Analisi previsionale: perché non bastano solo i dati

8 aprile 2020

L’analisi previsionale (Forecast Data Analysis), nata negli USA negli anni Sessanta, ha visto un’incessante crescita di interesse, motivata dalla disponibilità sempre maggiore di dati e dall’evoluzione delle tecnologie indispensabili per la loro gestione.

 

Il legame tra dati e valore di business

Sempre più aziende, anche di piccole e medie dimensioni, si affacciano al mondo dell’innovazione guardando ai temi della digital transformation, dell’Industria 4.0 o dell’Internet of Things. Si tratta di tecnologie che contribuiscono a generare enormi volumi di dati e che rafforzano la consapevolezza che esiste un legame diretto tra dati, conoscenza e valore di business.

 

Analisi previsionale: non solo dati e strategia

Se molte aziende in passato commettevano l’errore di trascurare il proprio patrimonio informativo oggi assistiamo all’errore opposto: tendono ad accumulare enormi quantità di dati senza, tuttavia, aver predisposto una strategia precisa su quali informazioni usare, in che modo relazionare le variabili, quali obiettivi perseguire.

Alcune imprese hanno fatto un passo in avanti, dotandosi di strumenti di Data Science per raccogliere e gestire i Big Data accumulati. Tuttavia, basarsi solo sui Big Data può non bastare per effettuare un’efficace analisi previsionale.

Serve qualcosa in più: è necessario aggiungere il valore che arriva dall’esperienza e dal know-how interni.

Analisi previsionale: perché integrare dati e know-how

Molti processi, per esempio industriali, si prestano a essere rappresentati tramite un modello formale.

Spesso, però, i dati necessari non sono sufficientemente affidabili per descrivere in modo completo e affidabile il problema. Oppure i tempi richiesti per disporre di uno “storico” sufficientemente ampio non sono compatibili con le esigenze di business.

Inoltre, i dati, da soli, non consentono di fornire una rappresentazione di processi complessi, se non attraverso una loro interpretazione che richiede conoscenze ed esperienze maturate negli anni.

L’irrinunciabile elemento complementare di cui tenere conto per realizzare un’efficace analisi previsionale è il know how interno di ogni azienda. Si tratta di un patrimonio fatto di conoscenza del mercato in cui opera, della competenza ed esperienza del suo personale, delle sue tecnologie, dei suoi processi, del marketing, delle metodologie, delle relazioni con clienti e partner.

È la conoscenza interna che permette di contestualizzare i dati, di assegnargli il peso corretto, di tenere conto degli aspetti di mercato che sfuggono alle leggi dei numeri. È l’esperienza pluriennale maturata dall’azienda che contribuisce a colmare la mancanza di dati storici e favorire un più rapido ritorno degli investimenti.

Solo la capacità di formalizzare e ricondurre a parametri oggettivi il know-how e l’esperienza accumulata nel tempo dalle persone che operativamente lavorano sul processo consente, dunque, di completare il quadro di analisi per riuscire a descrivere, comprendere e controllare i fenomeni di business.

Quali tool e competenze servono?

Come è possibile integrare i dati con un concetto astratto come la conoscenza acquisita nel tempo?

L’integrazione tra dati, modelli e conoscenza può realizzarsi attraverso l’insieme di strumenti e tecniche avanzate di modellistica, calcolo, simulazione, algoritmi e statistica.

Attraverso i modelli matematici diventa possibile fornire una rappresentazione completa e di valore prospettico della conoscenza e di andare oltre il dato, utilizzandolo ed inserendolo in un processo modellistico che estrarrà la maggior conoscenza possibile dal dato stesso.

La matematica permette di predisporre un ambiente di simulazione da utilizzare come strumento di analisi complementare. All’interno di questo ambiente, è possibile integrare efficacemente la conoscenza  con le informazioni estratte dai dati, utilizzando metodi di analisi propri della data science, del machine learning e della computational science.

Le competenze necessarie per affrontare questo percorso non potranno, di conseguenza, essere limitate alla figura del data scientist, ma dovranno essere di tipo multidisciplinare.

 

New call-to-action