Data Analytics
Qualsiasi decisione manageriale deve sempre poggiare su una solida base di dati ed analisi che li pongano in correlazioni variabili in funzione dell’attività da indirizzare; in assenza di tali informazioni il manager rischia di operare come un indovino.
Tipicamente i nostri clienti hanno oggi a disposizione un’enorme quantità di dati ed informazioni e, nell’ecosistema omnicanale, le fonti on e off line interagiscono tra di loro sui medesimi soggetti, rendendo indispensabili strumenti che consentano di organizzare e fruire dei dati in modo semplice ed omogeneo. Da qui l’esigenza di disporre di uno strumento, il Data Lake, che renda fruibili tutte le informazioni interne ed esterne accumulate e raccolte nello svolgimento dell’attività di intermediazione finanziaria con strumenti moderni ed efficaci di Data Visualization e Data Analysis.
In collaborazione con Partner specializzati e data scientist, OCS offre avanzati servizi di AI nelle forme di Data Science e Machine Learning volti a supportare i propri Clienti in:
- Descriptive Analysis: l’analisi guarda ai dati del passato e cerca di rispondere al quesito “Cosa è accaduto?”. Questa tipologia di analisi è generalmente utilizzata per misurare ed analizzare indicatori di performance di varia natura (vendite, leads,…).
- Diagnostic Analysis: le analisi diagnostiche mirano a spiegare “Perché qualcosa è accaduto” e seguono le analisi descrittive con le quali si misurano i fenomeni positivi o negativi. Ad esempio se un’analisi descrittiva fa emergere un rilevante aumento nel numero di leads, l’analisi diagnostica cercherà di comprendere quale sia stata l’azione di marketing più determinante nel generare l’incremento dei leads.
- Predictive Analysis: L’analisi predittiva cerca di elaborare scenari futuri mediante l’elaborazione delle serie storiche, risponde quindi alla domanda “Cosa accadrà?”.
- Prescriptive Analysis: le analisi prescrittive mettono a fattor comune tutti gli elementi raccolti con le analisi precedenti per elaborare piani d’azione, cambiamenti organizzativi o qualsiasi decisione inerente la strategia aziendale. Quello che comunemente si definisce “Data-Drive Decisions”.
“Che differenza c’è tra data science, AI e machine learning?
Data science, AI e Machine Learning vengono spesso usati come sinonimi. In realtà non lo sono, pur essendo tre termini in relazione tra loro.
L’AI – Artificial Intelligence, o, in italiano, intelligenza artificiale, è quel campo dell’informatica che ha come obiettivo costruire “macchine” che imitino il, o assomiglino al, comportamento umano: che comprendano quindi sia la sfera del “pensare” che quella dell’“agire”.
Data Science e Machine Learning sono due sottoinsiemi dell’intelligenza artificiale.
Il “Machine Learning” è, letteralmente, l’apprendimento (automatico) della “macchina”: il sistema informatico apprende dai dati a riconoscere schemi ricorrenti, o pattern, attraverso algoritmi artificiali, supervisionati o meno. In entrambi i casi, il sistema viene “allenato” attraverso un dataset diviso in due parti, il set di addestramento e il set di test vero e proprio: la macchina impara con il passar del tempo a riconoscere le correlazioni nel set di test a partire da quelle mostrate prima all’interno del set di addestramento. Ri-allenando il modello con quantità maggiori di dati, l’apprendimento diventa sempre più accurato.
Tra i principali algoritmi supervisionati ci sono le reti neurali artificiali, modelli di calcolo matematico che funzionano per connessioni, come nella rete neurale naturale. Connessioni che cambiano di peso a seconda delle informazioni mostrate durante la fase di apprendimento. Tra i metodi di apprendimento non supervisionato, più comune, troviamo il Clustering e il Data Mining: nel primo caso, l’obiettivo è trovare i Cluster, gruppi con caratteristiche simili, nei dati in ingresso; nel secondo, relazioni tra i dati non ancora conosciute.
La Data Science è la disciplina scientifica di costruzione di modelli statistici e di tecniche di analisi che servono a trarre valore dai dati. È meno tecnica e più ampia del machine learning, occupandosi anche del “cosa” e non solo del “come”. Viene definita come un sottoinsieme dell’intelligenza artificiale perché i risultati della data science concorrono a costruire agenti intelligenti”. (Fonte BigData4Innovation)
