I docenti della MIT Sloan, la Business School del Massachusetts Institute of Technology, hanno messo a disposizione la loro profonda esperienza nell’applicazione degli strumenti di Data Science, dell’ottimizzazione e del Machine Learning per condividere strategie, consigli e strumenti per progettare un processo analitico efficace.

 

Lasciare che le decisioni aziendali guidino la strategia dei dati

Le organizzazioni che desiderano avere successo attraverso l’analisi dei dati, devono partire dal presupposto che l’interpretazione dei dati costituisce la base conoscitiva per guidare le decisioni aziendali. Questo significa porsi la domanda di quale tipo di dati e approccio analitico necessitano per ridefinire la propria direzione strategica.

È altrettanto importante avere risorse, all’interno dell’organizzazione, che abbiano competenze trasversali sia lato analytics sia business in modo da rappresentare un ponte tra tecnologia e coloro che prendono le decisioni in azienda. Queste figure devono comprendere le esigenze aziendali e come utilizzare l’analisi dei dati per contribuire a soddisfarle. Allo stesso tempo, devono essere in grado di comunicare la soluzione tecnica ai decisori aziendali in un modo comprensibile ed intuitivo, evitando pertanto di fornire soluzioni “a scatola chiusa” che complicherebbero l’effettiva adozione da parte del management.

Usare il Machine Learning per trarre valore dai dati non strutturati

I metodi di analisi tradizionali sono molto efficaci per i dati strutturati, ma non sono in grado di trarre valore da dati non strutturati – immagini, audio, video, linguaggio naturale – senza che vi sia una lunga e laboriosa fase di pre-elaborazione.

Con il Deep Learning questa limitazione è praticamente scomparsa. Ora è possibile sfruttare insieme dati strutturati e non in un unico framework flessibile e potente, per ottenere output molto più significativi rispetto al passato.

Sviluppare una nuova linea organizzativa basata su modelli abilitati dai dati

Le tecnologie legate all’analisi dei dati sono una risorsa fondamentale per creare flussi di lavoro e sistemi decisionali intelligenti. Detto questo, molte aziende si approcciano a queste soluzioni in termini prettamente tecnici e trascurano il fatto che si tratti di una sfida che interessa l’organizzazione nella sua interezza.

Progettare processi decisionali intelligenti deriva dall’esigenza di conoscere il sistema aziendale nel modo più approfondito e completo possibile. Ciò richiede una nuova linea organizzativa basata sui modelli abilitati dai dati. Le aziende devono capire a fondo i loro processi decisionali esistenti e i dati che generano, per poi sviluppare dei modelli avanzati di analisi che permettano di ridefinire questi processi per renderli più agili ed efficienti.

Abbracciare l’intera pipeline di analisi, a monte e a valle

I progetti di analisi sono solitamente incentrati sullo sviluppo di strumenti di Deep Learning e Intelligenza Artificiale altamente performanti. Si tratta di progetti ambiziosi che qualsiasi team di analisi cerca di costruire, migliorare e implementare, con un’enfasi sugli indicatori di performance. Tuttavia, queste soluzioni rappresentano solo una parte ristretta dell’intero processo di analisi, che comprende la gestione dei dati, l’analisi descrittiva (come la visualizzazione dei dati e il riconoscimento dei modelli), l’analisi predittiva e l’analisi prescrittiva.

Capita spesso che in molti progetti analitici vengano prese delle “scorciatoie” in una o più fasi del processo di analisi, sia a monte sia a valle.

A monte, per esempio, molti team trascurano passaggi fondamentali per garantire la qualità dei loro dati, la loro rappresentatività e la comprensione dei dati stessi. Per ovviare a questa inefficienza è necessario includere in modo sistematico l’analisi esplorativa nel processo analitico.

A valle, spesso i team non affrontano le sfide legate alla complessa gestione decisionale dove, invece, i progetti di analisi potrebbero generare un importante vantaggio in termini competitivi, integrando gli strumenti predittivi nei sistemi di supporto ai processi decisionali.

Affrontare casi d’uso specifici per migliorare le decisioni

Con tutto l’hype, in grande parte giustificato, intorno al Machine Learning è facile dimenticare che le previsioni sono molto più utili quando contribuiscono attivamente al processo decisionale. Può accadere, infatti, che alcune organizzazioni implementino modelli predittivi senza che abbiano una reale e concreta influenza sulle decisioni.

Tuttavia, anche se un modello predittivo viene direttamente impiegato per supportare il processo decisionale, migliorare le previsioni non sempre implica una maggiore qualità delle decisioni prese. Al contrario, le nuove capacità di analisi sono più performanti quando vengono utilizzate per affrontare specifici casi d’uso aziendali. Seguendo questa logica, è preferibile che le aziende misurino le capacità dei propri sistemi analitici non solo sulla precisione delle loro previsioni, ma anche sulla qualità delle soluzioni che generano in risposta a problemi di business reali.

Stabilire un sistema centralizzato per le fasi di test

Costruire un processo di analisi richiede definizioni e pratiche ben delineate e coerenti.

La standardizzazione delle metodologie di analisi e dei criteri di misurazione può portare un certo numero di benefici indiretti. Tra questi vi è sicuramente la definizione delle metriche chiave per il proprio business.

Ma non solo, questa configurazione facilita l’esecuzione dei test e accresce la fiducia nei risultati da parte dei decisori. Condizione essenziale per ottenere informazioni attendibili e prendere decisioni informate.