Advanced Analytics, come affrontare un progetto

Portare avanti un progetto di Advanced Analytics è un percorso pieno di difficoltà ed imprevisti, non tutti prevedibili.

Paradossalmente poi, le incognite più grandi sono quelle non appartenenti al lato tecnico. Perché l’intero progetto venga compromesso e fallisca è sufficiente infatti una cattiva gestione di un team di lavoro, o una scorretta comunicazione su quelli che dovrebbero essere i possibili vantaggi dell’iniziativa.

Qui sotto puoi trovare alcuni consigli per portare avanti questo processo nel modo migliore possibile.

Integrare “Descriptive” e “Advanced”

Spesso si vede un fuorviante tentativo di escludere tutto ciò che sta nell’analisi di tipo descrittivo dal progetto di Advanced Analytics.

Si tende cioè a partire direttamente dalla previsione del “to be”.

In realtà, queste due tipologie non sono da mettere in contrapposizione ma, al contrario, occorre che siano tra loro complementari e connesse all’interno di un unico ecosistema di comprensione dei dati.

Per esempio, in un contesto di GDO, qualora il nostro l’obiettivo sia convincere l’azienda a fare uso di un algoritmo di correlazione tra prodotti su cui basare future strategie, in teoria dovrebbe essere vantaggioso per noi introdurre il concetto descrivendo la situazione attuale in termini di vendite al dettaglio dei vari prodotti, mettendo il focus sull’importanza che questi già hanno nel bilancio dell’azienda o che ancora non hanno ma che, con l’utilizzo dell’algoritmo, potrebbero avere.

Così come, nell’analisi dei clienti registrati, un’analisi descrittiva classica di tipo RFM (Recency Frequency Monetary) potrebbe diventare un prezioso assist verso l’uso di tecniche avanzate di clustering.

Cercare il ROI

Se in ambito descrittivo dimostrare un possibile ROI (Return On Investment) di progetto significa far leva in primis sull’efficientamento dei processi di back end e sulla diminuzione di costi e tempi necessari ad avere le informazioni, quando si passa all’analisi avanzata questo processo può essere addirittura meno complicato, a patto che la comunicazione del “risultato” venga accompagnata dalla consapevolezza di aleatorietà, cioè dall’evidenza della probabilità con cui esso possa effettivamente verificarsi.

D’altro canto, un progetto di Advanced Analytics dovrebbe partire da una ben determinata necessità.

Il machine learning non fa miracoli

Nell’ambito di un progetto di Advanced Analytics, l’errore più grande è quello di credere che l’applicazione di un algoritmo di Machine Learning dia risultati a prescindere dal contesto specifico, e che quindi il confronto con le risorse aziendali si limiti a chiedere i dati su cui applicare l’algoritmo stesso.

I rischi nei quali ci possiamo imbattere sono questi:

  • Proporsi come gli “esperti” del settore avendo solo competenze statistico-informatiche, di fronte a persone che lavorano da tempo in quel settore, i quali rischiano di diventare i più grandi oppositori del progetto;
  • Non considerare gli elementi non scientifici ma potenzialmente rilevanti ai fini del lavoro, ovvero la conoscenza di abitudini e particolarità nei processi aziendali che non possono essere rilevate attraverso i dati, e che solo un’esaustiva analisi con il business può far notare al data scientist.
  • Bollare come ottimi i risultati ottenuti dal primo utilizzo del metodo avanzato, non tenendo presente quel margine d’errore e quei cambiamenti del contesto.

Usare un linguaggio comprensibile

Nell’ambiente appena descritto, il ruolo del disegnatore dell’ambiente di Data Visualization è di fondamentale importanza. L’utente che utilizza il prodotto deve essere portato attraverso il percorso, facendo in modo che gli indici statistici risultino comprensibili a lui che si interfaccia con essi.

Il nostro environment di Data Visualization necessita di una sezione relativa alla statistica al suo interno, ovvero dashboard in cui rendere evidente e inscalfibile la metodologia di lavoro che abbiamo utilizzato.

Ciò posto, è fondamentale che questa struttura abbia al suo interno anche un’area dove si possa convertire questi numeri “scientifici” in numeri di business. Informazioni quali il potenziale aumento delle vendite di uno specifico prodotto o servizio o il potenziale aumento della spesa media dei clienti hanno bisogno di essere comunicate in modo chiaro e comprensibile attraverso un layout che sia il più possibile user friendly.

Advanced Analytics: non lasciare solo il data scientist

Al processo di integrazione tra l’analisi descrittiva e quella avanzata deve necessariamente corrispondere quella nel gruppo di lavoro che si occupa del progetto.

Bisogna infatti evitare che il data scientist del gruppo si interfacci con il team solo nel momento in cui necessita delle informazioni per l’applicazione e la verifica dei propri algoritmi

E’ dunque di notevole importanza che chi coordina il gruppo di lavoro riesca a portare avanti due strade in parallelo: da un lato coinvolgere la risorsa anche per la parte descriptive della business intelligence, dall’altro riuscire ad avere una dettagliata e chiara condivisione del lavoro svolto in modo da non far sì che il team venga considerato muoversi a due distinte velocità.

Fonte: https://www.bigdata4innovation.it/data-analytics/advanced-analytics-come-affrontare-un-progetto/