Velocizza l'analisi dei dati per prendere decisioni migliori con la predictive analytics.

Definizione

Cosa si intende per predictive analytics?

La predictive analytics è un ramo dell'advanced analytics che effettua previsioni sui risultati futuri tramite l'utilizzo di dati cronologici combinati con la modellazione statistica, le tecniche di data mining e il machine learning. Le aziende adottano la predictive analytics per individuare i modelli in questi dati per identificare i rischi e le opportunità.

La predictive analytics viene spesso associata ai big data e alla data science. Le aziende oggi si muovono in un mare di dati che risiedono in database transazionali, file di log delle attrezzature, immagini, video, sensori e altre fonti di dati. Per ottenere gli insight da questi dati, i data scientist utilizzano gli algoritmi di deep learning e machine learning per individuare i modelli ed eseguire previsioni sugli eventi futuri. Tra questi figurano la regressione lineare e non lineare, le reti neurali, le macchine virtuali e gli alberi decisionali. Le conoscenze acquisite grazie alla predictive analytics in seguito possono essere ulteriormente sfruttate all'interno della prescriptive analytics per favorire decisioni basate sugli insight predittivi.

IBM offre una serie di strumenti software per aiutarti a creare in modo più facile e veloce modelli predittivi scalabili. Questi strumenti possono essere eseguiti anche su IBM Cloud Pak® for Data, una piattaforma di dati e AI containerizzata che ti consente di creare ed eseguire modelli ovunque - su qualsiasi cloud e on-premises.

Vantaggi

Una piattaforma flessibile per creare modelli predittivi

Scalabilità

Automatizza le attività di data science e di ingegneria dei dati. Addestra, testa e implementa i modelli senza soluzione di continuità su più applicazioni aziendali. Estendi le comuni funzionalità di data science su ambienti multicloud ibridi.

Velocità

Sfrutta applicazioni predefinite e modelli pre-addestrati. Aiuta i team di data science e business a collaborare e semplifica la creazione di modelli con software IBM e open source all'avanguardia.

Semplicità

Utilizza una piattaforma centrale per gestire l'intero ciclo di vita della data science. Standardizza i processi di sviluppo e implementazione. Crea un singolo framework per la governance dei dati e la sicurezza in tutta l'organizzazione.

Strumenti della predictive analytics di IBM

Piattaforma di data science

IBM Watson® Studio aiuta a rendere operativa l'AI fornendo strumenti per preparare i dati e creare modelli ovunque utilizzando il codice open source o la modellazione visiva.

Software di analisi statistica

IBM® SPSS® Statistics è progettato per risolvere i problemi di business e di ricerca utilizzando analisi ad hoc, test di ipotesi, analisi geospaziale e predictive analytics.

Strumento di modellazione visiva

La soluzione IBM SPSS Modeler può aiutarti a sfruttare asset di dati e applicazioni moderne, con algoritmi e modelli completi pronti per l'uso immediato.

Soluzioni di ottimizzazione delle decisioni

IBM Decision Optimization ottimizza i risultati offrendo le funzionalità di prescriptive analytics per aumentare gli insight predittivi dai modelli di machine learning.

Esempi di predictive analytics

Esplora i casi di utilizzo dei settori

Settore bancario

I servizi finanziari utilizzano il machine learning e gli strumenti quantitativi per prevedere il rischio di credito e rilevare le frodi.

Settore sanitario

La predictive analytics nel settore finanziario viene utilizzata per rilevare e gestire l'assistenza prestata ai pazienti affetti da malattie croniche.

HR (Human resources - Risorse umane)

I team delle Risorse umane utilizzano la predictive analytics per identificare e assumere dipendenti, determinare i mercati del lavoro e prevedere il livello di prestazioni di un dipendente.

Marketing e vendite

La predictive analytics può essere utilizzata per le campagne di marketing in tutto il ciclo di vita dei clienti e nelle strategie di cross-selling.

Vendita al dettaglio

I venditori al dettaglio utilizzano la predictive analytics per identificare i consigli sui prodotti, prevedere le vendite, analizzare i mercati e gestire l'inventario stagionale.

