Modelli predittivi: cosa sono e in quali casi si usano

9 luglio 2020

I dati riflettono in modo quantitativo la storia di un'impresa. I modelli predittivi sono la risposta per estrarre conoscenza dal passato e utilizzarla per indirizzare al meglio le decisioni di business del presente.

 

Cosa sono i modelli predittivi

Con questo termine si indicano tutte quelle tecniche in grado non solo di individuare schemi e andamenti ricorrenti nei dati a disposizione e fornire una previsione di alcune grandezze di interesse.
La statistica, come anche il Machine Learning e l'Artificial Intelligence, sviluppa modelli per costruire previsioni, ma ha anche come obiettivo la quantificazione dell'incertezza della previsione, la quale discende dalla variabilità del fenomeno in analisi. Questi modelli stanno diventando sempre più complessi poiché, da quando è iniziata la Big Data Revolution, i dati che li guidano sono sempre più complessi, sia in termini di volume che nella loro natura e dimensionalità; non più solo numeri o vettori di numeri, ma anche immagini, segnali e tracciati, testi.
Una volta che si è riusciti a descrivere e modellizzare il dominio delle variabili in gioco, si passa alla parte previsionale, il cuore di questi modelli perché in grado di sprigionare tutte le potenzialità delle svariate informazioni già nelle mani delle aziende.

 

Il ruolo di analisi predittiva e data mining

Le analisi predittive sono sempre più spesso evocate quando si parla di individuare i futuri trend non solo nel mondo della finanza, dove i big data sono da tempo un fattore di competitività, ma anche in ambiti molto differenti tra loro, quali ad esempio il marketing, lo sport, le assicurazioni e il manufacturing. Proprio nel manufacturing esistono eccellenti esempi di aziende che con un buon uso dei dati sono riuscite a ottimizzare i propri processi di produzione e distribuzione.
Può capitare di veder confuse le analisi predittive con il Data Mining che è l'insieme di tecniche in grado di estrarre informazioni utili da grandi quantità di dati, ingestibili senza l'aiuto delle macchine, della matematica e della statistica.

Se il Data Mining identifica gli schemi strutturali contenuti all’interno delle informazioni, i modelli predittivi compiono invece un passo in più, quello che fa la differenza per le aziende. Non solo essi combinano i dati in modo utile, ma permettono al decisore di trarre conclusioni che si traducono in preziose indicazioni, ad esempio sui nuovi modelli di business, sui feedback dei clienti, sui futuri trend di acquisto come anche, se si pensa al settore manifatturiero, sulla necessità di interventi di riparazione e manutenzione di macchinari, per evitare di farli in emergenza.

 

Come generare modelli predittivi affidabili

I modelli predittivi trovano numerose applicazioni in diversi ambiti, ma per costruire un modello affidabile è necessario adattarlo al contesto in cui opera attraverso alcuni passaggi fondamentali: la raccolta dei dati, l’elaborazione degli stessi e la calibrazione degli algoritmi.
Tutti questi passaggi hanno un’enorme importanza, ad iniziare dalla raccolta dati, che parte dalla scelta della base dell’informazione da processare. Un passaggio che richiede sia competenze di dominio sia competenze tecniche per eliminare dati superflui od integrare l’insieme scelto con dati aggiuntivi.

Si passa poi all’elaborazione dati che occupa solitamente la maggior parte del tempo dello sviluppo di un modello predittivo e richiede una forte competenza tecnica per ripulire i dati e costruire le variabili che verranno sfruttate dal modello per la previsione di scenari futuri.

Infine c’è la calibrazione degli algoritmi dove verrà posta l’attenzione sulla scelta dei parametri ottimali per ottenere le migliori performance in termini di accuratezza e affidabilità del modello.

 

Quando si usano i modelli predittivi: esempi di applicazione

I modelli predittivi vengono già oggi utilizzati in diversi settori, molto distanti tra loro e da quello high tech, tra i primi ad adottarli. Troviamo applicazioni nella sanità e nel marketing, con la miriade di dati oggi a disposizione di chi ci lavora, ma anche in campi come quello dell'energia e del manifatturiero.

 

Settore Energetico, la previsione della domanda – Edison 

Nel settore energetico, un'azienda come Edison, alla luce dei nuovi scenari economici e normativi (es. introduzione del mercato del bilanciamento), ha ad esempio deciso di implementare nuovi e più efficaci modelli predittivi per il controllo del bilanciamento tra domanda e offerta di gas naturale, soprattutto sul breve periodo. Questi strumenti di forecast innovativi gli hanno permesso non solo di migliorare le previsioni della domanda ma anche stimarne la variabilità per poi valutare rischi connessi alla gestione degli approvvigionamenti o alle penalizzazioni economiche legate a fenomeni di scopertura.

 

Settore Manifatturiero, la manutenzione predittiva – Candy

Un esempio di manutenzione predittiva è quello di Candy che, nel settore manifatturiero, ha adottato strumenti di forecast avanzati per prevedere in anticipo l’insorgenza di guasti nei propri elettrodomestici. Sfruttando l'imponente quantità di informazioni fornite dalle moderne lavatrici/lavasciuga, sia relative alle caratteristiche tecniche che alle modalità di funzionamento, i modelli predittivi hanno permesso di monitorare in modo continuo e automatico lo stato di salute degli elettrodomestici per programmare interventi di manutenzione preventivi e mirati, evitando così di sottoporre le macchine a eccessivi stress.

Si passa poi all’elaborazione dati che occupa solitamente la maggior parte del tempo dello sviluppo di un modello predittivo e richiede una forte competenza tecnica per ripulire i dati e costruire le variabili che verranno sfruttate dal modello per la previsione di scenari futuri.
Infine c’è la calibrazione degli algoritmi dove verrà posta l’attenzione sulla scelta dei parametri ottimali per ottenere le migliori performance in termini di accuratezza e affidabilità del modello.

Ci sono poi delle condizioni al contorno grazie alle quali l'output dei modelli predittivi è particolarmente affidabile.
Queste condizioni ideali riguardano la base delle informazioni che si vogliono processare, che dovrebbero essere già raccolte in numerosi pacchetti di dati, possibilmente di grandi dimensioni, e allo stesso tempo anche ripulite da tutti i dati superflui o fuorvianti.
Questa esigenza nasce dal fatto che solo se rispettata diventa possibile integrare direttamente i pacchetti di informazione nell'analisi e ottenere un risultato più affidabile su cui basarsi per pianificare azioni future. È quindi chiaro che tutto ha inizio ben prima che entri in gioco il modello predittivo, già dalle modalità con cui si raccolgono i dati e si organizzano.

 

New call-to-action