top of page

Differenze tra Analisi descrittiva, predittiva e prescrittiva che i data scientist devono conoscere



L'uso di metodi analitici ha acquisito molta importanza negli ultimi anni. La pratica di ottenere informazioni utili dai dati ha aiutato diverse aziende a migliorare le proprie prestazioni aziendali.

Differenze tra Analisi descrittiva, predittiva e prescrittiva che i data scientist devono conoscere
Differenze tra Analisi descrittiva, predittiva e prescrittiva che i data scientist devono conoscere

Le analisi consentono alle aziende di ottenere un quadro chiaro degli eventi passati e del futuro delle loro prestazioni. Uno sguardo al futuro aiuta le aziende a prepararsi alla sfortuna (se presente) che sta per arrivare.


Utilizzando l'analisi, le aziende possono trovare risposte a tre domande principali:

  • "Cosa è successo"

  • "Cosa sta accadendo"

  • "Cosa accadrà"


L'analisi non si limita solo a trarre informazioni dal passato, ma consente anche di prevedere i risultati futuri e ottimizzare le risorse aziendali. Di conseguenza, le forme più avanzate di analisi, ovvero predittiva e prescrittiva, hanno assunto maggiore importanza nel supportare le esigenze decisionali delle organizzazioni.


In questo articolo, spieghremo le 3 principali forme di analisi che classificano tutte le forme di modelli analitici applicati in tutti i paesi.


Secondo uno studio americano, le organizzazioni che si concentrano sull'automazione di base per espandere le proprie capacità di reporting possono migliorare il proprio ROI del 188%.

Quindi, in linea di principio, quali sono i diversi tipi di analisi?


1. Analisi descrittiva

Iniziamo con il tipo più elementare di analisi, ovvero l' analisi descrittiva . L'obiettivo dei modelli descrittivi è analizzare le tendenze storiche e individuare i modelli rilevanti per ottenere informazioni sul comportamento della popolazione. L'analisi descrittiva implica la ricerca di risposte a "cosa è successo?". È la forma di analisi più comunemente utilizzata dalle organizzazioni per il loro funzionamento quotidiano ed è generalmente la meno complessa.


I modelli descrittivi utilizzano tecniche statistiche e matematiche di base per derivare indicatori chiave di prestazione che mettono in evidenza le tendenze storiche. Lo scopo principale del modello non è stimare un valore, ma ottenere informazioni sul comportamento sottostante. Gli strumenti comuni utilizzati per eseguire l'analisi descrittiva includono MS Excel, PowerBi e Tableu.


Un tipico esempio nel settore bancario sarebbe la segmentazione della clientela. I dati storici vengono estratti per analizzare i modelli di spesa dei clienti e la quota di portafoglio per consentire un approccio mirato al marketing e alle vendite. Tali modelli sono strumenti potenti per profilare i clienti, ma sono limitati nella loro capacità predittiva rispetto al comportamento dei singoli membri della stessa popolazione.


2. Analisi predittiva

L'analisi predittiva utilizza la modellazione statistica per determinare la probabilità che si verifichi un risultato futuro o una situazione. Implica la ricerca di risposte a "Cosa potrebbe accadere?".


I modelli predittivi si basano su modelli descrittivi mentre vanno oltre l'utilizzo dei dati storici come base principale per il processo decisionale, spesso utilizzando dati strutturati e non strutturati provenienti da varie fonti. Consentono ai manager e data scientist di prendere decisioni informate fornendo un resoconto compressivo della probabilità che un evento si verifichi in futuro. Comprendono vari modelli statistici avanzati e concetti matematici sofisticati come foreste casuali, GBM, SVM, GLM, teoria dei giochi, ecc.


Un modello predittivo si basa su un modello descrittivo per prevedere il comportamento futuro. Tuttavia, a differenza di un modello descrittivo che profila solo la popolazione, un modello predittivo si concentra sulla previsione del comportamento di un singolo cliente.


Gli strumenti utilizzati per eseguire modelli predittivi variano in base alla natura della complessità del modello, tuttavia alcuni degli strumenti comunemente utilizzati sono RapidMiner, R, Python, SAS, Matlab, Dataiku DSS, e molti altri. Le risorse online sull'utilizzo di questi strumenti possono essere trovate su Coursera.


Un tipico esempio nel settore bancario sarebbe l'analisi avanzata delle campagne. Può aiutare a prevedere la probabilità che un cliente risponda a una determinata offerta di marketing per migliorare il cross-selling e l'up-selling dei prodotti. Un altro esempio potrebbe essere la previsione della probabilità di frode sulle carte di credito.


3. Analisi prescrittiva

L' analisi prescrittiva è il tipo più sofisticato di analisi che utilizza l'ottimizzazione e la simulazione stocastica per esplorare una serie di opzioni possibili e consigliare la migliore azione possibile per una determinata situazione. Implica la ricerca di risposte a "Cosa si dovrebbe fare?".


