- SAS Insights in Italia
- Analytics Insights in Italia
- Cosa sono gli Analytics
Analytics
Cosa sono e perché sono importanti
Gli analytics combinano dati e matematica per rispondere alle domande di business, scoprire relazioni, prevedere risultati e automatizzare le decisioni. Questo campo dell'informatica viene utilizzato per trovare modelli significativi all'interno dei dati aziendali e ottenere nuove informazioni basate su matematica applicata, statistica, modellizzazione predittiva e sulle tecniche di machine learning.
Storia degli Analytics
In passato, l'archiviazione e la velocità di elaborazione dei dati limitavano lo sviluppo degli analytics. Oggi, tali limitazioni sono venute meno, aprendo nuovi scenari per gli algoritmi di machine learning e deep learning in grado di gestire grandi quantità di dati, big data, in più passaggi.
Il risultato? Le capacità descrittive, prescrittive e predittive tipiche degli analytics sono state potenziate con l'apprendimento e l'automazione, inaugurando così l'era dell'intelligenza artificiale.
In altre parole, se prima chiedevamo alle macchine di dirci cosa è accaduto o cosa potrebbe accadere, ora chiediamo loro di apprendere autonomamente dai dati in loro possesso e persino di suggerirci quali domande porre.
Gli analytics rappresentano attualmente un asset strategico per la maggior parte delle aziende e sono di fatto alla base di molti ruoli e competenze funzionali.
Uno dei settori in crescita nell'ambito degli analytics alimentati dal machine learning è l'elaborazione del linguaggio naturale (NLP, Natural Language Processing). I computer utilizzano l'NLP per interpretare un testo scritto o parlato. I chatbot, ad esempio, sfruttano l'NLP per rispondere alle domande del servizio clienti o per offrire consigli di investimento nelle finestre di chat online. Possono anche fornire suggerimenti scritti ai dipendenti dei call center mentre sono operativi.
Inoltre, il machine learning e l'intelligenza artificiale hanno introdotto applicazioni utili come le auto a guida autonoma e i sistemi di raccomandazione, che ci permettono di viaggiare come se fossimo in un taxi mentre guardiamo le serie TV suggerite in base ai nostri gusti.
Naturalmente, l'impiego degli analytics non si limita al tempo libero. Man mano che i computer diventano più veloci e potenti, si moltiplicano le opportunità per sfruttare gli analytics e l'intelligenza artificiale. Che si tratti di determinare il rischio di credito, sviluppare nuovi farmaci, trovare modi più efficienti per offrire prodotti e servizi, prevenire le frodi, scoprire le minacce informatiche o fidelizzare i clienti più importanti, gli analytics possono aiutarti a comprendere quali siano i fattori alla base del successo aziendale e quanto contino per i tuoi clienti.
Gli analytics nel mondo di oggi
Metti in pratica i tuoi progetti analitici con queste risorse. Trovi ciò di cui hai bisogno per pianificare i progetti, ritrovare fiducia nei tuoi dati e sviluppare una strategia di analisi efficace.
10 domande per dare il via ai tuoi progetti analitici
Quanto mi costa? Quali problemi sto cercando di risolvere? Dove potrei trovare delle difficoltà? Queste sono solo tre delle domande chiave che dovresti porti per inquadrare il tuo progetto analitico.
Perché avere fiducia negli analytics
Ottenere più valore dagli analytics e dalle tecnologie come l'AI inizia con la fiducia. Ma come hanno fatto aziende leader a costruire questa fiducia nei dati e negli analytics? MIT Sloan ha intervistato 2.400 imprenditori per scoprirlo.
Elabora la tua strategia analitica
Cosa deve essere sempre in agenda per i responsabili aziendali dei dati e degli analytics? Definire una strategia analitica. Garantire l'affidabilità delle informazioni. Potenziare le decisioni data-driven. E altro ancora. Scarica questo e-book e crea la tua strategia analitica.
Analytics 101
Se sei curioso di sapere come una piccola o media impresa potrebbe trarre beneficio dagli analytics ma non sai da dove iniziare, questo è il webinar giusto per te. Ecco una panoramica sull'utilizzo degli analytics, valida per aziende di qualsiasi dimensione.
Chi usa gli Analytics?
