Predictive Analytics

I dati prevedono il futuro


Imparare dal passato per dominare il futuro. Che cosa vuol dire per le aziende? Significa valutare la probabilità degli eventi futuri mediante l’analisi predittiva, per trarre conclusioni per il futuro.


Testo: Felix Raymann, Immagini: Alamy, Keystone, Strandperle, 20




Consultare una sfera di cristallo o un’indovina non dovrebbe essere un’opzione per la maggior delle imprese che vogliono migliorare la loro performance in termini di HR. Che cosa fare dunque per scoprire quali preziosi collaboratori stanno per licenziarsi? Come si individuano i collaboratori che in futuro si riveleranno dei talenti da promuovere? L’analisi predittiva è mirata: in base ai dati aziendali, calcola le probabilità degli eventi futuri. Questo metodo, servendosi di modelli comportamentali statistici, consente di prevedere rapporti economici complessi.


Nei dati raccolti si cela un grande potenziale

La carenza di personale specializzato in determinati settori è preoccupante: i migliori collaboratori si licenziano, e non sono pronte nuove leve interne per rimpiazzarli. Per trovare una via d’uscita da questa situazione di svantaggio, l’azienda deve sapere come trattenere i collaboratori preziosi e come individuare i talenti nascosti che ha alle sue dipendenze.

Non è un compito facile, perché spesso i licenziamenti arrivano a ciel sereno. E non sempre sono i collaboratori più vivaci, quelli che si vendono meglio, ad apportare un valore aggiunto all’azienda quando vengono promossi. I collaboratori sono la risorsa più preziosa per un’azienda. Vale la pena di guardarsi intorno con attenzione e sfruttare i dati disponibili.





A tal fine si mettono i dati del personale in relazione fra loro. «Si deve partire da più indicatori possibile, come lo stipendio, lo sviluppo salariale degli ultimi anni, gli anni di servizio, la valutazione del colloquio o l’età», spiega Martin Gutmann, responsabile Analytics & Data Consulting di Swisscom. Provate a immaginare: per la riga «licenziamento», il software di analisi SAP Predictive Analytics verifica la corrispondenza con tutte le caratteristiche delle colonne. «Maggiore è il numero di caratteristiche che si considerano, maggiore è la probabilità di individuare corrispondenze significative e quindi di poter fare previsioni», afferma Gutmann. «In questo modo si trovano anche gli indicatori che non balzano subito all’occhio, ma che comunque incidono sul licenziamento. Ad esempio, la valutazione del superiore e addirittura la valutazione del capo del superiore stesso», dichiara Gutmann.


I dati isolati sono irrilevanti

Per poter generare dati significativi, le informazioni e i dati grezzi devono essere opportunamente aggregati. «La pulizia, l’ottimizzazione e la preparazione dei dati rappresentano circa l’80-90% del lavoro», afferma Martin Gutmann, che spiega con un semplice esempio: «Se si devono stilare previsioni sulle vendite dei panini davanti alla stazione di Berna, le cifre di vendita del passato forniscono soltanto pochi indizi per le vendite future. Ma considerando altri indicatori, come le condizioni meteorologiche, il giorno della settimana o le manifestazioni concomitanti nelle vicinanze, si possono ricavare previsioni utilizzabili». Servendosi di algoritmi, il sistema individua la combinazione di indicatori più probabile affinché si verifichi un determinato evento.


Prevedere le esigenze della clientela

Sapere anticipatamente come si comporteranno i clienti, qual è il momento ideale per la manutenzione o quando si verifica una frode rappresenta un vantaggio sostanziale sulla concorrenza e una difesa contro le sorprese spiacevoli. L’analisi predittiva può essere applicata in modo versatile a qualsiasi settore. Ecco un paio di esempi. Nel marketing, si possono determinare il gruppo target e il canale di comunicazione adatto. Nell’industria (in particolare nell’ingegneria meccanica e nei progetti IoT) è possibile analizzare i volumi di dati raccolti. In questo caso, lo scopo è quello di trovare anomalie per semplificare le operazioni di manutenzione. Inoltre, nel campo della fatturazione, è possibile prevedere il tasso di adempimento ai pagamenti da parte dei clienti. Se si sa che un cliente pagherà la fattura in ritardo, ma che molto probabilmente non mancherà di saldarla, si evita di inviare un sollecito, facendo in modo che l’esperienza del cliente continui a essere positiva.





Ottimizzazioni nel campo finanziario

Grazie all’analisi predittiva, nel settore finanziario è possibile ottimizzare il cash flow e fare previsioni migliori. Le banche possono migliorare la gestione del rischio di credito, ottimizzare il portafoglio clienti o prevedere le attività di riciclaggio di denaro. «Più una banca capisce i suoi clienti, migliore è la consulenza. Invece di presentare offerte standard, con una valutazione mirata dei dati del cliente si possono preparare offerte specifiche e rilevanti», spiega Gutmann. Ad esempio, una grande banca di Zurigo sta cercando di scoprire, mediante un’opportuna analisi, quali sono i clienti per cui la probabilità che non rinnovino l’ipoteca è alta. Con la Churn Prediction (previsioni sulla migrazione dei cliente) si individuano i clienti propensi alla disdetta, per poi approcciarli in modo mirato. «Oltre a caratteristiche quali l’età, il sesso, il tipo di immobile, si considerano anche indicatori come possesso di titoli, cambiamenti del saldo del conto o utilizzo dell’e-banking», spiega Gutmann.


Più che una semplice raccolta di dati

Di per sé, la valutazione di dati storici non è proprio una novità: viene utilizzata già da tempo in particolar modo nel campo assicurativo e nel commercio. Ciò che è cambiato sostanzialmente è il volume di dati e soprattutto il facile accesso a potenti algoritmi che consentono di stilare delle previsioni. A differenza della Business Intelligence (BI), con l’analisi predittiva non si trasformano soltanto dati non strutturati in informazioni utilizzabili, ma si descrivono anche correlazioni significative, che forniscono indicazioni sugli eventi futuri.

L’analisi predittiva si basa su determinati presupposti: i dati devono essere tanti e di alta qualità. In questo contesto, la protezione dei dati è un fattore importante: non si tratta solo di osservare la legge sulla protezione dei dati nella sua interezza, ma anche di occuparsi di questioni etiche e di sicurezza.


Strumenti ad autoapprendimento

Oggi, i modelli predittivi sono in grado di rifornirsi con nuovi dati automaticamente e a intervalli regolari e di aggiornare autonomamente i vecchi risultati. In questo modo, le previsioni vengono continuamente rivalutate e perfezionate. I consigli degli algoritmi vengono analizzati con gli esperti del business, trattati e poi introdotti passo per passo. La tendenza va in direzione dell’automatizzazione end to end: dalla raccolta ed elaborazione dei dati alla creazione e selezione dei modelli migliori fino all’implementazione automatica nei sistemi IT sulla base di determinati criteri.




L’analisi predittiva nella gestione del capitale umano

Analizzando i dati si possono rilevare anticipatamente rischi e tendenze. In particolare, con i dati HR si ottengono rapporti dettagliati che consentono di agire in modo proattivo, ad esempio per incentivare o anche conservare i collaboratori preziosi. In concreto, Swisscom offre un workshop di ideazione, dove le imprese possono analizzare i loro casi specifici relativi allo HR.

> Per saperne di più sul Smart Data Lab





Hand with smartphone

Newsletter

Desiderate ricevere regolarmente articoli e rapporti avvincenti su tematiche ICT di attualità?




Maggiori informazioni