L'analitica predittiva è una branca dell'analitica avanzata che effettua previsioni sui risultati futuri utilizzando dati storici combinati con modelli statistici, tecniche di data mining e machine learning.
Le aziende utilizzano l’analitica predittiva per individuare dei modelli in questi dati con lo scopo di identificare rischi e opportunità. L'analitica predittiva è spesso associata ai big data e alla data science.
Oggi le aziende sono inondate di dati, dai file di log alle immagini e ai video, e tutti questi dati risiedono in repository di dati eterogenei all'interno delle organizzazioni stesse. Per ottenere insight da questi dati, i data scientist utilizzano algoritmi di deep learning e machine learning per individuare dei modelli e fare previsioni su eventi futuri. Alcune di queste tecniche statistiche includono modelli logistici e di regressione lineare, reti neurali e alberi decisionali. Alcune di queste tecniche di modellazione utilizzano le informazioni predittive iniziali per ottenere ulteriori insight predittivi.
Leggi perché IBM è stata nominata leader nel report IDC MarketScape: Worldwide AI Governance Platforms 2023.
Registrati per ricevere l'ebook sugli storage dei dati AI
I modelli di analitica predittiva sono progettati per valutare i dati storici, scoprire modelli, osservare tendenze e utilizzare tali informazioni per prevedere tendenze future. I modelli di analitica predittiva più diffusi includono modelli di classificazione, clustering e serie storiche.
Modelli di classificazione
I modelli di classificazione rientrano nel ramo dei modelli di machine learning supervisionato. Questi modelli categorizzano i dati sulla base dei dati storici, descrivendo le relazioni all'interno di un determinato set di dati. Ad esempio, questo modello può essere utilizzato per classificare i clienti o i potenziali clienti in gruppi per fini di segmentazione. In alternativa, può anche essere utilizzato per rispondere a domande con output binari, come rispondere sì o no oppure vero e falso; viene frequentemente utilizzato per casi d'uso come il rilevamento delle frodi e la valutazione del rischio di credito. I tipi di modelli di classificazione includono regressione logistica, alberi decisionali, foresta casuale, reti neurali e Naïve Bayes.
Modelli di clustering
I modelli di clustering rientrano nell'ambito dell'apprendimento senza supervisione. Raggruppano i dati 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 ciascun gruppo. Gli algoritmi di clustering più comuni includono il k-means clustering, il clustering a spostamento medio, il clustering spaziale basato sulla densità di applicazioni con rumore (DBSCAN), il clustering di massimizzazione delle aspettative (EM) utilizzando Gaussian Mixture Models (GMM) e il clustering gerarchico.
Modelli di serie storiche
I modelli di serie storiche utilizzano diversi input di dati con una frequenza temporale specifica, ad esempio giornaliera, settimanale, mensile, ecc. È prassi comune tracciare un grafico della variabile dipendente nel tempo per valutare la stagionalità, le tendenze e il comportamento ciclico dei dati, che potrebbero indicare la necessità di una trasformazione e di tipi di modelli specifici. I modelli autoregressivi (AR), a media mobile (MA), ARMA e ARIMA sono tutti modelli di serie storiche utilizzati di frequente. Ad esempio, un call center può utilizzare uno dei modelli di serie storiche per prevedere il numero di chiamate che riceverà ogni ora in diversi momenti della giornata.
L’analitica predittiva può essere implementata in vari settori per diversi problemi aziendali. Di seguito sono riportati alcuni casi d'uso per settore che illustrano come l'analitica predittiva possa informare il processo decisionale in situazioni reali.
Un'organizzazione che sa cosa aspettarsi in base ai modelli passati ha un vantaggio aziendale nella gestione delle scorte, della forza lavoro, delle campagne di marketing e della maggior parte degli altri aspetti operativi.
IBM Watson Studio consente a data scientist, sviluppatori e analisti di sviluppare, eseguire e gestire modelli AI e di ottimizzare le decisioni ovunque su IBM Cloud Pak for Data.
IBM SPSS Statistics è una potente piattaforma software statistica. Offre un'interfaccia di facile utilizzo e una serie comprovata di funzioni che permettono alla tua organizzazione di estrarre rapidamente insight utilizzabili dai tuoi dati.
IBM SPSS Modeler è una soluzione leader di visual data science e machine learning (ML) progettata per aiutare le aziende ad accelerare il time to value velocizzando le attività operative dei data scientist.
Sblocca il valore dei dati aziendali e crea un'organizzazione basata su insight in grado di offrire vantaggi aziendali con IBM Consulting.
L'analitica predittiva moderna può consentire alla tua azienda di arricchire i dati con insight in tempo reale per prevedere e plasmare il tuo futuro. Per maggiori informazioni, consulta questa guida.
Crea un modello di apprendimento automatico (ML) per valutare il rischio associato alla concessione di una carta di credito a un richiedente, aiutando nella valutazione dell'operazione.
Scopri come IBM SPSS Modeler può garantire una data science produttiva e un ROI rapido utilizzando lo strumento Forrester Consulting commissionato da IBM.