Analisi Predittiva: 5 Modi per Usarla a Tuo Vantaggio
Non sarebbe fantastico se potessi vedere il futuro? Le persone che hanno responsabilità decisionali possono sentirsi stressate cercando di prevedere i risultati futuri delle loro scelte. È proprio questo il ragionamento alla base dell’analisi predittiva, un metodo che utilizza i dati storici per prevedere gli esiti delle decisioni attuali e proiettarli nel futuro.
Anche se non è del tutto infallibile, l’analisi predittiva può darti un notevole vantaggio quando lavori con dati storici per individuare tendenze e scegliere la strada giusta. Puoi utilizzare questo set di strumenti in svariati ambiti, dal marketing alla selezione del personale fino alla performance del brand nel tempo.
Questo articolo spiega cos’è l’analisi predittiva, come può supportare il tuo approccio di B2B predictive marketing e dove puoi utilizzarla per risolvere problemi gestionali complessi. Alla fine dovresti sentirti a tuo agio con il concetto e pronto a integrare i modelli predittivi nei tuoi consueti processi decisionali. Dovresti anche concludere questo articolo con ottime idee su come utilizzare l’analisi predittiva per rendere il tuo lavoro molto più produttivo e meno stressante.
Want more from The CMO?
Sign up for a free membership to complete reading this article:
Have an account? Log In
Che cos’è l’analisi predittiva?
L’analisi predittiva è un insieme di strumenti per modellare le prestazioni future basandosi su quelle passate. Si tratta di una serie di processi matematici per proiettare le tendenze, a partire dai dati disponibili, sugli esiti che si desidera prevedere. Selezionando i dati storici rilevanti e applicando il giusto insieme di strumenti, puoi prevedere in modo affidabile i risultati delle politiche o iniziative che stai valutando adesso.
Per spiegare concretamente il concetto, immagina di essere un responsabile HR incaricato di assumere persone che scrivano codice per il reparto IT della tua azienda. In base alla tua esperienza, alcune università producono laureati più adatti a questo tipo di lavoro. Così analizzi i candidati alla ricerca di parole chiave come “CalTech”, “MIT” o “University of California Berkeley”. In modo molto semplice, hai appena applicato la tua analisi predittiva collegando la scuola del candidato alla probabilità che abbia successo nella tua azienda.
Per gestire associazioni più complesse ti serviranno potenza di calcolo e buoni algoritmi di machine learning. Ad esempio, se i dati storici delle vendite indicano che la tua azienda vende più fuochi d’artificio nelle settimane precedenti Capodanno e il Quattro di Luglio, ma la filiale vende molti tacchini a novembre, poco prima del Ringraziamento. In un’associazione altrettanto intuitiva, puoi prevedere in anticipo l’andamento delle vendite di fuochi d’artificio e tacchini basandoti sulle prestazioni passate e sulle date a calendario.
Portalo al livello successivo
Andando oltre, potresti avere esperienza nel lancio di brand sui social, ma i risultati passati sono stati incostanti e deludenti. Utilizzando strumenti di marketing con modelli avanzati di analisi predittiva, l’analisi dei dati mostra che i messaggi di brand si diffondono bene da Twitter a Instagram, ma raramente avviene il contrario. In questo caso puoi sviluppare suggerimenti operativi come avviare sempre una campagna su Twitter o lavorare sulla crescita dei follower su Instagram per ottenere risultati migliori.
Finora abbiamo visto alcuni modi molto semplici per prevedere eventi futuri utilizzando metodi base di analisi predittiva, ma si può andare molto oltre. Il tuo punteggio FICO è un esempio di analisi predittiva. Analizzando la tua storia di pagamenti puntuali, il credito disponibile, l’utilizzo attuale e molti altri fattori, il punteggio FICO prevede con un’alta probabilità se sei incline a non pagare i debiti. Può persino tenere conto del numero di richieste di credito negli ultimi 2 anni per determinare se stai cercando disperatamente nuove linee di credito, segno che potresti essere in difficoltà in futuro.