I recenti progressi tecnologici hanno aumentato il potenziale degli analytics. Più dati, opzioni di archiviazione migliori e meno costose, maggiore potenza di calcolo, capacità di elaborazione distribuita e condivisa e un numero superiore di algoritmi hanno reso più semplice applicare gli analytics alle sfide di business di tutti i settori di mercato.
- Scegli un settore
- Assicurazioni
- Banche
- Energy
- Health Care
- Manifatturiero
- Pubblica Amministrazione
- Retail
- Telecomunicazioni
Assicurazioni
Spesso limitati da tecnologie legacy, gli assicuratori stanno investendo in infrastrutture cloud per supportare l'adozione di nuove tecnologie e per processi più agili. In molti casi, le singole business unit sono alla guida stessa della trasformazione digitale, fungendo da esempio per la digitalizzazione dell'azienda intera.
Banche
Le banche di tutto il mondo si stanno trasformando per attrarre e fidelizzare i clienti. Dai chatbot basati sull'AI all'individuazione avanzata delle frodi, gli istituti finanziari utilizzano le nuove tecnologie digitali per creare una maggiore trasparenza e percorsi digitali sicuri tra i clienti e azienda.
Energy
Una migliore tecnologia previsionale aiuta le aziende energetiche a risparmiare milioni di euro. Permette inoltre di fornire una quantità superiore di energia alle nazioni che non ne producono a sufficienza. I sensori sulle turbine aiutano le utility a sfruttare fino all'ultimo il valore dei macchinari esistenti e ad affrontare proattivamente i problemi meccanici prima dei guasti.
Health Care
La trasformazione digitale sta accelerando i miglioramenti in settori quali la diagnostica, la cura e il monitoraggio. L'AI ad esempio è utilizzata per migliorare l'individuazione del cancro. Gli strumenti digitali promettono diagnosi più precise e una migliore focalizzazione dei trattamenti grazie ai modelli predittivi. In parole povere, viviamo più a lungo e in maniera più sana anche grazie all'uso della tecnologia.
Manifatturiero
Le aziende manifatturiere e della logistica sono leader nella digital transformation. L'uso della robotica e dell'automazione stanno snellendo la supply chain. Mentre alcuni settori di mercato faticano a generare valore dall'IoT, il manifatturiero ha già esperienza nell'uso dei dati dei sensori per evidenziare difetti nella produzione e ottimizzare la manutenzione dei macchinari.
Pubblica Amministrazione
Smart City. Cybersecurity. Servizi digitali. Il settore pubblico utilizza sempre più spesso la tecnologie per migliorare la vita dei cittadini. Grazie ai big data a loro disposizione, le pubbliche amministrazioni hanno maggiori possibilità di ridurre i costi e aumentare le entrate. Le chiavi di volta sono il change management e la promozione di una vera cultura dell'innovazione.
Retail
Il Retail non riguarda più i prodotti ma i clienti. Grazie a modelli di business buy-low e sell-high adottati dai giganti dell'e-commerce come Amazon, sono necessari strumenti di advanced analytics e di customer intelligence per comprendere e servire al meglio i clienti.
Telecomunicazioni, media e tecnologia
Il crollo dei ricavi ha spinto molte aziende del settore TMT ad adottare un approccio più aggressivo alla trasformazione. Ciò include la creazione di servizi innovativi e l'estrazione di dati al fine di migliorare l'esperienza del cliente. Si prevedono cospicui investimenti in progetti di digital transformation, in quanto le aziende del settore TMT sono alla ricerca di nuove opportunità di crescita.
La democratizzazione degli analytics
Le pressioni del mondo digitale stanno colpendo tutti e il sovraccarico di dati non è più limitato alle "persone dei numeri" all'interno delle organizzazioni. Puoi forse fare il nome di qualcuno, in una qualsiasi azienda, a cui non venga richiesta velocità, agilità, flessibilità e innovazione? Questo rende gli analytics una priorità praticamente per tutti, non solo per gli statistici e data scientist.
Di conseguenza, le organizzazioni sono alla ricerca di modi per rendere gli analytics disponibili a più utenti, mettendo nelle mani di più collaboratori insight facili da comprendere, incorporandoli poi nelle applicazioni più operative o automatizzando le decisioni rilevanti.
