Analisi dei dati: cosa rappresenta e perché eseguirla

L'analisi dei dati ha l'obiettivo di comprendere ed analizzare i big data al fine di elaborarli, risolvere quesiti e dubbi o trarre nuova conoscenza dalle informazioni. Gli ambiti di applicazione sono molteplici, dal marketing, alle scelte aziendali, in ambito sanitario, nella lotta alla criminalità, etc.

Molti pensano che la data analytics possa essere fatta semplicemente mediante un file excel o con l'utilizzo di alcune formule che possono essere utili ai fini statistici, ma è improbabile che possano rilevare nuova conoscenza o risolvere problematiche proprie della Data mining, una branca dell'intelligenza artificiale di cui abbiamo già parlato.

In questo articolo evidenziamo l'importanza dell'analisi dei dati su diversi ambiti. In questo sito web abbiamo già parlato di alcuni casi di utilizzo, come quello dell'analisi delle carte fedeltà.

Gli approcci alla data analytics possono essere sintetizzati in quattro tipologie: analisi descrittiva, predittiva, prescrittiva e diagnostica. Di seguito ne daremo un breve ma concreto cenno alle differenze e peculiarità.

Il concetto cruciale su cui focalizzarsi è quello di aver chiaro che senza una analisi dei dati si perderebbero dei risultati e delle informazioni preziose che potrebbero aumentare l'efficienza di processi, prendere giuste decisioni e tutto ciò che può migliorare un servizio o prodotto.

Tipi di analisi dei dati

In questo articolo vogliamo semplificare al massimo tutte le terminologie tecniche, ma è importante iniziare a conoscere le diverse tipologie di analisi dei dati sopra menzionate. Di seguito le descriviamo molto semplicemente al fine di permettere al lettore una migliore comprensione di un argomento piuttosto complesso.

L'analisi descrittiva, descrive cosa è successo in un preciso periodo di tempo basandosi con i dati attuali e/o storici. Questa è la forma più semplice data analytics e quella di più immediata comprensione. Alcuni esempi possono essere realizzati confrontando i dati attuali con quelli di un periodo precedente, come il numero di vendite mensili o il numero di visualizzazioni di un sito web o altre informazioni simili.

L'analisi diagnostica si focalizza sul motivo di un incremento (o decremento) o su un problema che ha causato una netta diminuzione di qualcosa. La correlazione tra eventi e variabili è l'aspetto cruciale per una corretta analisi e può essere utile eseguirla dopo aver eseguito quella descrittiva. E' importante capire cosa può aver influito e perché. Ad esempio ci sono dei prodotti stagionali che vengono venduti se il clima è quello che ci si aspetta, in alternativa è normale che si hanno risultati differenti.

Nell'analisi predittiva si eseguono delle ipotesi previsionali su ciò che presumibilmente potrebbe avvenire in un dato periodo, per scoprire tendenze ed eventi futuri. Questa analisi può essere eseguita manualmente o mediante degli algoritmi di apprendimento automatico.

L'analisi prescrittiva è uno strumento prezioso per il processo decisionale basato sui dati, che consente di arrivare ad una concreta strategia attuativa. In questa tipologia di analisi è fondamentale l'esperienza del professionista che esegue l'analisi, ovvero del Data scientist, che dovrà valutare ed attuare alcuni filtri manuali, prima di iniziare il lavoro più lungo e complesso sul processo decisionale automatizzato.

Come eseguire un'analisi dei dati

Dai concetti sopra esposti è chiaro che l'analisi dei dati non può essere eseguita senza opportune conoscenze in Data Science. I processi sono molto diversi a seconda dell'approccio che il professionista deciderà di intraprendere.

La scelta e selezione dei dati è sicuramente il primo step dell'attività, per poi proseguire con la riduzione del dataset eseguita con la "pulizia" per eliminare ciò che effettivamente non è utile all'analisi o perché ridondante. Uno dei grandi problemi è quello della duplicazione dei dati, che se non rilevati inizialmente, potrebbero portare a risultanze totalmente errate.

In questo sito web abbiamo già parlato di questo ed in particolare sui problemi che crea l'information overload, che può rendere illeggibile il contenuto ridondante di dati superflui, rallentare tutti i processi, saturare la memoria, con la conclusione di produrre una gran confusione nei dati.

Una volta che i dati sono stati opportunamente filtrati ed accertati, è possibile iniziale con l'analisi e la scelta di una strategia in base agli obiettivi da raggiungere. Spesso sarà necessario utilizzare diversi approcci e se questi porteranno allo stesso risultato, certamente si avrà la prova della qualità della strada percorsa, ma a volte può essere sufficiente la verifica della bontà dei risultati mediante opportune metodologie di controllo.

Una volta che è stata estratta la conoscenza dai dati è fondamentale presentarli in maniera corretta, mediante presentazioni, relazioni, etc. Mostrare i risultati numerici in maniera comprensibile ad una platea di persone non del settore è molto importante per evidenziare le scelte eseguite, le attività espletate e rimarcare le conclusioni.

Perché eseguire un'analisi dei dati

I big data rappresentano il presente ed il futuro in ogni ambito ed avere conoscenza su cosa è possibile migliorare in un processo, qualsiasi esso sia, fornisce un valore aggiunto rispetto a competitors o è utile per rilevare evidenze ad oggi non visibili con altre metodologie.

La difficoltà iniziale per molte aziende è quella di comprendere l'utilità che questa metodologia può offrire, perché non si riesce a discernere tra mera statistica (vecchia scuola) ed analisi predittiva, ma l'aumento della consapevolezza e dell'importanza dei dati porterà tra qualche anno ad una maggiore diffusione della materia e quindi a crescenti richieste in ogni settore.

Anche l'assistenza sanitaria, che all'inizio può sembrare un ambito non in linea con la Data Science, ha utilizzato negli ultimi anni l'analisi di enormi quantità di dati per prendere decisioni rapide, come nel caso delle diagnosi di Covid-19, di cui abbiamo già parlato in un articolo dedicato.

Un importante ambito che fa massiccio uso della data analytics è anche quello sulla lotta alla criminalità. L'analisi di filmati, fotografie, tabulati, etc. strutturati con algoritmi sempre più veloci e precisi, permette di risolvere casi impossibili fino ad una decina di anni fa.

Per quanto concerne la maggioranza dei casi, l'obiettivo di ogni azienda è quello di consigliare prodotti e aumentare i profitti e nei prossimi anni vedremo certamente un crescendo di nuove strategie basate sull'analisi dei dati.

Condividi sui social se pensi che questo articolo sia utile!

Aggiungi Studio Tarantelli al tuo feed di Google News.

09-01-2024

Autore: Mirko Tarantelli - Ingegnere delle telecomunicazioni, consulente informatico e SEO - Data Scientist

© Tutti i diritti sono riservati. È vietato qualsiasi utilizzo, totale o parziale dei contenuti qui pubblicati.