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.

• Settore bancario: i servizi finanziari utilizzano machine learning e strumenti quantitativi per prevedere il rischio di credito e rilevare le frodi. Ad esempio, BondIT è una società specializzata in servizi di gestione degli asset a reddito fisso. L'analitica predittiva consente loro di supportare i vincoli statici del mercato ma anche i suoi cambiamenti dinamici in tempo reale. Questo uso della tecnologia consente sia di personalizzare i servizi personali per i clienti che di ridurre al minimo i rischi. 
• Sanità: l'analitica predittiva nel settore sanitario viene utilizzata per rilevare e gestire la cura dei pazienti affetti da malattie croniche, oltre che per monitorare infezioni specifiche come la sepsi. Geisinger Health ha utilizzato l'analitica predittiva per estrarre delle cartelle cliniche in modo da ottenere maggiori informazioni su come viene diagnosticata e trattata la sepsi.  Geisinger ha creato un modello predittivo basato sulle cartelle cliniche di oltre 10.000 pazienti a cui era stata diagnosticata la sepsi in passato. Il modello ha prodotto risultati impressionanti, prevedendo correttamente i pazienti con un alto tasso di sopravvivenza.
• Risorse umane (HR): i team HR utilizzano l'analitica predittiva e le metriche dei sondaggi dei dipendenti per trovare potenziali candidati, ridurre il turnover e aumentare il coinvolgimento dei dipendenti. Questa combinazione di dati quantitativi e qualitativi consente alle aziende di ridurre i costi di assunzione e aumentare la soddisfazione dei dipendenti, il che è particolarmente utile nei momenti di volatilità del mercato del lavoro.
• Marketing e vendite: mentre i team di marketing e vendita hanno molta familiarità con i report di business intelligence per comprendere le performance storiche delle vendite, l'analitica predittiva consente alle aziende di essere più proattive nel modo in cui interagiscono con i clienti lungo il loro intero ciclo di vita. Ad esempio, le previsioni di abbandono possono consentire ai team di vendita di identificare più rapidamente i clienti insoddisfatti e di avviare conversazioni per promuovere la fidelizzazione. I team di marketing possono sfruttare l'analisi predittiva dei dati per strategie di cross-selling, spesso realizzando dei motori di raccomandazione, che sono presenti sui siti Web di molti brand.
• Supply chain: le aziende utilizzano comunemente l'analitica predittiva per gestire l'inventario dei prodotti e impostare strategie di determinazione dei prezzi. Questo tipo di analisi predittiva aiuta le aziende a soddisfare la domanda dei clienti senza sovraccaricare i magazzini. Consente inoltre alle aziende di valutare il costo e il rendimento dei loro prodotti nel tempo. Se una parte di un determinato prodotto diventa più costosa da importare, le aziende possono prevedere l’impatto a lungo termine sui ricavi se scaricano o meno costi aggiuntivi sulla loro base di clienti. Se desideri una panoramica completa su un case study, leggi qui per scoprire di più su come FleetPride ha utilizzato questo tipo di analisi dei dati per prendere decisioni sull'inventario di parti per escavatori e rimorchi per trattori. Gli ordini di spedizione passati hanno permesso di pianificare in modo più preciso la definizione di soglie di fornitura adeguate in base alla domanda.

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.

• Sicurezza: ogni organizzazione moderna deve preoccuparsi di proteggere i dati. Una combinazione di automazione e analitica predittiva può migliorare la sicurezza. Modelli specifici associati a comportamenti sospetti e insoliti degli utenti finali possono attivare procedure di sicurezza specifiche.
• Riduzione del rischio: oltre a garantire la sicurezza dei dati, la maggior parte delle aziende sta lavorando per ridurre i profili di rischio. Ad esempio, un'azienda che concede crediti può utilizzare l'analisi dei dati per capire meglio se un cliente presenta un rischio di insolvenza superiore alla media. Altre aziende potrebbero utilizzare l'analitica predittiva per capire meglio se la loro copertura assicurativa è adeguata. 
• Efficienza operativa: flussi di lavoro più efficienti si traducono in un miglioramento dei margini di profitto. Ad esempio, capire quando un veicolo di una flotta utilizzata per le consegne avrà bisogno di manutenzione prima che si guasti durante una tratta significa effettuare le consegne in tempo, senza i costi aggiuntivi necessari per far rimorchiare il veicolo e far intervenire un altro dipendente per completare la consegna.
• Processo decisionale migliorato: gestire qualsiasi attività implica prendere decisioni calcolate. Qualsiasi espansione o aggiunta a una linea di prodotti o altre forme di crescita richiedono di bilanciare il rischio intrinseco con il potenziale risultato. L’analitica predittiva può fornire informazioni utili al processo decisionale e offrire un vantaggio competitivo.