primo passo per costruire raggruppamenti sensati sui quali fare generalizzazioni e a cui rivolgersi in modo più efficiente.

Acquisizione di nuovi clienti

Acquisire nuovi clienti è fantastico e la capacità di farlo in modo affidabile con le proprie campagne di marketing offre al marchio un vantaggio competitivo. Tecniche come i modelli di regressione lineare aiutano a perfezionare i flussi di lavoro e a ottenere il massimo dalle campagne di acquisizione di nuovi clienti.

More Articles

• 18 Vantaggi del Software di Marketing Digitale che Generano Risultati Migliori
• Che cos’è un flusso di lavoro di marketing?
• Quanto Costa il Software di Marketing SaaS?

Valutazione dei contatti potenziali

Separare il grano dal loglio è una parte importante dell'analisi dei dati aziendali, soprattutto nella valutazione dei contatti potenziali e nello sviluppo di un nuovo seguito. La modellazione della propensione mostra dove è probabile che il pubblico ti segua e quali potenziali clienti sono più promettenti.

Consigli sui contenuti e sugli annunci

Gli annunci possono essere fastidiosi se non sono desiderati o se promuovono prodotti di cui l'utente non ha bisogno. Il filtraggio collaborativo elimina ciò che risulta molesto e rende molto più probabile che i messaggi pubblicitari raggiungano il destinatario.

Personalizzazione delle esperienze dei clienti

Che tu sia un rivenditore, operi nel settore dei servizi finanziari o ti occupi di previsioni meteorologiche per aziende di spedizioni, la segmentazione automatizzata ti aiuta a selezionare tutti i risultati che potresti generare e a offrire un'esperienza personalizzata a ogni persona con cui interagisci. Si tratta di ottimizzazione a livello personale, con il potenziale di produrre il maggiore impatto sul marketing, poiché crea una connessione personale con ogni persona con cui il tuo marchio interagisce.

Verso il futuro

Abbiamo esaminato molti aspetti, ma ora dovresti avere una conoscenza molto più approfondita dei vantaggi dei software di analisi del marketing e del modo in cui possono aiutare con l'analisi predittiva. Se cerchi ulteriori informazioni, ne troverai molte altre. Iscriviti al notiziario di The CMO per rimanere aggiornato sugli ultimi consigli, sulle tendenze, sui suggerimenti relativi ai software e altro ancora nel marketing.