I modelli prescrittivi vanno oltre i modelli descrittivi che affrontano solo ciò che sta accadendo e oltre i modelli predittivi che possono solo dire cosa accadrà, poiché continuano a consigliare cosa effettivamente dovrebbe essere fatto nel futuro previsto. Quantificano l'effetto delle azioni future sulle metriche aziendali chiave e suggeriscono l'azione più ottimale.


I modelli prescrittivi sintetizzano i big data e le regole aziendali utilizzando algoritmi complessi per confrontare i probabili risultati di una serie di azioni e scegliere l'azione più ottimale per raggiungere gli obiettivi aziendali. I modelli prescrittivi più avanzati seguono un processo di simulazione in cui il modello apprende continuamente e automaticamente dai dati correnti per migliorare la propria intelligenza.


Questi modelli sono in genere i più complessi in natura e quindi vengono utilizzati da alcune aziende progressiste e di grandi dimensioni, poiché sono difficili da gestire. Tuttavia, se implementati correttamente, possono avere un forte impatto sull'efficacia del processo decisionale di un'azienda e, di conseguenza, sui suoi profitti.


Detto questo, i progressi tecnici come i super computer, il cloud computing, Hadoop HDFS, Spark, l'elaborazione in-database, l'architettura MPP, ecc. hanno reso molto più semplice l'implementazione di modelli prescrittivi complessi che utilizzano dati strutturati e non strutturati. Gli strumenti utilizzati per eseguire i modelli prescrittivi sono per lo più gli stessi dei modelli predittivi, tuttavia richiedono capacità avanzate di infrastruttura dei dati.


Un esempio comune di modelli prescrittivi nel settore bancario al dettaglio è l'allocazione ottimale del personale di vendita tra le varie filiali della banca per massimizzare l'acquisizione di nuovi clienti. Unendo le informazioni di geolocalizzazione con le prestazioni e il potenziale di ogni filiale, il modello può prescrivere l'allocazione ottimale del personale di vendita in tutte le filiali.


Un approccio di modellazione prescrittiva più sofisticato viene utilizzato nei sistemi di tariffazione dei biglietti aerei per ottimizzare il prezzo dei biglietti aerei in base a fattori di viaggio, livelli di domanda, tempi di acquisto, ecc. per massimizzare i margini di profitto, ma allo stesso tempo non scoraggiare le vendite.


Secondo una ricerca, circa il 10% delle organizzazioni utilizza attualmente una qualche forma di analisi prescrittiva, questa cifra è aumentata dal 3% nel 2014 e dovrebbe salire al 35% entro il 2025. Fattori come massicci investimenti nell'analisi predittiva, espansione delle capacità IoT che l'analisi prescrittiva complementare sta guidando questa crescita e ampliando la portata dei modelli prescrittivi.


Conclusione Differenze tra Analisi descrittiva, predittiva e prescrittiva

In questo articolo, abbiamo discusso 3 diverse versioni di analisi utilizzate oggi in tutti i settori. Questi sono gli elementi costitutivi del settore dell'analisi in tutto il mondo. È corretto affermare che tutti i modelli, gli sviluppi e le scoperte realizzati utilizzando i dati possono essere classificati in una di queste tre categorie.


Questo articolo ha lo scopo di aiutare le persone che non conoscono l'analisi o intendono usare l'analisi per ottenere una visione più chiara e supportata da numeri.


Condividi l'articolo :)

Comments

Rated 0 out of 5 stars.
No ratings yet

Add a rating
PCR (5).gif
PCR (4).gif
PCR.gif
PCR.gif
PCR.gif
PCR.gif
PCR (5).gif
3.gif
Vediamo se riesci a cliccarmi ! Nascondo una Sorpresa... (2).png

Ciao 

🤗 Articoli consigliati dalla nostra
Intelligenza Artificiale in base ai tuoi interessi

Correlazione Alta

Correlazione Media

Correlazione Bassa

Iscriviti

VUOI DIVENTARE UN MEMBRO DI INTELLIGENZA ARTIFICIALE ITALIA GRATUITAMENTE E TRARNE I SEGUENTI BENEFICI?

Corsi Gratis

più di 150 lezioni online

Dataset Gratis

più di 150o dataset

Ebook Gratis

più di 10 libri da leggere

Editor Gratis

un editor python online

Progetti Gratis

più di 25 progetti python

App Gratis

4 servizi web con I.A.

Unisciti Ora a oltre
1.000.000
di lettori e appassionanti d'I.A.

Tutto ciò che riguarda l'intelligenza Artificiale, in unico posto, in italiano e gratis.

MEGLIO DI COSI' NON SI PUO' FARE

Dopo l'iscrizione riceverai diversi Regali

VUOI SCRIVERE ARTICOLI INSIEME A NOI.

Grazie

bottom of page