Tornando al lavoro, potresti essere un responsabile QA il cui compito è garantire il funzionamento delle macchine. Qualsiasi fermo macchina potrebbe costare caro all’azienda, quindi devi prevedere quando e dove potrebbero presentarsi i guasti. Il machine learning analizza anni di dati storici e determina che i guasti avvengono quando si usura una parte critica, che si danneggia prima quando la temperatura di esercizio è alta. Il suggerimento operativo in questo caso è far lavorare le macchine a intensità inferiore o investire in un sistema di raffreddamento più grande per tenere basse le temperature, ridurre l’usura dei componenti critici, prolungare la vita delle attrezzature e risparmiare potenzialmente milioni di dollari.
Analisi predittiva vs. analisi dei dati
Ora che hai un quadro generale di cosa sia l’analisi predittiva, ecco cosa non è. O meglio, qui si trova la linea di confine tra l’analisi predittiva e altri concetti affini che possono facilmente essere confusi.
Innanzitutto, l’analisi predittiva non è la stessa cosa dell’analisi dei dati in senso più ampio. È corretto dire che rappresenta una sottocategoria dell’analisi dei dati, focalizzata su un insieme di strumenti limitato per costruire modelli orientati al futuro. Le altre tipologie di analisi dei dati sono:
- Analisi descrittiva: Una rendicontazione accurata e razionalmente organizzata di ciò che è accaduto in passato, presentata in modo comprensibile
- Analisi diagnostica: Capire perché le cose sono andate in un certo modo nel passato, idealmente per ottenere spunti utili per futuri modelli predittivi
- Analisi prescrittiva: Spunti operativi su dove andare da qui in avanti e una serie di istruzioni su cosa fare (e cosa evitare) durante il percorso verso un obiettivo
Non ci sono confini netti fra queste tipologie di analisi dei dati, e ognuna di esse può arricchire le altre. Un approccio veramente efficace all’analisi dei dati le utilizza tutte al momento opportuno per costruire modelli solidi e completi di comprensione delle questioni più complesse.
Analisi Descrittiva
Ad esempio, potresti essere un ingegnere che cerca di progettare un'auto più sicura. Avrai bisogno di una grande quantità di dati analitici descrittivi provenienti da incidenti passati, inclusi i rapporti sulle lesioni, per creare un modello su come le auto si danneggiano. L'immagine che ottieni da questi dati potrebbe rivelare che le vittime di incidenti subiscono frequentemente lesioni al collo. Questa è una descrizione dei dati grezzi, presentata in modo leggibile, ma bisogna andare oltre per capire davvero il senso dei dati.
Analisi Diagnostica
Quindi sai che ci sono molte lesioni al collo negli incidenti automobilistici. Il passo successivo, l'analisi diagnostica, spiega il motivo. Apparentemente molte persone colpiscono la testa contro il parabrezza o subiscono il colpo di frusta avanti e indietro. A volte, un oggetto pesante colpisce la persona da dietro durante l'incidente, causando così le lesioni che hai riscontrato.
Analisi Prescrittiva
Nella terza fase, l'analisi prescrittiva, sviluppi una serie di suggerimenti su come prevenire le lesioni al collo negli incidenti automobilistici.
Potresti considerare di progettare l'auto affinché non si metta in moto finché il conducente non indossa un collare cervicale. Potresti costruire una gabbia di sicurezza intorno alla testa del guidatore fatta di una pesante schermatura di piombo. Potresti installare un sedile eiettabile automatico che rileva dei problemi e lancia il conducente fuori appena percepisce un pericolo. E così via. In questa fase non esistono idee sbagliate, solo idee.
Il vero lavoro inizia qui, nella fase di analisi predittiva. Esaminando i modelli delle prestazioni passate, scopri che i proprietari di auto si infastidiscono per i dispositivi di sicurezza invasivi e probabilmente disattiveranno i collari cervicali, rendendoli inutili. Aggiungere peso per lo schermo protettivo e ridurre il campo visivo dei conducenti risultano controproducenti. I dati storici dell’industria aerospaziale dicono che i sedili eiettabili automatici sono generalmente una cattiva idea.
