L'analisi predittiva usa dati storici, statistica e apprendimento automatico per stimare eventi futuri probabili. Risponde a domande come: quali clienti stanno per disdire? Quanta merce servirà il mese prossimo? Quando è probabile che una macchina si guasti? I risultati sono probabilità, non certezze. Il loro valore dipende molto dalla qualità dei dati e dal fatto che le previsioni entrino davvero nelle decisioni e nei processi.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoLa modellazione predittiva è il nucleo tecnico dell'analisi predittiva: da dati di esempio con esito noto si costruisce un modello che prevede un valore o una classe per casi nuovi. Metodi tipici sono regressione, alberi decisionali, random forest e reti neurali. Un modello può ad esempio stimare il prezzo di un immobile a partire da superficie, posizione e anno di costruzione. Prima dell'uso viene verificato su dati tenuti da parte, per individuare l'overfitting.
L’apprendimento automatico (machine learning) è un ambito dell’intelligenza artificiale in cui i computer ricavano schemi dai dati invece di ricevere ogni regola programmata in modo esplicito. A seconda del compito, i modelli imparano da esempi etichettati (supervisionato), da dati non etichettati (non supervisionato) o tramite ricompense (per rinforzo). Le applicazioni vanno dai filtri antispam alle previsioni della domanda fino ai suggerimenti di prodotto. La qualità dipende molto da quantità e qualità dei dati di addestramento.
Il data mining è l'esplorazione sistematica di grandi quantità di dati alla ricerca di schemi, relazioni e anomalie. Si avvale di metodi statistici e di tecniche di machine learning come clustering, classificazione o analisi delle associazioni. Un esempio classico è l'analisi del carrello nel commercio al dettaglio, che mostra quali prodotti vengono spesso acquistati insieme: una base per assortimento, disposizione e raccomandazioni.
L’analisi esplorativa dei dati (EDA) è il primo sguardo aperto su un insieme di dati: si calcolano indicatori, si osservano distribuzioni e grafici e si cercano schemi, valori anomali e dati mancanti, ancora senza un’ipotesi precisa. Aiuta a valutare la qualità dei dati e a formulare domande utili per analisi o modelli successivi. Esempio: prima di una previsione delle vendite, l’EDA rivela che un mese è stato registrato in modo incompleto a causa di un cambio di sistema.
