Contenuto
Porta via:
Il Global Marketing Product Manager di Dell Statistica spiega i principali punti di forza dell'analisi predittiva e come le aziende possono sfruttarli.
L'analitica predittiva non è una tecnologia nuova di zecca, ma è una tecnologia che ha appena iniziato a concretizzarsi negli ultimi anni. Grazie ai progressi nel modo in cui ora è possibile raccogliere e gestire i big data, esplorarli e utilizzare l'analisi predittiva si sta muovendo alla portata di più organizzazioni che mai. Ma cosa significa veramente per le organizzazioni che lo usano? Abbiamo parlato con David Sweenor, Product Manager Global Analytics per Dell Statistica, un software di analisi predittiva progettato per rendere l'analisi dei dati più veloce, più accessibile e più utilizzabile per le aziende.
Techopedia: puoi spiegarci un po 'cosa può fare un'analisi predittiva per un'azienda e cosa serve per andare oltre l'analisi dei dati e la previsione dei risultati futuri per tradurre effettivamente tali informazioni in azioni?
David Sweenor: Statistica è in circolazione da oltre 30 anni come piattaforma di analisi predittiva che viene utilizzata in tutti i settori. Ti darò alcuni esempi di cosa può fare per un'azienda. Uno dei nostri clienti in Messico offre micro-prestiti. Se un utente desidera richiedere credito, accede a un sito Web, immette le proprie informazioni e un modello predittivo fornisce un punteggio in tempo reale che determina se debba ricevere un prestito. Ciò è importante perché in molte parti del mondo gli uffici di credito tradizionali come FICO, Experian ed Equifax sono inesistenti o inaffidabili. Inoltre, le leggi bancarie differiscono anche per cui la società può integrare alcuni dei loro dati più tradizionali con i dati dei social media, ad esempio, e può creare un modello predittivo che fornisce un migliore profilo di rischio del richiedente. In tal modo, la società è stata in grado di ridurre i tassi di insolvenza di oltre l'80%. Ciò sta cambiando il gioco per un finanziatore ed è qualcosa che non è possibile se non ti stai collegando e analizzando tutti i dati disponibili. Questo è solo uno dei tanti esempi che abbiamo nel mondo bancario.
Diamo un'occhiata all'assistenza sanitaria per un altro esempio di azienda che utilizza l'analisi predittiva per alterare radicalmente il modo in cui operano e interagiscono con i clienti, in questo caso i pazienti. Nel settore sanitario, la sepsi e le infezioni del sito chirurgico sono davvero un grosso problema. Oggi è il problema prevenibile numero uno negli ospedali. Presso gli ospedali e le cliniche dell'Università dello Iowa, usano l'analisi predittiva con Statistica per affrontare il problema direttamente. Statistica combina i dati storici del paziente con i dati in tempo reale ottenuti durante l'intervento chirurgico stesso e proprio lì, in tempo reale mentre l'intervento è in corso, fornisce al chirurgo un punteggio predittivo per determinare se è probabile che quel paziente sviluppi un'infezione del sito chirurgico.
Se tale punteggio supera una determinata soglia, il chirurgo può intraprendere un'azione preventiva proprio lì, all'interno della sala operatoria prima della conclusione dell'intervento. I risultati sono stati a dir poco sbalorditivi: una riduzione del 74% nella comparsa di ISC per i pazienti di chirurgia del colon durante il triennio conclusosi a dicembre 2015.
Questi sono solo un paio di esempi su come utilizzare l'analisi predittiva, ma è qualcosa che le aziende di tutti i settori possono sfruttare. Abbiamo una grande presenza nella produzione, per esempio. Indipendentemente dal settore in cui ti trovi, l'analisi predittiva ti consente di prendere decisioni basate sui fatti per migliorare le operazioni, migliorare la sicurezza, migliorare la salute e ridurre i rischi.
Techopedia: quali sono alcuni dei principali problemi relativi ai big data che il software di analisi predittiva è progettato per risolvere?
