Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK
Big Data Analytics: come scegliere tra i vari modelli predittivi
20 febbraio 2017
Cresce costantemente l’attenzione del top management verso le tematiche dell’analisi dei dati, in generale, e dei Big Data, nello specifico. Tuttavia, la maggiore disponibilità di dati e la capacità di raccoglierli con tecnologie all’avanguardia non bastano a fare un salto nella maturità di utilizzo e nei benefici che se ne possono ottenere. Bisognerebbe prima di tutto capire quale modello predittivo meglio si adatta ai propri obiettivi
Cresce costantemente l’attenzione del top management verso le tematiche dell’analisi dei dati, in generale, e dei Big Data, nello specifico. Tuttavia, la maggiore disponibilità di dati e la capacità di raccoglierli con tecnologie all’avanguardia non bastano a fare un salto nella maturità di utilizzo e nei benefici che se ne possono ottenere. Bisognerebbe prima di tutto capire quale modello predittivo meglio si adatta ai propri obiettivi  
L’analisi dei dati può condurre a diversi livelli di conoscenza correlati alla tipologia di modelli di analytics messi in campo. È possibile identificare quattro categorie principali:
 
1) Descriptive Analytics, l’insieme di strumenti orientati a descrivere la situazione attuale e passata dei processi aziendali e/o aree funzionali. Tali strumenti permettono di accedere ai dati secondo viste logiche flessibili e di visualizzare in modo sintetico e grafico i principali indicatori di prestazione;

2) Predictive Analytics, strumenti avanzati che effettuano l’analisi dei dati per rispondere a domande relative a cosa potrebbe accadere nel futuro; sono caratterizzati da tecniche matematiche quali regressione, forecasting, modelli predittivi, ecc;

3) Prescriptive Analytics, tool avanzati che, insieme all’analisi dei dati, sono capaci di proporre al decision maker soluzioni operative/strategiche sulla base delle analisi svolte;

4) Automated Analytics, capaci di implementare autonomamente l’azione proposta secondo il risultato delle analisi svolte.

Da non dimenticare, infine, che l’utilizzo di tali classi di analytics richiede competenze e livelli di comprensione dei fenomeni differenti (oltre naturalmente la disponibilità e la capacità di analizzare dati).
http://www.zerounoweb.it/approfondimenti/big-data/estrarre-valore-dai-dati-modelli-predittivi-e-competenze-necessarie.html