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
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