Analytics: una panoramica Learn more about analytics and AI with SAS Viya

Analytics

Cosa sono e perché sono importanti

Gli analytics sono espressione di quel campo dell’informatica che utilizza dati e metodi matematici per rispondere alle domande di business, individuare correlazioni e generare nuove conoscenze. Mettendo insieme matematica applicata, statistica, modellizzazione predittiva e machine learning, gli analytics possono rivelare modelli significativi nei dati, prevedere risultati inattesi, anticipare tendenze future e automatizzare il processo decisionale.

Storia ed evoluzione degli analytics

L'uso strategico dei dati e degli analytics può stimolare l'innovazione e consentire di prendere decisioni di business più efficaci. Per ottenere benefici concreti, all'interno delle organizzazioni sono richiesti ruoli funzionali e competenze coinvolte nell'analisi dei dati e nell'integrazione dei processi aziendali automatizzati, oltre alle figure di data scientist e statistici.

Da dove è partito l'uso degli analytics?

L’origine degli analytics può essere fatta risalire alle prime forme di data management, sviluppatesi nell’ultimo decennio dell’Ottocento, quando le informazioni (i dati) venivano registrate su supporti cartacei rigidi mediante schede perforate meccaniche. L'impiego degli analytics era limitato dalla natura monotona delle attività di raccolta e gestione dei dati, archiviati in sedi fisiche con capacità ridotta.

Con il passare del tempo, il campo degli analytics aziendali e della business intelligence ha subito profonde trasformazioni. Oggi, ad esempio, possiamo contare su un'enorme varietà di big data, come quelli generati in tempo reale da sensori, social media e dispositivi IoT. A ciò si aggiunge la disponibilità di molteplici soluzioni per l'archiviazione dei dati e di numerose opzioni basate sul cloud computing.

Nell'era dell'intelligenza artificiale (AI), le capacità descrittive, prescrittive e predittive standard degli analytics si sono accresciute, grazie al machine learning e all'automazione. Non ci limitiamo più a chiederci cosa sia accaduto in passato e cosa potrebbe accadere in futuro. Ora possiamo chiedere alle nostre macchine di automatizzare i processi, apprendere autonomamente dai dati e persino suggerirci quali domande porre.

Fast food: insight più rapidi e fila più snella grazie agli analytics

Boddie-Noell, il più grande franchisee a conduzione familiare di Hardee’s negli Stati Uniti, si affidava a fogli di calcolo e processi manuali per indirizzare le decisioni aziendali. Di conseguenza, l'azienda era sempre costretta a fare sempre riferimento al giorno, alla settimana o al mese precedente. Ma proprio come accade con il cibo, anche i dati possono diventare vecchi. Riconoscendo che un approccio moderno basato sugli analytics poteva portare l'azienda al livello successivo, Boddie-Noell si è rivolta a SAS Viya per ottenere insight in tempo reale che le hanno permesso di lavorare in modo più efficace, imparare più rapidamente e superare le aspettative, continuando sempre a servire i piatti preferiti dei propri clienti.

Leggi la testimonianza

Gli analytics nel mondo di oggi

Dai slancio ai tuoi progetti di data analytics grazie a queste risorse. Scopri gli strumenti necessari per pianificare le iniziative, ristabilire la fiducia nei dati e sviluppare una solida strategia analitica.

AI e analytics: in rotta verso il successo

A differenza degli analytics tradizionali, i sistemi di machine learning modificano gli algoritmi sottostanti in base a ciò che apprendono dai dati. Ciò rende ancora più vero l'adagio secondo cui "se immetti dati scadenti, otterrai risultati scadenti". Scopri come un solido data management alimenti il successo dell'AI e degli analytics.

Scarica il white paper Download a paper about how good data management improves analytics projects

Sblocca la tua produttività con l'AI

Un nuovo studio di The Futurum Group ha misurato la produttività di SAS Viya confrontandola con una piattaforma commerciale concorrente e un approccio non commerciale. I risultati hanno mostrato che i team di dati e AI che utilizzano SAS Viya sono 4,6 volte più produttivi.