David Sweenor: Penso che uno dei problemi chiave sia che la nostra capacità di raccogliere dati supererà sempre la nostra capacità di analizzare i dati. Quindi, ci sono un paio di cose che stanno accadendo nel settore a causa di ciò. Il modo storico di analizzare i dati sarebbe quello di raccogliere dati da sistemi diversi e riportare questo enorme volume a un server centralizzato o un data warehouse di qualche tipo. Quindi, avresti alcuni specialisti - data scientist, statistici, matematici - che analizzerebbero questi dati in un seminterrato. Alla fine sarebbero emersi con qualche risposta per aiutare il business ad andare avanti.
Nessun bug, nessuno stress: la tua guida passo passo alla creazione di software che ti cambia la vita senza distruggere la tua vita
Non puoi migliorare le tue capacità di programmazione quando a nessuno importa della qualità del software.
Ciò è problematico in quanto non abbiamo più nove mesi per attendere che i dati vengano analizzati. Abbiamo bisogno di informazioni e risposte in tempo reale, alla velocità del business.
Ciò che dobbiamo fare allora è dare alle persone all'interno di un'organizzazione una sorta di capacità self-service. Ed è esattamente ciò su cui ci concentriamo con Statsitica. Abbiamo tecnologie all'interno della nostra piattaforma che consentono ai data scientist all'interno dell'organizzazione di creare un flusso di lavoro analitico. Possono archiviare quel flusso di lavoro in un repository centrale e quindi un'altra persona che non è così abile può prendere quel flusso di lavoro e riutilizzarlo. È un nodo, è un'icona: lo trascinano sulla loro tela e lo usano nel loro flusso di lavoro come se lo avessero costruito da soli. Ora, forse quel modello di flusso di lavoro riutilizzabile è molto sofisticato e fa alcuni modelli avanzati che non comprendono completamente, ma ora che qualcuno ha creato un flusso di lavoro analitico avanzato che può essere messo al lavoro su ciò che capiscono: i loro dati e il loro business .
Quindi, davvero quello che stavano cercando di fare è aiutare le persone a smettere di reinventare la ruota e fare le cose ancora e ancora. Questa è la parte della gente. Dal punto di vista tecnologico, ciò su cui ci siamo concentrati è di fare in modo che, anziché prelevare tutti questi dati e trasferirli su un server centrale per l'analisi sul lato dati, possiamo portare l'analisi dei dati.
Alla fine, se l'analitica può vivere ovunque siano i dati - potrebbe trovarsi in un database, potrebbe essere in Hadoop, potrebbe essere su un dispositivo, o un sensore all'interno di un frigorifero, o una lampadina, o ovunque tu possa raccogliere dati - quindi possiamo risparmiare il tempo, i soldi e l'energia che stiamo spendendo oggi spostando i dati avanti e indietro e nel frattempo rendere la nostra analisi migliore, più veloce, più sicura e più affidabile.
Techopedia: parte del ruolo del software analitico predittivo è quello di aiutare a potenziare quello che chiamiamo Citizen Data Scientist. Perché oggi è così importante nel settore?
David Sweenor: Penso che si tratti di una carenza di abilità. E quando si tratta di scienziati dei dati dei cittadini, molti di loro usano Excel per manipolare i dati.È fantastico, ma puoi andare così lontano con Excel: hanno bisogno di qualcos'altro. Hanno bisogno della capacità di prendere i dati da sistemi disparati e multipli, interni ed esterni alla loro organizzazione, e combinarli tutti insieme. Hanno bisogno di modi automatizzati per pulire e preparare quei dati. Potrebbero sapere quale tipo di analisi devono fare o quale problema stanno cercando di risolvere, ma potrebbero non avere familiarità con la complessità di come funziona effettivamente una rete neurale, quindi è qui che i data scientist avrebbero creato un modello di flusso di lavoro riutilizzabile che utilizza una rete neurale, un albero decisionale o qualche altro algoritmo.