Ma ci sono alcune idee promettenti tra quelle proposte, che la tua analisi predittiva rivela:
- Le cinture di sicurezza sono un modo economico per mantenere le persone ferme durante un incidente.
- Gli airbag attutiscono il movimento del corpo.
- Il vetro di sicurezza si rompe facilmente, riducendo le lesioni a testa e collo.
- L’evitamento della collisione riduce il rischio stesso di incidente.
Incorpori quindi queste idee ragionevoli nel tuo nuovo design, che secondo le analisi dovrebbe offrire i migliori risultati rispetto al denaro speso. Il ciclo poi si ripete, mentre una nuova generazione di auto più sicure circola, subisce incidenti e genera altri dati su cui lavorare, rendendo le auto progressivamente sempre più sicure nel tempo.
Tipi Comuni di Modelli Predittivi
Tutto ciò fin qui va bene, ma quali sono effettivamente gli strumenti dell’analisi predittiva? Come funziona? Cosa fanno realmente l’intelligenza artificiale, il machine learning e il resto?
Esistono quattro modelli fondamentali per questo tipo di analisi. Diverse piattaforme li utilizzano tutti o solo alcuni, e il loro impiego dipende davvero dal contesto. Di seguito una breve panoramica dei vari tipi.
Modello di Classificazione
La classificazione potrebbe essere chiamata anche segmentazione. Questo approccio suddivide grandi insiemi di dati in gruppi con significative relazioni comuni. Se hai mai lavorato a un progetto di ricerca di mercato, conoscerai già la segmentazione demografica. Se hai provato a vendere skateboard agli anziani, hai già imparato quanto possono essere importanti certe classificazioni.
Modelli specifici per una classificazione accurata includono la regressione logistica, gli alberi decisionali, la random forest, le reti neurali e l’analisi di Naïve Bayes.
Modello di Previsione
La previsione è uno degli approcci più utilizzati, sia per la sua versatilità sia per la capacità di fornire valori numerici in tempo reale a fenomeni storici complessi altrimenti privi di numeri.
Ad esempio, puoi utilizzare la cronologia dei lanci di prodotto sotto il tuo marchio per prevedere il traffico web il giorno del lancio di una campagna. Con questa previsione, chiedi al tuo provider web una larghezza di banda aggiuntiva. Di conseguenza, ricevi molto traffico, il tuo sito non va in crash e le vendite aumentano.
Modello di Clustering
I modelli di clustering sono davvero potenti, e la crescita degli algoritmi di deep learning li ha resi estremamente efficaci. Funzionano rilevando correlazioni tra elementi del mondo reale, confrontandoli con altri elementi e poi facendo previsioni in base alle associazioni riscontrate.
Ad esempio, il tuo modello di clustering potrebbe notare che le persone che acquistano pannolini, latte in polvere, mobili per la cameretta e seggioloni saranno con grande probabilità interessate anche a polizze assicurative sanitarie e materiale scolastico nel prossimo futuro. Mantenendo questa informazione, può diventare la base di una proposta di vendita mirata a questi individui anche fra 18 anni, quando un cliente promuoverà prestiti per studenti.
Come puoi immaginare, esistono numerosi modelli di questo tipo. Gli algoritmi di clustering comuni comprendono il clustering k-means, il mean-shift, il clustering basato su densità per applicazioni con rumore (DBSCAN), il clustering con aspettativa-massimizzazione (EM) con Gaussian Mixture Models (GMM) e il clustering gerarchico.
Modelli a Serie Temporali
Si potrebbe sostenere che i primi analisti delle serie temporali furono i cacciatori-raccoglitori che notarono come gli animali migrassero con le stagioni. Questo approccio segue i cicli per prevedere eventi futuri.
L'esempio sopra menzionato delle vendite di tacchini che aumentano a novembre è un esempio di analisi delle serie temporali. Tipologie specifiche di modelli che potresti utilizzare qui includono autoregressivo (AR), media mobile (MA), ARMA e ARIMA.
3 Vantaggi della Modellizzazione Predittiva
C'è molto da dire su questi modelli predittivi e su come aiutino nella presa di decisioni. Per avere un quadro più chiaro, ecco tre ambiti dove puoi applicare i modelli per ottenere ottimi risultati.