Valuta tu stesso Learn about the results of the Futurum study

Pondering AI

Ti interessa approfondire come l'AI stia trasformando l'esperienza umana nel lavoro, nella vita privata e nella società in generale? Iscriviti al podcast Pondering AI per ascoltare le conversazioni su argomenti intriganti, insieme alla conduttrice Kimberly Nevala e a un gruppo eterogeneo di innovatori, esperti e data scientist.

Ascolta ora Listen to the Pondering AI podcast series

Una rete di sicurezza per i pazienti ospedalieri

Dai dati dei pazienti ospedalieri non è possibile comprendere facilmente se le loro condizioni stiano migliorando o peggiorando. Per individuare i rischi in modo innovativo, i fratelli Rothman hanno elaborato un modello e utilizzato le analisi statistiche per affinare la loro idea e sviluppare un punteggio di gravità dei pazienti, conosciuto come Indice Rothman.

Leggi la storia Learn how analytics was used in the creation of the Rothman Index, and why it matters

Chi utilizza gli analytics?

I recenti progressi tecnologici hanno accresciuto il potenziale degli analytics. Con più spazio di archiviazione, potenza di calcolo, capacità di elaborazione e algoritmi, è più facile che mai applicare gli analytics a problemi complessi e ottenere risposte dai dati, in qualsiasi settore.

Banche

Le banche e le società di servizi finanziari utilizzano gli analytics per gestire i rischi, individuare le frodi e personalizzare l'esperienza del cliente. Gli analytics possono rilevare in tempo reale anomalie nei modelli di transazione, contribuendo a prevenire i reati finanziari. Con l'analisi predittiva le banche sono in grado di anticipare le esigenze dei clienti, migliorandone il coinvolgimento e la soddisfazione. I modelli avanzati di AI contribuiscono alla valutazione del rischio di credito, al fine di ottimizzare le decisioni di concessione dei prestiti.

Soluzioni per le Banche Learn about banking analytics solutions from SAS

Assicurazioni

Le compagnie assicurative si affidano agli analytics per la valutazione dei rischi, l'individuazione delle frodi e l'ottimizzazione del processo di elaborazione dei risarcimenti. Inoltre, possono stabilire con maggiore accuratezza i prezzi delle polizze mediante l'analisi di grandi quantità di dati strutturati e non strutturati. I modelli di individuazione delle frodi, spesso basati sull'AI, rilevano le richieste di risarcimento sospette al fine di ridurre le perdite. Gli algoritmi avanzati di AI migliorano il coinvolgimento dei clienti offrendo polizze personalizzate e supporto proattivo.

Altre soluzioni per le Assicurazioni Learn about insurance analytics solutions from SAS

Life Science

Le organizzazioni che operano in ambito Life science utilizzano gli analytics per accelerare la scoperta di nuovi farmaci, ottimizzare gli studi clinici e migliorare l'assistenza ai pazienti. L'analisi predittiva razionalizza il reclutamento per i test clinici e monitora l'efficacia dei trattamenti in tempo reale. Sfruttando gli analytics, gli ospedali e i centri di ricerca sono in grado di rilevare schemi ricorrenti nelle malattie, facilitando così interventi precoci e percorsi di cura personalizzati. I modelli basati sull'AI analizzano vasti set di dati biomedici per identificare candidati farmaci promettenti, riducendo così il time to market.

Altre soluzioni per le life science Learn about life sciences analytics solutions from SAS

Settore pubblico

Gli organismi statali si affidano agli analytics per migliorare i servizi pubblici, aumentare la sicurezza e allocare le risorse in modo efficiente. Le forze dell'ordine, ad esempio, sfruttano gli analytics per individuare tendenze nella criminalità, mentre i servizi sociali si affidano ai dati per migliorare l'efficacia dei programmi. I modelli predittivi, spesso basati su tecniche di IA e machine learning, contribuiscono al rilevamento delle frodi, all'ottimizzazione della riscossione delle imposte e a una migliore pianificazione delle risposte alle emergenze.

Altre soluzioni per il settore pubblico Learn about public sector analytics solutions from SAS

Perché gli analytics sono importanti

Gli analytics non sono solo uno strumento per migliorare l'efficienza dei processi, ma aiutano chiunque lavori in un'organizzazione, a ogni livello, a immaginare possibilità completamente nuove. Oggi molte organizzazioni integrano gli analytics nelle applicazioni front-line e li utilizzano per automatizzare i processi decisionali.

