Oltre l’approccio data-driven | Data Manager

30 Mar, 2021 | Demand Intelligence

Sul numero di marzo di Data Manager Magazine si parla di approccio Data e Demand Driven e di Ublique, la suite di Decision Intelligence di Spindox. Qui di seguito riportiamo il testo integrale dell’articolo.

Ublique e decision intelligence: perché i dati sono niente, senza le ipotesi

Nei diversi contesti di business, prendere una decisione significa formulare un numero variabile di ipotesi sul futuro e scegliere quella che ci appare migliore. Il processo si nutre di informazioni: la decisione migliore è quella fondata sull’ipotesi che, in base ai dati disponibili, ha maggiori probabilità di concretizzarsi. Se prevedo una crescita della domanda, deciso di adeguare conseguentemente la produzione. Il problema è: qual è il livello di confidenza della mia previsione? In linea di principio quanti più dati conosco, tanto più fondate sono le mie ipotesi. In pratica le cose non sono così semplici.

Ublique è un sistema di Decision Intelligence che supporta il processo decisionale mediante metodi quantitativi e tecniche di analisi sofisticate. Valutando i dati disponibili, Ublique ci aiuta a prendere la decisione migliore. La suite integra diverse soluzioni verticali, ciascuna delle quali indirizza uno specifico processo: Demand Intelligence, Revenue Management, Transport Planning e Warehouse Optimization.

Modelli statistici e machine learning

Le soluzioni di Ublique utilizzano vari modelli di analisi. Fra questi trovano impiego tecniche di machine learning, molto potenti quando si tratta di processare enormi quantitativi di dati. Nell’analisi predittiva a supporto delle decisioni il machine learning è diventato di gran moda. Ciò dipende appunto dal fatto che nel mondo ci sono sempre più dati, i quali chiedono di essere analizzati e compresi. Tuttavia è sbagliato credere che il machine learning rappresenti sempre la risposta alle sfide del decision making.

Esistono situazioni in cui, per formulare previsioni su uno stato di cose futuro, è indispensabile applicare modelli semplificanti. Per esempio attraverso il confronto per similarità (la situazione attuale è simile a un’altra situazione, già vissuta, per cui prevedo che andrà a finire nello stesso modo) oppure l’azzardo in base alla frequenza (le cose sono andate quasi sempre in un certo modo, per cui immagino che andranno nello stesso modo anche la prossima volta). Tali modelli sono noti con il nome di euristiche e sono utilizzati sia dagli esseri umani sia dai sistemi di intelligenza artificiale. Nel caso degli esseri umani si tratta di vere e proprie scorciatoie mentali, mentre quelle delle macchine sono governate da calcoli di tipo statistico.

Le euristiche, però, non sono esenti da errori. L’euristica è una forma di pregiudizio, che può rivelarsi infondato alla prova dei fatti. Inoltre è un’immagine del futuro incompleta. Chi di noi, per dire, fino a due anni fa era in grado di proiettare un’immagine del futuro che solo si avvicinasse alla situazione post-pandemica in cui ci siamo venuti a trovare?

La sfida dell’incertezza

Ublique tiene conto di questa sfida. In taluni casi definisce la soluzione migliore utilizzando tecniche di ottimizzazione, ossia modelli matematici fondati sull’accuratezza e la completezza. In altri si serve di modelli di statistica computazionale o tecniche di machine learning che non producono la soluzione ottimale, ma permettono comunque di ridurre l’incertezza riguardo al futuro e quindi di affrontare il problema dato.

HAI VOGLIA DI PIÙ?

Page 1 of 23