Ogni azienda presenta al suo interno costi nascosti o colli di bottiglia, così come opportunità di business difficilmente identificabili. Con la trasformazione digitale e l’affermarsi dei paradigmi di produzione legati alla Quarta Rivoluzione Industriale, riuscire a ottenere informazioni puntuali dalla grande quantità di dati immagazzinati in azienda diventa sempre più pressante.
L’Internet of things, i social network, l’eCommerce, gli open data e gli stessi sistemi transazionali generano una quantità di dati che va gestita in modo innovativo, con algoritmi capaci di interpretare correlazioni non facili da individuare ex-ante.
Cresce la “fame” di analytics
L’importanza che viene attribuita dalle aziende ai dati e al valore intrinseco che è possibile ricavarne è estremamente elevata, come dimostra lo studio CIO Survey 2018 di NetConsulting cube.
Un assunto che vale sia per le soluzioni di BI di tipo tradizionale, ma soprattutto per le soluzioni analitiche di tipo avanzato, che si caratterizzano per essere in grado di estrarre valore da quantità elevate di dati, interni ed esterni alle aziende, di tipo strutturato e destrutturato. La rapida diffusione, malgrado gli algoritmi e i modelli siano in una fase di continous improvement, è favorita dagli ampi ambiti di applicabilità di queste soluzioni a livello cross-funzionale.
Il marketing e le vendite ricercano una segmentazione il più possibile precisa e polarizzata di prospect e clienti con l’obiettivo, anche attraverso il web, di conoscerne comportamenti e propensioni. La produzione ha sempre più la necessità di fornire informazioni agli altri sistemi gestionali per un corretto production planning, di ottimizzare la manutenzione e di integrarsi con i sistemi logistici, mentre le funzioni corporate ricercano ottimizzazione dei costi e gestione delle risorse umane in ottica di talent management.
Dal predire risultati a prescrivere strategie: l’ascesa del ML
I dati permeano le aziende in tutti i processi e permettono il loro improvement, se non la creazione di altri processi prima impossibili da implementare.
Quello che però risulta essere l’elemento vincente delle soluzioni di analisi avanzate è che non si limitano a fotografare un momento e a fornire informazioni su quello che è accaduto. Lo sviluppo di soluzioni di Machine Learning permette di elaborare scenari predittivi, funzionali sia a supportare decisioni strategiche a tutti i livelli di management, sia ad indirizzare tematiche di manutenzione predittiva.
Laddove vengano utilizzate in modo avanzato, queste soluzioni non solo formuleranno scenari futuri, ma cercheranno anche di essere prescrittive, cioè di influenzare scelte strategiche basandosi sull’incrocio intelligente di parametri e dati.
Un obiettivo che spinge a investire nello sviluppo di algoritmi di Machine Learning più della metà dei CIO intervistati (59%), spesso grazie anche alla flessibilità offerta da piattaforme online.
Macchine e autoapprendimento: perché oggi?
Come il più vasto insieme di algoritmi di Intelligenza Artificiale, di cui il Machine Learning è una componente, non stiamo realmente parlando di soluzioni introdotte negli ultimi anni. L’apprendimento automatico rappresenta un insieme di metodi sviluppati a partire dagli ultimi decenni del 1900 in numerose comunità scientifiche con nomi differenti: come statistica computazionale, riconoscimento di pattern, reti neurali artificiali, data mining o algoritmi adattivi. Il tutto per indicare metodi statistici per migliorare progressivamente la performance di un algoritmo nell’identificare pattern nei dati.
Alla fine degli anni ’90 del secolo scorso, l’apprendimento automatico è diventata disciplina scientifica, in quanto i rapidi progressi nel processo di digitalizzazione e nella disponibilità di potenza di calcolo a basso costo hanno permesso ai data scientist di smettere di costruire modelli finiti, addestrando invece i computer a farlo. Il volume ingestibile e la complessità dei grandi dati che permeano il nostro mondo hanno aumentato il potenziale dell’apprendimento automatico e, al contempo, la necessità di farlo.
La strategia prima di tutto
Il Machine Learning permette di estrarre valore dalle attività routinarie di ogni organizzazione, incrociando i dati generati da ciascuna interazione con serie statistiche, informazioni di contesto e dataset esterni, relativi a variabili che possono influenzare i risultati di business: trovare correlazioni nascoste all’occhio umano è proprio ciò che rende il Machine Learning così rilevante. Naturalmente, nonostante questo potenziale, l’apprendimento automatico non è per nulla simile a quello umano (almeno per ora).
Alla base degli algoritmi vi deve sempre essere una chiara strategia di business, gli executive sono avvisati. Altrimenti, il Machine Learning rischia solo di essere uno strumento utile, senza però esprimere il suo pieno potenziale nel lungo periodo.
Per saperne di più leggi un caso reale di Machine Learning: Fattori inesplorati per Luna Rossa, con Teorema verso la sfida dell’America’s Cup
“What’s next?” quando si parla di futuro.
Non perdere tutti gli approfondimenti della Rubrica WhatsNext
© RIPRODUZIONE RISERVATA