Supply chain

Le aziende utilizzano la predictive analytics per rendere più efficiente la gestione dell'inventario, contribuendo a soddisfare la domanda riducendo al tempo stesso al minimo le scorte.

Approfondisci la predictive analytics

Tipi di modello e altro ancora

Tipi di modellazione predittiva

I team di data science e analytics si avvalgono di tre tipi di modelli predittivi: modellazione predittiva, modellazione descrittiva e modellazione decisionale.

Modellazione predittiva
La modellazione predittiva utilizza le statistiche per prevedere i risultati. L'obiettivo è valutare la probabilità che un'unità simile in un campione diverso presenterà prestazioni simili. La modellazione predittiva può essere utilizzata per prevedere il comportamento di un cliente, come il suo rischio di credito.

Modellazione descrittiva
La modellazione descrittiva descrive le relazioni all'interno di un determinato dataset ed è principalmente utilizzata per classificare i clienti o i potenziali clienti in gruppi a fini di segmentazione. Questo tipo di modellazione si concentra sull'identificazione di relazioni di diverso tipo tra clienti e prodotti, ad esempio in base alle preferenze dei prodotti e alla fase della vita.

Modellazione decisionale
La modellazione decisionale descrive la relazione tra gli elementi in una decisione, come i dati, la decisione e i risultati previsti, per prevedere i risultati. Questo tipo può essere utilizzato per ottimizzare determinati risultati riducendo al minimo gli altri.

Modelli di predictive analytics più diffusi

I modelli di predictive analytics sono progettati per valutare i dati cronologici, scoprire i modelli, osservare le tendenze e utilizzare tali informazioni per prevedere le tendenze future. I modelli di predictive analytics più diffusi includono la classificazione, il clustering, la previsione, le anomalie e le serie temporali, che sono descritti in modo più dettagliato di seguito.

Classificazione dei modelli
I modelli di classificazione rientrano nella categoria dei modelli di machine learning supervisionati. Permettono di includere i dati nelle categorie in base alle conclusioni tratte dai dati cronologici. Questo modello è comunemente usato per rispondere alle domande con output binari, come ad esempio una risposta con sì o no oppure con vero e falso. I tipi di classificazione dei modelli includono la regressione logistica, gli alberi decisionali, la foresta casuale, le reti neurali e Naïve Bayes.

Modelli di clustering
I modelli di clustering rientrano nella categoria dell'apprendimento non supervisionato. Ordinano i dati in gruppi in base ad attributi simili. Ad esempio, un sito di e-commerce può utilizzare il modello per separare i clienti in gruppi simili in base a caratteristiche comuni e sviluppare strategie di marketing per ogni gruppo. Gli algoritmi di clustering comuni includono il clustering k-means, il clustering mean-shift, il clustering spaziale delle applicazioni basato sulla densità con rumore (DBSCAN), il clustering di massimizzazione delle aspettative (EM, expectation-maximization) utilizzando i GMM (Gaussian Mixture Model) e il clustering gerarchico.

Modelli di previsione
I modelli di previsione utilizzano la previsione dei valori metrici, stimando il valore numerico per i nuovi dati in base alle tendenze dai dati cronologici. Ad esempio, un call center può utilizzare il modello per prevedere quante chiamate riceverà all'ora. Serie temporali e modelli econometrici sono esempi di modelli di previsione.

Modelli di anomalie
I modelli di anomalie si occupano delle voci di dati anomale in un dataset. Ad esempio, le compagnie di assicurazioni possono farne uso per il rilevamento delle frodi per contrassegnare i dati anomali in un elenco di transazioni. Alcuni metodi diffusi per il rilevamento dei valori anomali includono l'analisi dei valori estremi, la modellazione statistica e probabilistica, la regressione lineare, la modellazione basata sulla prossimità e la modellazione della teoria delle informazioni.