Le tecnologie che offrono processi "punta e clicca" per la costruzione dinamica e automatica dei modelli stanno rendendo l'analisi dei dati disponibile a un maggior numero di utenti. Anche domande complesse possono trovare risposta selezionando una fonte di dati e indicando un obiettivo, mentre un modello campione viene costruito in background e la generazione in linguaggio naturale spiega il modello.
Le organizzazioni guidate dagli analytics possono aspettarsi un vantaggio competitivo, rendimenti fuori scala e sopravvivenza a lungo termine.
L'abbinamento è quello giusto
Scopri il viaggio intrapreso da Levi Strauss & Co. con SAS® per costruire una cultura decision-ready guidata dagli analytics che permette all'azienda di connettersi con tutti i fan del noto marchio di abbigliamento.
Levi Strauss & Co. utilizza gli analytics per prevedere nuove opportunità di business, ottimizzare la pianificazione delle merci, l'allocazione e la gestione dell'inventario.
Come funzionano gli Analytics
Ogni azienda è un'azienda analitica. Ogni processo è un processo analitico, pronto ad essere migliorato. E ogni collaboratore potrebbe essere, in qualche modo, un utente analitico. Indipendentemente da ciò che si prevede di realizzare con gli analytics, il primo requisito per qualsiasi progetto di analisi sono i dati. Una volta ottenuti, devi analizzarli. Poi è necessario utilizzare i risultati delle analisi come guida del tuo processo decisionale. Quanto più velocemente le organizzazioni sanno muoversi attraverso il ciclo di vita analitico, tanto più velocemente possono ottenere un valore tangibile dai loro investimenti negli analytics.
In SAS vediamo queste tre categorie - data, discovery e deployment - come fasi iterative del ciclo di vita analitico. Indipendentemente dalla portata o dalle dimensioni, ogni tuo progetto dovrebbe includere tutte e tre le fasi. Esaminiamole più da vicino.
Data
I dati oggi sono veloci, grandi e complessi. Le soluzioni analitiche devono analizzare dati di qualsiasi tipo, compresi i dati strutturati tradizionali e i formati emergenti, come i dati dei sensori di streaming, le immagini e i video.
Per accedere ai dati, prepararli, pulirli e gestirli, è necessaria una strategia di data management.
Ma come fare a raccogliere, ripulire e archiviare i dati? Si stima che la data preparation possa richiedere fino all'80% del tempo necessario allo sviluppo di un progetto analitico. Non si potrebbe impiegare meglio questo tempo costruendo dei modelli?
Una piattaforma analitica intelligente semplifica la data preparation mediante motori di accesso nativi e strumenti integrati per la qualità e la preparazione dei dati, in grado di automatizzare le attività più impegnative grazie all'AI.
La data governance, infine, garantisce l'attendibilità dei dati, perché permette di conoscere la fonte e il contenuto e di monitorare la data quality. In caso di necessità, la governance dei dati facilita anche la protezione dei dati stessi.
Discovery
Nella fase di scoperta rientrano l'esplorazione, la visualizzazione e la costruzione di modelli. Trovare l'algoritmo giusto è spesso un processo continuo di tentativi ed errori. Questo processo funziona meglio quando tutti i tentativi possono essere facilmente documentati, salvati e confrontati.
La scelta dell'algoritmo giusto dipende da diversi fattori: la dimensione dei dati, le esigenze aziendali, i tempi di addestramento, i parametri, i data point e molto altro ancora. Nemmeno i data scientist più esperti sono in grado di dire quale algoritmo funzionerà meglio, se non dopo aver sperimentato diversi approcci.
Infatti è comune nella fase di scoperta confrontare diversi modelli scritti in un diverso linguaggio di programmazione e con differenti caratteristiche dei dati.
Ad esempio, in un recente progetto di analisi che sfruttava il rilevamento di oggetti (object detection) per identificare i tumori nelle scansioni mediche del fegato, il primo passo è stato l'esplorazione di diverse reti neurali, per poi confrontare e documentare i risultati dei vari modelli nel corso di alcune settimane.
Questo processo collaborativo funziona al meglio quando i data scientist con differenti competenze possono scrivere codice nel linguaggio di loro scelta e i non programmatori possono utilizzare un'interfaccia visiva "punta e clicca" per esplorare i risultati dei diversi approcci analitici.
