Predictive Analytics e approccio alla pianificazione in Quintet24

Predictive Analytics e approccio alla pianificazione in Quintet24

I sistemi di pianificazione e i report risentono della perdita di tempo necessaria a creali e della mancanza di trasparenza nelle molte dimensioni rilevanti. MobiMedia ottimizza gli sforzi di pianificazione e la trasparenza decisionale integrando in modo proattivo tutti i contenuti di pianificazione nella gestione di processo. Grazie a una visualizzazione intelligente e intuitiva, è possibile pianificare in modo interattivo e visuale, oltre alle qualità e ai valori, anche i temi cromatici, le emozioni e le possibili aree POS. Attraverso il data mining, MobiMedia integra nella pianificazione tutti gli influssi misurabili in modo automatico e riduce sensibilmente la necessità di input manuali.

Ma com’è possibile gestire questi complessi volumi di dati?

In poche parole: i metodi di analisi avanzata consentono di riconoscere dei modelli in dati globali e di utilizzarli per decisioni e previsioni.

La sfera di cristallo strategica
Cosa comprerà domani il cliente e perché? Solo sapendo cosa verrà comprato domani è possibile mantenere l’inventario al minimo e ugualmente far fronte alle esigenze dei clienti. Una pianificazione efficiente e ottimale in funzione dei costi necessita di una previsione accurata del comportamento d’acquisto previsto e delle relative vendite. Eventi particolari come campagne promozionali, grandi eventi sportivi, tempo atmosferico, inizio delle ferie, giorni festivi, eccetera, sono già oggi inclusi in molti modelli di previsione e anche le oscillazioni di vendita stagionali sono la norma per un buon software di pianificazione.

Predictive Planning versus approccio classico o:
cosa fanno ora i metodi di analisi avanzata in modo diverso?
Rispetto alle tecniche di analisi classiche, descrittive o visuali e la successiva elaborazione dei dati in proiezioni, con il Predictive Planning and Forecasting vengono ora utilizzati invece approcci avanzati e basati su modelli. Sulla base di modelli matematici di analisi dei dati vengono identificate relazioni tra le variabili, per ricavarne approfondimenti su modelli esistenti e nuove previsioni.

Questi metodi avanzati sono in grado di riconoscere modelli e relazioni in serie di dati globali ed eterogenee e possono quindi essere utilizzate per le previsioni. I vantaggi dell’utilizzo del Predictive Planning and Forecasting sono molteplici.

Lo scopo dell’utilizzo di previsioni automatizzate è quello di fornire un supporto e una riduzione del carico di lavoro ottimali ai responsabili della pianificazione, ad esempio attraverso valori predefiniti durante la pianificazione, e non di sostituirli. In questo modo, i pianificatori rimangono coinvolti nei processi di pianificazione, ma sono sollevati dai compiti di routine. I punti critici dei processi di pianificazione odierni, come la scarsa qualità dei risultati della pianificazione, lo sforzo impiegato, i tempi eccessivamente lunghi del processo di pianificazione o la mancanza di risorse per le previsioni a breve termine, con questo metodo vengono superati.

Previsioni solide in intervalli più brevi con la giusta qualità dei dati

Il nostro mondo digitale ha creato un tipo di consumatore completamente nuovo: un nomade dello shopping che vuole ritrovare rapidamente nel carrello le relative tendenze. Un potenziale acquirente in rete digitale, che vaga di negozio in negozio, di marchio in marchio, sempre alla ricerca della migliore offerta. Sta diventando sempre più importante riconoscere rapidamente queste tendenze, ispirare il cliente il prima possibile e offrirgli la giusta gamma di prodotti:

con i nuovi approcci, i cicli di pianificazione possono ora essere eseguiti molto più velocemente e con maggiore frequenza. Inoltre, l’integrazione dei sottosegmenti è più semplice e garantisce il collegamento con le analisi e la reportistica. L’IA è utilizzate nei metodi di Predictive Planning, ma anche negli algoritmi per il monitoraggio dei progetti o per il rilevamento precoce delle oscillazioni.  Ciò consente alle aziende di reagire più rapidamente e con maggiore anticipo. E questo fa risparmiare in termini di tempo e costi. Il fattore qualità dei risultati è notevolmente migliorato e crea vantaggi competitivi.

Solo i dati giusti nella giusta qualità, la granularità richiesta e uno storico sufficiente permettono di ottenere solide previsioni. I modelli predittivi sono progettati per una specifica applicazione e vengono costantemente aggiornati, quindi non hanno una validità generale. Poiché i mercati, la concorrenza e il comportamento dei clienti sono in costante evoluzione, tra le altre cose, è inevitabile che si sia un monitoraggio continuo del comportamento del modello e della qualità prevista per poter effettuare aggiustamenti o riqualificazioni a seconda dei risultati.

Il Deep Learning come elemento costitutivo di previsioni solide
Come il nome suggerisce: il Deep Learning si basa sull’analisi di grandi volumi di dati.
La macchina “scava” letteralmente attraverso enormi quantità di informazioni provenienti da database, e-mail, dati dei social media e acquisti dei consumatori per identificare e piccole e grandi tendenze. Il Deep Learning utilizza l’intelligenza artificiale e le ben note reti neurali per creare sistemi che possono utilizzare informazioni, algoritmi multistrato e software per replicare il comportamento umano nell’apprendimento.

Il Deep Learning richiede un’infrastruttura IT specializzata altamente efficiente per l’analisi di enormi set di dati e soprattutto per l’apprendimento in tempo reale. Ciò significa che la memoria di Deep Learning sottostante ha un’agilità sufficiente per elaborare rapidamente diversi tipi di dati. Questa flessibilità è uno dei motivi per cui le memorie definite da software sono oggi in cima alle liste dei desideri della maggior parte delle aziende.

La performance incontra la previsione
Tuttavia, la procedura non può colmare eventuali lacune informative. Né esse rilevano cambiamenti improvvisi o fenomeni che si verificano per la prima volta e li incorporano nelle previsioni. Dunque: i processi di riconoscimenti dei modelli hanno i propri limiti, poiché le operazioni di base del riconoscimento dei modelli, come il filtraggio o la differenziazione dei dati, si basano già su presupposti statistici, culturali, temporali e molti altri. Essi specificano ciò che in definitiva viene riconosciuto come modello e ciò che non lo è. Il software riconosce ciò che è addestrato a fare: un algoritmo non può “vedere”.

Quindi, per tutti i vantaggi della Predictive Analytics and Planning, è ancora indispensabile un’intuizione imprenditoriale lungimirante e l’occhio vigile di esperti. Questo anche perché un algoritmo, a differenza di un esperto, non può valutare se la relazione tra due quantità è puramente casuale o se si tratta di una relazione indiretta.

I miei consigli di lettura:
Predictive Analytics ha anche i suoi svantaggi sociali. Per questo consiglio:
Hito Steyerl e altri:  Pattern Discrimination. University of Minnesota Press und Meson Press, 2018.

Autore: Connie Rambold, CCO MobiMedia AG