Io, come cittadino data scientist, non devo conoscere i dettagli di come funziona l'algoritmo, ma so quale problema sto cercando di risolvere e ho la possibilità di accedere ai dati all'interno della mia sfera di influenza. Statistica mi aiuta a farlo semplificando il processo e astraggendone la complessità in modo da potermi concentrare sulla risoluzione della sfida aziendale.
Techopedia: Quali sono le aree di business più comuni in cui viene attualmente utilizzata l'analisi predittiva e in quali aree si sta espandendo?
David Sweenor: Direi che l'analitica pervade ogni aspetto della nostra vita, in tutti i settori. Abbiamo già parlato di importanti progressi nel modo in cui le società finanziarie e sanitarie assistono i clienti grazie a analisi predittive. Ora stiamo anche vedendo i clienti utilizzare l'analisi per guidare l'innovazione dei prodotti e per promuovere una maggiore efficienza nel modo in cui modellano le offerte in base alle preferenze dei loro clienti.
Ad esempio, lavoriamo con una grande organizzazione che sta cercando di trovare nuove offerte e modi completamente nuovi di fare affari per i diversi prodotti offerti dall'azienda.
Prima di utilizzare la nostra tecnologia, occorrerebbero circa nove mesi per fare una prova del valore o una prova del concetto in termini di un nuovo modo di fare affari. Dopo aver implementato Statistica, quella prova di valore è passata da nove mesi a un giorno. È stato un risultato straordinario per loro.
Techopedia: in che modo le aziende dovrebbero definire gli obiettivi per il modello di analisi aziendale?
David Sweenor: Vorrei iniziare con una chiara definizione della domanda commerciale a cui stai cercando di rispondere. Devi capire quali leve tirare. La tecnologia, penso, sarà sempre lì. È meglio iniziare con una domanda.
Quindi, inizia con quella domanda o serie di domande. Cosa puoi influenzare nella tua azienda? E poi lavora all'indietro e modella quella decisione. Non vogliamo solo fare analisi predittive per il gusto di farlo, vogliamo essere in grado di cambiare un comportamento.
Techopedia: Dells Statistica è stato elogiato come uno dei leader nello spazio avanzato della piattaforma analitica. In che modo si separa dal pacchetto e risolve il problema della creazione di approfondimenti fruibili dai dati?
David Sweenor: Penso che sia davvero l'innovazione che guidiamo costantemente. Ascoltiamo sempre i nostri clienti quando sviluppiamo il software. Le aziende comprendono che i data scientist e gli utenti line-of-business sono il futuro dell'analisi. Vogliono usare tutte quelle persone e tutte le competenze all'interno della loro organizzazione. Stavano rendendo più facile per quelle persone che non sono esperti in matematica essere in grado di usare la matematica per arrivare a una risposta. Il nostro ambiente è aperto. Ciò che ciò significa per loro è che i loro data scientist possono codificare in una lingua appropriata a ciò che vogliono ottenere. Potrebbe essere Python, potrebbe essere R, potrebbe essere qualsiasi cosa, davvero. Ma è facile da implementare e per coloro che non sanno come programmare, come me, possono trascinare le icone per creare un flusso di lavoro e prendere una decisione.
Consentivano anche alle organizzazioni di riutilizzare gli investimenti tecnologici che hanno. Quindi forse hanno investito in database o Hadoop, o altre cose del genere; usiamo quei sistemi. Possiamo fare analisi direttamente all'interno di quei sistemi di origine.
È molto innovativo essere in grado di prendere un flusso di lavoro analitico e applicarlo in diversi ambienti target. Non sono più legato alle quattro mura della mia fabbrica, o al mio ospedale, o da qualunque confine abbia tradizionalmente circondato i miei affari. Abbiamo una tecnologia che ci consente di farlo attraverso i siti e le aree geografiche. È la componente innovativa che ci consente di rafforzare e guidare il mercato in questo settore.
