«Integrare l’esperienza con Insight aggiuntiva – Attivare i giusti drivers per esplorare percorsi alternativi con Smart Predict live su SAP Hana»
Questione di chimica
C’è stato un tempo in cui acquistare e vendere era un puro fatto meccanico.
Nessuno avrebbe mai potuto immaginare che sarebbe diventato un giorno un fatto di chimica. E sì, perché quello con il commerciante era un rapporto 1 a 1, senza spazio per “intrusioni”, ben diverso da come lo intendiamo oggi.
Il venditore aveva la presunzione che l’acquirente entrasse in negozio esclusivamente per acquistare; e nella maggior parte dei casi, l’acquirente, in maniera del tutto inconsapevole, credeva di non avere altre opportunità.
Un rapporto 1 a 1 condizionato da un approccio culturale antico. Oggi, come sappiamo, siamo ben oltre questo scenario di dipendenza. Abbiamo imparato a conoscerci meglio, abbiamo aumentato il nostro potere di acquisto, abbiamo persino creato il superfluo ed imparato a non saperne fare a meno, e come naturale conseguenza di tutto questo, abbiamo fatto sì che l’offerta si diversificasse in maniera capillare.
Ripensando ad alcune esperienze di acquisto in un qualsiasi negozio fisico o virtuale, trovo ancora, in alcune situazioni, estremamente sgradevole, il fatto che la vendita presuma di conoscere il cliente; basandosi spesso su concetti datati ed approssimativi, che si tratti della conoscenza dell’ultimo acquisto o dell’immagine che il venditore si costruisce del cliente nel momento in cui varca la soglia del negozio.
Il pericolo più grave in questo senso è rappresentato dal fatto di presumere la conoscenza.
Oggi è già domani
Quante volte abbiamo creduto di poter anticipare i comportamenti di acquisto del cliente basandoci sulla conoscenza delle sue abitudini, preferenze, network sociale.
Abbiamo utilizzato algoritmi di previsione come fossero una sfera di cristallo, per conoscere i volumi di vendita di lì a un mese; o quale sarebbe stata la curva relativa alla spesa di viaggio o quanti dipendenti avrei perso nei 6 mesi a venire.
Gli avvenimenti di questo 2020 ci hanno insegnato però che ciò che è vero in un determinato momento, può non esserlo più un istante dopo; o semplicemente potrebbe trasformarsi in qualcosa di differente.
Le variabili e gli eventi che concorrono alla composizione di una previsione sono difficilmente catalogabili, identificabili e monitorabili manualmente. Così come è difficile riconoscere i movimenti e i flussi aggregatori degli eventi rilevanti e come questi si muovano influenzando e indirizzando i fatti.
Apprendere per comprendere
Il comportamento storico è rilevante nel momento in cui lo confrontiamo con il presente. È da questo confronto che imparo e apprendo. Apprendere e comprendere significa avere tutti gli elementi per la definizione della strategia e per la sua esecuzione. L’apprendimento continuo abilita una comprensione via via maggiore.
Occorre quindi liberarsi dal peso ingombrante e dalla tentazione di elaborare subito una previsione. Se si sono interpretati fatti ed eventi in maniera accurata, la previsione sarà lo step immediatamente successivo – probabilmente la parte più semplice di un più ampio e complesso percorso di analisi.
Imparare a porre la domanda corretta
La domanda di business è quella da cui parte il processo di investigazione, ma non sempre è nota a priori. Anche in questo caso, le tecniche di machine learning ci aiutano a porre la giusta domanda con la quale confrontarsi – consentendoci di raffinarla ed affinarla via via che il processo di indagine prende forma, evolve e si trasforma.
Potremmo quindi partire da una domanda come: “Quale sarà il tasso di turnover che registrerà la mia azienda nel primo semestre del 2021?”.
Ottima domanda, ottimo esempio di previsione. Purtroppo non ci aiuta a comprendere a fondo il fenomeno, non ci aiuta a collocarlo in un quadro di cause e concause, e non ci aiuta nel dare una misura ed un “volume” ad eventuali effetti che ne scaturiranno e agli impatti che saremo chiamati a gestire.
La domanda iniziale evolverà quindi in altre domande come: “Perché la mia azienda registrerà un certo tasso di turnover nel primo semestre del 2021?”, “Chi si dimetterà nel primo semestre del 2021?”, o ancora “Quale è l’impatto che la mia azienda dovrà gestire come conseguenza di un determinato turnover nel primo semestre del 2021?”, “Come possiamo veicolare il turnover nel primo semestre del 2021?”.
Automatizzare per decodificare
Una volta posta la domanda in questo modo possiamo focalizzarci sulla data experience.
Anche in questa fase la difficoltà principale è l’utilizzo e l’interpretazione del dato. Occorre mettere temporaneamente da parte la propria conoscenza dei processi e degli aspetti comportamentali del dato a vantaggio di una più aperta ed incondizionata visione degli stessi.
Nel ritmo incalzante e nevrotico degli eventi, i dati che ne derivano spesso non sono incasellabili nei comparti che abbiamo imparato a conoscere nel tempo. Un valore mancante o un valore nullo può apportare all’analisi un significato inaspettato, può indirizzare un andamento in maniera del tutto inattesa e differente da come abbiamo sempre potuto immaginare. E allo stesso modo categorizzare, associare, codificare e decodificare, ci consente di individuare cosa fa rumore all’interno dei nostri dati o cosa rappresenti di fatto un’anomalia.
Immaginiamo di dover intervenire manualmente in questo modo su centinaia, migliaia di variabili. Immaginiamo di dover operare delle scelte su cosa sia rilevante e occorra quindi considerare, e cosa sia al contrario trascurabile.
Per questo motivo non parliamo più di gestione del dato, ma di data experience, ovvero la possibilità di sfruttare sofisticate dinamiche di indagine, coding e decoding del dato, per trarre il massimo vantaggio in termini di insight dal modello predittivo o conoscitivo che andremo a definire sulla base di questo smart dataset.
Dove il dataset è considerato smart perché è il risultato di una automazione che non ha come fine la ripetizione meccanica sul dato di operazioni note, ma indagine qualitativa di drivers nascosti e non evidenti.
Questa automazione genera impatti sorprendenti sull’insight che ne deriva e sul valore apportato dal modello, e non ultimo sui tempi di process ed execution – potendo far leva su di un accesso continuo al dato agevolato da piattaforme in-memory estremamente performanti.
La scienza è solo l’inizio
Queste sono le tappe del viaggio che dobbiamo intraprendere per rispondere a quella domanda di business che ci siamo posti inizialmente. La data science ricopre un ruolo fondamentale in questo processo, assistendoci e guidandoci attraverso percorsi alternativi a cui non arriveremmo mai percorrendo e ripercorrendo le strade tracciate dalla nostra conoscenza di scenari pregressi.
Ma è cruciale sottolineare come questo rappresenti comunque ancora solo l’inizio del viaggio.
Il valore di questo approccio aumenta in maniera esponenziale nel momento in cui si inserisce all’ interno di un processo iterativo di distribuzione, condivisione e adozione dell’informazione a tutti gli attori coinvolti ed interessati.
Non c’è modello predittivo o prescrittivo che porti valore se rinchiuso in un laboratorio.
Ed in questa accezione è vincente la semplicità e la capacità delle soluzioni di advanced analytics di facilitare la diffusione e fruizione degli outcomes dei modelli, incentivandone l’adozione ed accelerando l’execution delle strategie identificate.