Sono ormai molti anni che si parla di Big Data, ossia quei dati dotati di almeno una di queste caratteristiche: Volume, Velocità o Varietà. Sono solo alcuni anni che l’accento viene posto sul termine Analytics, al fine di sottolineare la necessità di trasformare i dati in informazioni e quindi valore per aziende e pubbliche amministrazioni.
Guardando al futuro e alle tendenze in atto, vi è una nuova espressione che sta ormai entrando nel linguaggio degli addetti ai lavori: Augmented Analytics. Che cosa s’intende per Augmented Analytics? Il termine è stato coniato nel 2017 da Gartner e, come da definizione, si fa riferimento all’utilizzo di tecnologie e metodologie quali Machine Learning e Intelligenza Artificiale per supportare attività quali la data preparation, la generazione degli insight e la spiegazione (e interpretazione) degli stessi, incrementando la capacità delle persone – in particolare utenti non esperti nell’esplorazione e analisi dei dati – di estrarre informazioni di valore dalle piattaforme di Data Analytics.
A cosa serve l’Augmented Analytics?
Per comprendere perché il futuro appartiene agli Analytics “aumentati”, facciamo l’esempio della funzione di Marketing di un’azienda. Secondo gli analisti internazionali di Gartner ad oggi, su un campione di 400 grandi aziende, soltanto il 54% delle decisioni di Marketing dipende effettivamente dai risultati degli Analytics, nonostante quest’ambito sia sempre centrale nelle scelte d’investimento. Inoltre, rimane un punto aperto riuscire a quantificare in maniera approfondita la relazione tra le analisi effettuate e le informazioni raccolte e i risultati di business. Infine, i Chief Marketing Officer lamentano la scarsa qualità dei dati e dunque la difficoltà di “affidare” le proprie decisioni agli Analytics.
Se da un lato è necessario investire nell’ampliamento delle competenze e nella costruzione di un approccio data-driven all’interno delle funzioni di Business – Marketing, Finance, Produzione e così via –, dall’altro strumenti che si avvalgono degli Augmented Analytics possono rappresentare il vero punto di congiunzione tra due mondi (e due linguaggi) che a volte sembrano inconciliabili: la Data Science e gli obiettivi aziendali.
Le applicazioni dell’Augmented Analytics
Le analisi “aumentate” agiscono in tutto il ciclo di vita del dato ed è possibile identificarne tre principali applicazioni (almeno per ora, la tecnologia è in continua evoluzione!):
- Augmented Data Preparation: in questo caso, vengono applicati gli algoritmi di Intelligenza Artificiale nella fase preliminare all’analisi dei dati. Le fasi di pulizia e normalizzazione, di valutazione dei dati mancanti, di identificazione degli outlier, di preparazione del Data Modeling: queste sono alcune fasi che possono essere accelerate da algoritmi intelligenti. Questa capability ha un impatto non solo sul tempo e l’efficienza dei Data Scientist stessi, ma anche sulla possibilità di figure meno esperte di creare in autonomia le proprie viste.
- Augmented Data Science e Machine Learning: immaginate se invece di dover scegliere un algoritmo, vi venga chiesto soltanto di specificare la domanda a cui rispondere, ad esempio “Vorrei creare dei gruppi targettizzati dei miei clienti”. Grazie all’approccio Augmented allo sviluppo dei modelli, gli strumenti potranno essere autonomi nell’andare ad utilizzare (esemplificando, in questo caso) un algoritmo di clustering e restituire i risultati.
- Conversational Analytics: parlare con i tool di Data Analysis e Visualization nel proprio linguaggio naturale, avendo a disposizione di fatto un Virtual Assistant costantemente aggiornato e informato che riesce, a partire dalla domanda, a identificare le analisi da effettuare e la migliore visualizzazione per rappresentare gli insight. Un grande obiettivo e una sfida tutt’ora in corso, ma sicuramente è questa la direzione di marcia!
La rivoluzione della Business Intelligence
L’Augmented Analytics, così come l’abbiamo descritta in questo articolo, può rappresentare una vera e propria rivoluzione della Business Intelligence tradizionale. Riprendendo una metafora di Gartner, l’avvento dei Big Data ha posto l’accento sulla profondità d’analisi, sulle tipologie di dati a disposizione e più in generale sulla complessità del patrimonio informativo. Questa evoluzione ha contribuito a creare un pagliaio in cui i Business Owner di grandi aziende e, ancor di più, i responsabili funzionali delle aziende medio-piccole tendono a perdersi. L’Analytics “aumentata” ha il compito, come un grande magnete, di aiutare le figure di business a trovare l’ago nel pagliaio, accelerando e semplificando le fasi di data engineering e data analysis, al fine di lasciar più spazio e tempo alla componente a maggior valore aggiunto: l’interpretazione degli insight e l’utilizzo effettivo dei risultati nei propri processi decisionali.
Come Datrix, crediamo fortemente in questa rivoluzione e lo dimostriamo quotidianamente, lavorando alla realizzazione di piattaforme semplici da utilizzare ma sofisticate nella capacità d’analisi. Ne è un esempio DataLysm, piattaforma di Marketing Predittivo focalizzata sulla previsione del comportamento dei tuoi clienti e prospect. DataLysm lavora prima di tutto per facilitare le fasi di integrazione e preparazione dei dati, mette poi a disposizione algoritmi di Machine Learning in grado di identificare la probabilità di un singolo utente di compiere un’azione (ad esempio abbandonare l’azienda o effettuare un successivo acquisto) e propene anche azioni per attivare i dati.