Modelli di serie temporali
I modelli di serie temporali adottano una sequenza di punti di dati utilizzando il tempo come parametro di input. Il modello può prendere l'ultimo anno di dati, calcolare una metrica numerica e utilizzare tale metrica per fare previsioni sui dati dalle tre alle sei settimane. Ad esempio, il modello può essere utilizzato da un ospedale per fare previsioni sulla capacità del pronto soccorso in base al numero di pazienti che si è presentato nelle ultime sei settimane.

Processo di predictive analytics

La predictive analytics inizia con un obiettivo di business, come ad esempio ridurre gli sprechi, risparmiare tempo o tagliare i costi. Il processo utilizza i modelli per sfruttare dataset di grandi dimensioni per generare i risultati che supportano tale obiettivo.

Per fare un esempio, il processo di predictive analytics, al fine di prevedere le entrate derivanti dalle vendite, segue questi passi di base.

  1. Importare dati da una varietà di fonti. Queste fonti di dati includono le vendite di prodotti, i budget di marketing e il PIL nazionale.
  2. Ripulire i dati eliminando le anomalie (ovvero i picchi di dati, i dati mancanti) ed eseguendo l'aggregazione. Una singola tabella potrebbe essere utilizzata per aggregare diversi tipi di dati, come le vendite di prodotti, i budget di marketing e il PIL nazionale.
  3. Sviluppare un modello predittivo basato in modo da garantire un adattamento adeguato. Ad esempio, le reti neurali potrebbero essere utilizzate per creare e addestrare un modello predittivo per la previsione delle entrate.
  4. Implementare il modello in un ambiente di produzione, dove sarà accessibile tramite altre applicazioni.

Implementazione di un programma di predictive analytics

L'utilizzo della predictive analytics rappresenta una pietra miliare fondamentale del tuo percorso verso l'analytics - un punto di confluenza in cui l'analisi statistica classica si combina con il nuovo mondo dell'intelligenza artificiale (AI). L'odierna convergenza senza precedenti di strumenti intuitivi, nuove tecniche predittive e modelli di implementazione di cloud ibrido rende la predictive analytics e la modellazione più accessibili che mai. Per la prima volta, le organizzazioni di tutte le dimensioni possono avere gli strumenti per integrare la predictive analytics nei loro processi di business e per sfruttare l'AI su vasta scala.

L'evoluzione a un programma di data science aziendale può offrire notevoli vantaggi competitivi. I tipici passi in tale evoluzione sono i seguenti:

Fase 1: Inizia subito

Quando un'azienda inizia a creare le sue funzionalità di data science, di norma inizia con progetti ad hoc, come ad esempio lo sviluppo di modelli per rispondere a specifiche domande o supportare progetti di ricerca. Con soluzioni come IBM Watson Studio Desktop, i data scientist possono lavorare 24 ore su 27 e 7 giorni su 7 sui loro computer o laptop e sincronizzarsi con un team più ampio quando necessario.

Fase 2: Crescita dell'adozione

Man mano che la data science viene adottata in misura più ampia nell'azienda, i diversi reparti devono implementare i loro modelli, connetterli alle fonti di dati e integrarli nelle applicazioni di produzione. IBM Watson Studio e IBM Watson Machine Learning consentono ai team di data science e IT dei reparti di collaborare più facilmente in tutto questo ciclo di vita.

Fase 3: Adozione su scala aziendale

Dopo che l'AI è stata integrata nei processi business-critical, le organizzazioni devono creare una piattaforma centrale per gestire e controllare modelli e dati. IBM Cloud Pak for Data può fornire l'infrastruttura e gli strumenti necessari per una piattaforma multicloud completa che funga da singolo punto di controllo.

Ottieni un'esperienza pratica

Modelli di codice e tutorial

Crea e implementa un modello di assegnazione di punteggi per prevedere le anomalie del battito cardiaco

Prevedi i malfunzionamenti delle apparecchiature utilizzando i dati dai sensori IoT

Analizza le serie di dati medici aperti per ottenere insight

Dai forma e perfeziona i dati non elaborati per l'analisi predittiva

Inizia subito

Inizia il tuo percorso verso la predictive analytics