Visto il costante afflusso di dati eterogenei dal mondo digitale, le organizzazioni cercano nuovi sistemi per esplorarli, gestirli e trarne informazioni significative. Dando priorità all'analisi dei dati, possono imparare come differenziarsi dalla concorrenza, ottenere rendimenti consistenti e pianificare strategicamente la propria esistenza nel tempo.

Soluzioni analitiche flessibili basate su interfaccia "punta e clicca" permettono di fornire insight facilmente comprensibili a un numero maggiore di dipendenti. Tali soluzioni analitiche possono aiutare le organizzazioni a:

Determinare il rischio di credito in uno scenario caratterizzato da crisi economiche globali, progressi tecnologici e maggiori requisiti normativi.
Valutare il rendimento delle attività di marketing e ottimizzare il ROI, grazie alla conoscenza dei marketing analytics.
Individuare e prevenire le frodi in svariati settori, a partire da quello bancario e assicurativo, con la possibilità di integrare analytics e AI tradizionali con nuove tecnologie come la generative AI (GenAI).

Applicazioni di machine learning e AI

Gli analytics si evolvono in AI quando l'apprendimento viene incorporato nei modelli e le capacità di apprendere vengono automatizzate. Nel tempo, lo sviluppo di tecnologie come il machine learning e l'AI ha reso possibili applicazioni oggi molto diffuse, come le auto a guida autonoma e i motori di raccomandazione.

Oggi, gli algoritmi di machine learning e di deep learning lavorano con gradi di complessità e velocità sempre maggiori. Attraverso l'automazione, l'AI e il cloud computing, le organizzazioni e i centri di ricerca possono accedere a potenti modelli di AI e automatizzare decisioni complesse con un semplice clic.

Le opportunità di applicare analytics e AI sono innumerevoli. Ad esempio:

Il Natural Language Processing (NLP), o elaborazione del linguaggio naturale, si affida agli analytics alimentati dal machine learning per interpretare i testi in forma orale e scritta.
I chatbot utilizzano tecniche di NLP, come i modelli di generazione aumentata dal recupero (RAG), per rispondere in modo rapido e affidabile alle domande del servizio clienti o per offrire consigli di investimento nelle chat online. Possono anche fornire suggerimenti predefiniti ai collaboratori dei call center in tempo reale.
Gli agenti AI utilizzano dati e AI per comprendere problemi complessi, al fine di eseguire attività in modo affidabile (con vari livelli di autonomia) e risolvere problemi del mondo reale.

Un tutorial sul ciclo di vita degli analytics

L'AI trasforma ogni fase del ciclo di vita analitico: dalla raccolta dei dati fino all'implementazione degli insight in real-time. Acquisisci piena padronanza delle tre fasi del ciclo di vita per trasformare grandi volumi di dati eterogenei in decisioni più intelligenti, capaci di promuovere l'innovazione all'interno della tua organizzazione.

Come funzionano gli Analytics

L'uso efficace di analytics e AI prevede tre fasi: gestione dei dati, sviluppo dei modelli e implementazione degli insight. Come in ogni percorso, maggiore sarà la velocità con cui si completano le fasi del ciclo di vita degli analytics, minore sarà il tempo necessario per generare valore.

Esaminiamo più da vicino ciascuna fase.

I dati sono più veloci, più voluminosi e più complessi che mai. Le soluzioni di analytics consentono di analizzare molte tipologie di dati, tra cui i tradizionali dati strutturati e i nuovi dati non strutturati, come i dati dei sensori in streaming, le immagini, i video e altro ancora.

Per iniziare, è necessaria una strategia di data management che definisca le modalità di accesso, preparazione, pulizia e governance dei dati da parte dell'organizzazione. È importante considerare tutte le tipologie di dati, inclusi quelli sintetici, ovvero dati generati tramite algoritmi che simulano le informazioni del mondo reale.

Gli aspetti da affrontare nella prima fase sono:

Raccolta, pulizia e archiviazione dei dati

Le stime mostrano che la preparazione dei dati richiede circa l'80% del tempo necessario per un progetto analitico. Questo tempo potrebbe essere speso meglio se impiegato nello sviluppo di modelli. Una piattaforma di analytics intelligente ottimizza la preparazione dei dati grazie a motori di accesso nativi e strumenti integrati per la qualità e la preparazione dei dati, che automatizzano le attività più dispendiose in termini di tempo grazie all'AI.

