Analisi predittiva, seconda parte. Nella prima abbiamo già visto le caratteristiche dell’analisi predittiva e perché viene sempre più utilizzata anche in ambito marketing. Ora cerchiamo di addentrarci sempre più nel suo funzionamento e vediamo le tre tecniche più diffuse: decision trees, regression e neural networks.

Decision Trees organizzano i dati in sottocategorie di diverse variabili. Sono utili per capire il percorso decisionale di un soggetto. Il Decision Tree si può immaginare come un albero dove i vari rami rappresentano la scelta tra più alternative e ogni foglia rappresenta una decisione. Questo modello è popolare perché è facile da capire e interpretare.

Regression è un modello molto diffuso in statistica e offre una stima delle relazioni tra variabili. Il modello tende a identificare dei pattern che si ripetono nell’ambito di grandi quantità di dati. È anche molto utile per capire quanto dei fattori specifici (come ad esempio il prezzo) influenzino il movimento di un asset. Con la Regression, una variabile indipendente può essere utilizzata per predire il comportamento della variabile di riferimento.

Neural Networks sono delle tecniche molto sofisticate in grado di modellare delle relazioni anche di alto livello di complessità. La loro forza consiste nella caratteristica di poter lavorare anche relazioni non lineari tra i dati a disposizione, situazione molto comune quando ci troviamo a lavorare su volumi molto grandi di informazioni. Molto spesso vengono anche utilizzati per trovare delle conferme da elaborazioni realizzate con altri modelli.

Teniamo presente che quelle appena descritte sono le tecniche più popolari, ma poi ne esistono molto altre tra cui ricordiamo Bayesian analysis, Ensemble Models, Gradient Boosting, K-nearest Neighbor…

Ma, di cosa abbiamo bisogno per iniziare a utilizzare l’analisi predittiva?

1. Dobbiamo avere un problema da risolvere. Cosa puoi sapere sul futuro basandoti sul passato? Cosa vuoi capire e anticipare?
2. Devi avere dei dati a disposizione. Informazioni terze parti, note dai call center, web logs… oltre a raccogliere tutti questi dati, si deve poi procedere alla loro “pulitura” e quindi analisi.
3. I software di analisi sono sempre più alla portata di molte persone, ma si dovrà avere sempre in casa il know-how di uno specialista che ti possa definire quale modello utilizzare e quindi sviluppare quello più adatto.
4. L’analisi predittiva richiede un approccio di gruppo. Ci deve essere chi comprende il problema da risolvere, chi prepara i dati, chi definisce i modelli e una parte IT che possa garantire un’infrastruttura per questo tipo di operazioni.

Tutto il contenuto di questo articolo arriva dalla pagina di Sas “Predictive Analytics” che avevamo già utilizzato per la prima parte.