Sapere cosa succedera? domani o nel prossimo futuro, in certe condizioni e contesti, e? da sempre l’ambizione di ogni manager. Sicuramente, la capacita? predittiva e? aumentata grazie all’impiego di modelli statistici, data mining e Machine Learning che permettono di evidenziare le informazioni rilevanti contenute nei dati e sfruttarle per predire risultati e tendenze futuri. Le Analitiche Predittive, partendo da dati storici e real time, permettono di identificare rischi e opportunita? e possono essere utilizzate per molteplici scopi come la valutazione di rischi in termini di credito e insolvenza, le previsione di frodi, l’identificazione della propensione di acquisto e riacquisto di un cliente etc.
SDA Bocconi (www.sdabocconi.it), la Scuola di Direzione Aziendale dell'Università Bocconi di Milano, e Qlik® (www.qlik.com/it-it), leader nella Visual Analytics, hanno realizzato un’indagine su circa 100 aziende appartenenti a diversi settori merceologici (45,9% manifatturiero, 22,9% servizi, 15,6% PA, 15,6% distribuzione e retail) per capire a che punto si trovano in termini di analitiche predittive. La diffusione attuale delle Predictive Analytics e? oggi parziale (24,8%) ma entro un anno e? previsto un piu? che raddoppio per arrivare a un 54% di imprese che le utilizzeranno. Le aziende che affermano di non considerare le Predictive Analytics una priorita? aziendale sono in prevalenza imprese manifatturiere pure, B2B, che intravvedono tra le maggiori criticita? della loro introduzione, la complessita? di progettazione e gestione di questi sistemi, la padronanza delle tecnologie di Data Analysis , nonche? la capacita? di utilizzare realmente i risultati delle Predictive Analysis da parte dei manager al fine di generare concreti risultati aziendali.
Le aziende che gia? utilizzano o che hanno pianificato l’utilizzo delle Predictive Analytics, ammettono di farlo maggiormente quando si tratta di analizzare il comportamento d’acquisto del cliente o del consumatore, in termini di probabilita? di reazione ad azioni promozionali o a proposte di nuovi prodotti/servizi o a combinazioni nuove degli stessi (54,2%), o in termini di probabilita? di comportamento negativo nei confronti dell’impresa come rischio di abbandono, riduzione del volume e della redditivita? degli acquisti (30,5%), o in termini di possibile fruizione dei pacchetti di servizio cliente disponibili come accesso a call center, utilizzo di garanzie, effettuazione di resi, etc (20,3%).
Le motivazioni principali dell’investimento in strumenti analitici risiedono nel miglioramento delle previsioni della domanda di prodotti/servizi e quindi delle performance commerciali dell’azienda (50,8%). Tuttavia la ricerca di ogni possibile ambito di contenimento dei costi operativi di vendita, di marketing e di logistica, si trova al secondo posto tra le motivazioni dell’investimento in Predictive Analytics (32,2%). Il miglioramento della customer experience e? al solo al terzo posto (20,3%) probabilmente perche? molte imprese operano nel B2B dove il concetto di customer experience stesso difficilmente viene applicato.
Tra gli ostacoli all’introduzione di Predictive Analytics, ci sono diverse tipologie di “competenze” che riguardano: progettazione e gestione di questi sistemi analitici (40,7%), conoscenze delle tecnologie di Data Analysis (e di data management - 37,3%) e di metodi statistici e matematici di predizione (32,2%). La qualita? dei dati (25,4%) e i costi di investimento per la progettazione e realizzazione (23,7%) sono altre criticità che ostano l’implementazione delle analitiche predittive, mentre i costi di esercizio di questi sistemi analitici (che includono la gestione e la manutenzione degli stessi) non sembrano essere considerati un problema.