Algoritmi predittivi: comprenderli ed imparare a usarli

2 aprile 2020

Le tecnologie di machine learning stanno cambiando il paradigma nelle decisioni di business spostandolo da reattivo a predittivo. L’utilizzo di algoritmi predittivi trova una crescente diffusione a molti livelli ma, non sempre, il modo in cui questi algoritmi operano è correttamente compreso.

 

La preparazione dei dati è la base per ogni algoritmo predittivo

Il primo mito del machine learning da sfatare è che sia sufficiente acquistare un software e fornirgli dei dati per ottenere previsioni di business accurate ed esaustive.

Un algoritmo di machine learning può essere versatile ed essere utilizzato in molti modi, ma va caratterizzato in modo specifico per ogni business e obiettivo.

La preventiva e fondamentale capacità di modellare lo scenario di business è cuore dello sviluppo; pertanto anche il modo in cui i dati grezzi vengono pre-processati prima di essere forniti all’algoritmo predittivo è fondamentale, avendo ben definito l’obiettivo che si vuole conseguire, definendo le variabili rilevanti e stabilendo il loro impatto in relazione agli obiettivi prefissati.

Si può dire che la preparazione dei dati assorba una parte consistente del lavoro per realizzare un’analisi predittiva, accurata. È quindi molto importante la conoscenza delle tecniche necessarie per eseguire questa fase in modo efficace.

Inoltre, il processo predittivo non è statico, ma viene costantemente affinato sulla base dei risultati ottenuti e dell’analisi dettagliata del suo comportamento, in un ciclo di feedback periodicamente alimentato per migliorare l’affidabilità delle previsioni.

Vediamo alcuni esempi concreti.

 

Candy, la manutenzione predittiva delle lavatrici

Candy Group, azienda con oltre settant’anni di esperienza, leader europeo nella produzione e commercializzazione di elettrodomestici e riconosciuta a livello internazionale, già da tempo ha rilasciato sul mercato migliaia di lavatrici connesse a Internet tramite Wi-Fi, dotate di sensori.

Ogni 30 secondi vengono acquisite oltre 50 variabili relative allo stato e alla impostazione della lavatrice: per esempio, la fase del ciclo di lavaggio, il carico, la velocità del motore, la temperatura dell’acqua.

Tutti i dati sono trasmessi al centro di elaborazione di Candy, dove un algoritmo predittivo permette di monitorare lo stato di salute della lavatrice e individuare possibili guasti.

Il primo obiettivo del progetto è quello di predisporre un servizio di manutenzione rapido ed efficiente, in cui il tecnico sia in grado di effettuare un intervento avendo già tutte le informazioni sul guasto e possibilmente anche l’eventuale pezzo di ricambio necessario.

Ancora più interessante è la possibilità offerta dall’algoritmo predittivo di prevedere l’insorgere di un guasto prima che si manifesti, sulla base della verifica di un comportamento anomalo.

Questa soluzione comporta una avanzata fase di pre-elaborazione dati basata sull’uso di tecniche di Functional Data Analysis per estrapolare una serie di parametri, che alimenteranno l’algoritmo predittivo vero e proprio. Partendo dai dati dei sensori, le cui grandezze sottostanti sono interpretabili da un punto di vista matematico come curve di osservazioni nel tempo, grazie alla Functional Data Analysis è possibile estrarre pattern ricorrenti e trend fondamentali per capire lo stato della lavatrice e poterne quindi prevedere un guasto.

Il vantaggio ottenuto grazie all’uso di questo algoritmo predittivo, rispetto al precedente servizio di riparazione e manutenzione, è stato di riuscire a programmare in modo più efficiente gli interventi di manutenzione permettendo a Candy, nel contempo, di fornire un servizio di qualità molto superiore al cliente finale.

 

Il monitoraggio del credito

La fornitura di energia, acqua e gas è un servizio regolare il cui pagamento avviene successivamente all’erogazione. Per le multiutility, dunque, monitorare lo stato del credito dei propri clienti è un requisito fondamentale.

La qualità dei crediti impatta il marketing, il processo del recupero crediti ma anche e soprattutto il bilancio, poiché le bollette non pagate, dopo 12 mesi dalla scadenza, rientrano nei crediti deteriorati.

Una nota Multiutility ha utilizzato un algoritmo predittivo per stimare la probabilità che un cliente saldi la bolletta entro un intervallo di tempo determinato.

L’algoritmo tiene in considerazione molteplici parametri associati al cliente: età, posizione geografica, modalità di pagamento, storico del pagamento, abitudini di consumo, distinguendo tra clienti residenziali, imprese e Pubblica Amministrazione.

Complessivamente vengono analizzate un centinaio di variabili che, associate a migliaia di clienti e milioni di fatture, si traducono in veri e propri Big Data. Anche in questo esempio la codifica dei dati e la scelta delle variabili da utilizzare nell’algoritmo sono passaggi fondamentali possibili solo dopo un’analisi approfondita delle informazioni a disposizione.

I risultati forniti dall’algoritmo si traducono in molteplici obiettivi di business:

  • consentono di effettuare accurate previsioni di bilancio, stimando ad esempio l'impagato a 12 mesi, che si trasformerà in credito deteriorato;
  • permettono di coordinare e gestire le azioni di recupero crediti;
  • forniscono indicazioni utili a individuare le tipologie di clienti più affidabili e guidare opportune azioni di marketing e commerciali.

Algoritmi predittivi, altri esempi di applicazioni

Tra gli innumerevoli esempi di applicazione di algoritmi previsionali possiamo ricordare anche quelli a supporto delle società che forniscono gas per prevedere il livello della domanda e correlarlo alla gestione del sistema di distribuzione, all’approvvigionamento e al costo di acquisto della materia prima.

Per esempio, un importante distributore nazionale di energia elettrica ha utilizzato algoritmi predittivi per prevedere i flussi di carico per pianificare al meglio gli interventi di manutenzione.

New call-to-action