Scegliere tra un'architettura dati centralizzata e una decentralizzata

Le organizzazioni più piccole o quelle con modelli operativi più semplici potrebbero non aver bisogno di un sistema completamente decentralizzato. Per le grandi imprese, invece, soprattutto quelle che operano in varie regioni con requisiti normativi diversi, un'architettura distribuita (come data mesh, data fabric e framework basati su cloud e pronti per l'AI) consente maggiore agilità e controllo. A prescindere dalle dimensioni e dal modello operativo, un approccio ibrido è talvolta l'opzione migliore.

Garanzia della qualità e della coerenza dei dati in tutta l'organizzazione

Una buona governance dei dati garantisce l'attendibilità delle informazioni, poiché permette di conoscerne la fonte e il contenuto e di monitorarne la qualità. Una piattaforma di advanced analytics applica una solida governance dei dati automatizzando la data discovery, mantenendo costante la qualità e stabilendo con chiarezza il lineage dei dati. Questo approccio completo da un lato semplifica la conformità normativa e l'efficienza operativa, dall'altro favorisce una comprensione condivisa dei dati, consentendo decisioni informate a tutti i livelli dell'organizzazione.

La modellazione AI consiste nella creazione di programmi basati su algoritmi che aiutano i computer a ragionare, apprendere e prevedere risultati. Alcuni modelli di AI sono in grado di svolgere attività specifiche senza istruzioni esplicite, sottolineando così la necessità di una solida AI governance.

Lo sviluppo di modelli implica l'esplorazione e la visualizzazione dei dati, e talvolta la scelta dell'algoritmo giusto avviene attraverso prove ed errori. La scelta dell'algoritmo giusto dipende da diversi fattori: la dimensione dei dati, le esigenze aziendali, i tempi di addestramento, i parametri e i data point.

Nemmeno i data scientist più esperti possono stabilire a priori quale algoritmo funzionerà meglio senza prima aver sperimentato molteplici approcci. Una piattaforma che consente di documentare, salvare e confrontare facilmente i vari tentativi migliora questo processo.

Man mano che i modelli vengono sviluppati, i data scientist li confrontano utilizzando diversi linguaggi di programmazione e varie tipologie di dati. Questo processo collaborativo funziona meglio quando hanno la possibilità di scrivere il codice nel linguaggio di loro preferenza, documentare e confrontare le varie prove. Inoltre, per chi non è esperto di programmazione, l'ideale è disporre di un'interfaccia "punta e clicca" per esplorare i risultati dei diversi approcci analitici.

Grazie alle tecniche di modellizzazione avanzate, è possibile selezionare semplicemente una fonte di dati e stabilire l'obiettivo, mentre un modello champion viene creato in background. La generazione del linguaggio naturale spiega quindi il modello.

La fase finale del ciclo di vita degli analytics consiste nel rendere operativi i risultati delle scoperte. Ma è proprio l'implementazione del modello la fase in cui le organizzazioni incontrano le maggiori difficoltà.

Questa fase, che consiste nel passare dalla selezione dei modelli alla loro messa in opera, richiede una gestione dei modelli che aiuti a sviluppare procedure e regole per l'implementazione e il monitoraggio. La gestione dei modelli garantisce il controllo delle versioni e consente di registrarli, convalidarli e amministrarli in modo centralizzato, offrendo trasparenza sui dati e sul loro utilizzo.

Se un’organizzazione adotta un processo di intelligent decisioning all’interno di un ambiente integrato di sviluppo e deployment, i modelli analitici possono essere convalidati e distribuiti in modo rapido e coerente. Ciò consente di creare i modelli una sola volta e di implementarli ovunque: nelle dashboard, nei sistemi operazionali o integrati in applicazioni tramite API.

Passi successivi

Pronto a ottenere di più dai tuoi dati e dalle tue analisi? L'efficacia si misura dai risultati. Scopri il modo più veloce per trasformare un miliardo di dati in risposte.

Inizia a usare SAS Viya Learn more about SAS Viya