Sicurezza e Riduzione del Rischio
La sicurezza riguarda principalmente il prevedere i comportamenti delle persone e tenerne conto in anticipo. Le serrature sulla tua porta prevedono che qualcuno cercherà di girare la maniglia prima o poi. Le tracce forensi di audit anticipano che qualcuno tenterà di sottrarre del denaro.
Nel marketing, i tuoi dati storici potrebbero suggerire che le fughe di informazioni siano più comuni con fornitori terzi. Quindi decidi di trattenere le informazioni fino al lancio del prodotto o persino di segmentare le informazioni per mantenerle sicure.
Efficienza Operativa
Gli strumenti predittivi possono migliorare considerevolmente la tua efficienza operativa aiutandoti a prevedere la domanda. Se hai un call center molto attivo nelle prime ore del mattino e nel tardo pomeriggio, ma è deserto in tutti gli altri momenti, disponi di dati che ti aiutano a pianificare i turni.
Portare il personale orario durante le ore di punta, per poi ridurre la presenza quando nessuno chiama, mette le risorse dove sono necessarie nei momenti giusti, anziché essere sotto organico durante le ore di punta e sovrastaffati quando tutto è tranquillo.
Miglioramento del Processo Decisionale
Questo è il punto fondamentale. In effetti, ti affidi all’analisi predittiva per ottenere una sorta di "codice segreto" sulle performance future. Pensa di nuovo ai punteggi FICO. Dovresti concedere credito a qualcuno con un basso punteggio per rischio di credito? Dovresti rifiutare di emettere una nuova carta di credito a chi ha un punteggio di 790? Il modello analitico ti aiuta a prevedere i risultati futuri sulla base delle performance passate.
5 Modi per Sfruttare la Predictive Analytics a Tuo Vantaggio
Segmentazione di Clienti e Pubblico
Sai già che i tuoi clienti sono diversi tra loro, ma spesso tendono a raggrupparsi in cluster che i grandi set di dati rivelano. Il data mining ha una cattiva reputazione, ma è il primo passaggio per costruire cluster sensati su cui puoi generalizzare e bersagliare in modo più efficiente.
Acquisizione di Nuovi Clienti
Conquistare nuovi clienti è fondamentale, e la possibilità di farlo costantemente con le tue campagne di marketing fornisce un vantaggio competitivo al tuo brand. Tecniche come i modelli di regressione lineare ti aiutano a perfezionare i tuoi flussi di lavoro e a ottenere il massimo dalle campagne di acquisizione.
Lead Scoring
Distinguere tra lead caldi e freddi è una parte importante dell’intelligenza aziendale, soprattutto nel lead scoring e nello sviluppo di un nuovo pubblico. La modellizzazione della propensione mostra dove il pubblico è più propenso a seguirti e quali potenziali clienti sono i più caldi.
Raccomandazione di Contenuti e Annunci
Le pubblicità possono essere fastidiose se non desiderate o se promuovono prodotti di cui lo spettatore non ha bisogno. Il filtraggio collaborativo elimina il fastidio e rende molto più probabile che il messaggio pubblicitario venga recepito.
Personalizzazione dell’Esperienza del Cliente
Che tu sia un rivenditore, operi nei servizi finanziari o realizzi previsioni meteorologiche per compagnie di navigazione, la segmentazione automatizzata ti aiuta a vagliare tutti i possibili output che potresti generare e offrire a ciascuno un’esperienza personalizzata. Questa è ottimizzazione a livello personale e ha il potenziale di generare l’impatto più forte nel tuo marketing, perché crea una connessione personale con ciascun utente che entra in contatto con il tuo brand.
Guardando al Futuro
Abbiamo trattato molti argomenti, ma speriamo che ora tu sia molto più informato sui vantaggi del software di marketing analytics e su come possano aiutarti con l’analisi predittiva. C'è anche molto altro materiale disponibile qualora tu voglia approfondire. Iscriviti alla newsletter di The CMO per essere sempre aggiornato su ultimi consigli, tendenze, raccomandazioni di software e molto altro nel marketing.