Deployment
Se vuoi che la tua attività analitica porti dei benefici, devi implementare i risultati delle scoperte e metterli in pratica. Machine learning e altri modelli non sono destinati a prendere polvere sullo scaffale: è necessario utilizzarli per ottenere il valore di business. Tuttavia, la fase di implementazione è quella in cui la maggior parte delle aziende ha maggiori difficoltà.
Che si tratti della costruzione di un singolo modello analitico o di migliaia, il passaggio dalla selezione al deployment richiede una delicata fase di gestione. Il model management fornisce il controllo delle versioni e ti aiuta a registrare, convalidare e gestire in modo centralizzato i modelli. Aiuta a sviluppare procedure e regole per l'implementazione e il monitoraggio e permette inoltre di ottenere trasparenza sui dati e sull'utilizzo del modello stesso.
Il tuo obiettivo dovrebbe essere quello di costruire modelli una sola volta e implementarli ovunque: su dashboard esecutivi, direttamente nei sistemi operazionali o integrati in altre applicazioni attraverso API.
L'Ecosistema Analitico
Gli analytics sono in piena espansione. Nell'ecosistema analitico, sono centinaia le aziende che forniscono tecnologie e servizi per supportare le organizzazioni nell'archiviazione, accesso, analisi e presentazione dei dati. Tali servizi spaziano dalla gestione e visualizzazione dei dati alle soluzioni analitiche avanzate e precostituite, incluse molte opzioni di analytics open source.
SAS è la sola in grado di integrarsi con tutti gli attori di questo ecosistema. La piattaforma SAS funziona sugli hardware di qualsiasi fornitore, accetta tutti i tipi di dati, confronta modelli di lingue diverse e offre una governance coerente in tutte le fasi dell'ecosistema analitico: raccolta, scoperta e deployment dei dati.
Stai archiviando i dati su AWS o Hadoop? Estrai dati da Twitter o da Google Analytics? Analizzi i dati con Python e SAS? Esegui programmi su chip Intel o NVIDIA? Effettui il deployment dei risultati su desktop o su dispositivi IoT?
La piattaforma SAS è in grado di gestire tutto questo, oltre a qualsiasi altra soluzione legacy tu abbia già adottato. Il risultato? Tutti, dai data scientist all'IT fino ai decision maker, sono in grado di lavorare insieme nello stesso sistema di analytics. Inoltre, avrai accesso alla gestione, al monitoraggio e alla trasparenza dei modelli, al lineage dei dati e all'integrazione tra i progetti e i pacchetti di analisi.
È solo attraverso l'armonizzazione di tutti gli elementi di quell'ecosistema che una piattaforma di analytics può accelerare il ciclo di vita analitico, trasformando semplici dati in risultati di business tangibili. In conclusione, ciò migliora il ROI di tutti i tuoi investimenti in analytics (dati, tecnologie e persone) e ti proietta verso il successo.
Passi successivi
Scopri l'apporto di data mining, statistica, forecasting e ottimizzazione agli advanced analytics.
Soluzioni di intelligenza artificiale
Gli analytics si evolvono in intelligenza artificiale quando l'apprendimento viene incorporato nei modelli e le capacità di apprendimento vengono automatizzate. Gli analytics SAS hanno già solide basi nell'AI, con soluzioni di advanced analytics, machine learning, deep learning, elaborazione del linguaggio naturale e computer vision. Scopri come fornire a manager e data scientist la tecnologia, le competenze e il supporto necessari per trasformare la tua azienda e prepararla a un futuro basato sull'AI.
Letture consigliate
- ARTICOLO Why banks need to evolve their approach to climate and ESG riskManaging environmental, social and governance (ESG) risk is important to banks, regulators, investors and consumers – yet there are many interpretations of how to do it. To thrive, organizations must evolve their risk management practices – including those affected by ESG risk.
- ARTICOLO Homelessness data holds insights to a hidden problemSAS partnered with The Carying Place, an organization that supports working homeless families, to find new ways to measure indicators of participant success and provide families the help they deserve.
- ARTICOLO The analytical CRO and the risk aware CFOTo create a more risk-aware organization, the most important collaborative relationship for the CRO is with the CFO and the finance team. The CFO and CRO – as the executives responsible for budgeting and supervision – tend to get caught in the middle of competing objectives.
Dal 1976, le aziende di tutto il mondo scelgono SAS.