Augmented analytics, cosa sono e come possono trasformare l'azienda

Moxoff

Gli augmented analytics possono consentire a un'organizzazione di semplificare e accelerare l'analisi dei dati, e di estrapolare intuizioni legate al contesto specifico, oggi fondamentali per mantenere sana e competitiva qualsiasi attività imprenditoriale.

Che cosa sono
Prima di definire cosa siano gli augmented analytics, vale la pena spendere due parole su cosa si intende, più in generale, con strumenti analitici, o 'analytics': questi sono strumenti software che aiutano a individuare ed estrapolare indicazioni utili a partire da una base dati. Sfruttando la potenza di elaborazione degli algoritmi è possibile far emergere schemi e relazioni altrimenti difficili da valutare.

Gli augmented analytics potenziano gli analytics convenzionali, attraverso l'uso di tecnologie evolute, tra cui l'intelligenza artificiale (AI), il machine learning (ML), e il natural language processing (NLP), che facilitano e accelerano l'estrapolazione di intuizioni e indicazioni nuove e più complesse. La società di ricerca e consulenza Gartner definisce gli augmented analytics "l'utilizzo di tecnologie abilitanti, come machine learning e artificial intelligence, per assistere nella preparazione dei dati, e nella generazione e spiegazione degli insight, per potenziare i modi in cui le persone esplorano e analizzano i dati nelle piattaforme di analisi e BI".

I data scientist, stima la società di ricerche Allied Market Research (AMR), impiegano l'80% del proprio tempo in meccaniche operazioni di routine, come l'etichettatura e la pulizia dei dati. Tempo che può essere ridotto usando gli augmented analytics. Questi ultimi, sfruttando intelligenza artificiale, machine learning ed elaborazione del linguaggio naturale (NLP), possono individuare associazioni tra i dati, e generare in automatico insight subito utilizzabili dai responsabili del business, senza necessità di assistenza da parte di analisti o data scientist. In sostanza, con gli augmented analytics, gli utenti business, non esperti di dati, hanno a disposizione uno strumento che, non solo presenta nuove tipologie di dashboard o nuove visualizzazioni dati, ma permette anche di manipolare, in completa autonomia, dati, modelli, e report. Operazioni come la valutazione della qualità e della struttura di fonti dati e dataset (data profiling), la pulizia, la formattazione, la connessione e combinazione di diverse fonti, sono tra le funzionalità chiave di data preparation che gli strumenti di analisi aumentata eseguono in automatico. Gli augmented analytics possono inoltre fornire funzionalità di analisi guidata, dando suggerimenti e consigli mirati in base al tipo di utente e reparto aziendale, per un'esplorazione più mirata. Infine, gli augmented analytics possono dare agli utenti business la possibilità di fare previsioni, evitando di ricorrere necessariamente al supporto di un data scientist.

Augmented analytics, più automazione nell'analisi dei dati
Gli augmented analytics introducono automazione nei classici processi di analisi, con l'obiettivo di identificare in modo più rapido, in grandi volumi di dati, intuizioni utili a prendere decisioni di maggior qualità, più efficienti, informate. Intuizioni che, ad esempio, possono aiutare un'organizzazione a migliorare un dato processo di business, o ad accelerare il raggiungimento di un obiettivo di vendite, o di riduzione costi.

Gli augmented analytics, aggiunge Gartner, potenziano le capacità di analisi, sia degli esperti di data science, sia dei "citizen data scientists", ossia coloro che creano e generano modelli ma non sono esperti di statistica o strumenti analitici, automatizzando molti aspetti di sviluppo, gestione e implementazione di data science, machine learning e modelli AI.

Verso l'industrializzazione degli augmented analytics
L'importanza di valorizzare i dati per prendere decisioni rapidamente e garantire continuità di business nei momenti di crisi, è emersa con ancor più forza durante l'emergenza sanitaria COVID-19, come indicato anche dalll'edizione 2020 dell'Osservatorio Big Data & Business Analytics della School of Management del Politecnico di Milano (https://www.osservatori.net/it/ricerche/comunicati-stampa/mercato-analytics-italia-2020-rallentamento). In particolare, le aziende mature nella gestione e analisi dei dati hanno aumentato le risorse di data science, ripensando modelli predittivi e di ottimizzazione. Sta crescendo l'attenzione su efficienza, presenza di competenze interne e su governance dei dati e della data science, mentre tra le tendenze emergono "l'applicazione del machine learning nell'intero ciclo di vita dei dati, l'industrializzazione degli advanced analytics e una maggiore maturità organizzativa".

Il mercato globale degli augmented analytics è previsto raggiungere, secondo le stime di un rapporto pubblicato da (AMR), un valore di 29,86 miliardi di dollari entro il 2025, crescendo con un CAGR pari al 28,4% nel periodo 2018-2025.

Augmented analytics: come accrescono la produttività di diverse figure e reparti aziendali
Tra i fattori che guidano la crescita degli augmented analytics nel mondo, indica il rapporto AMR, c'è la sempre più sentita necessità di "democratizzare", e quindi diffondere, l'utilizzo degli analytics, e di incrementare la produttività. In quest'ottica, automatizzando la preparazione dei dati, l'identificazione di schemi significativi e la generazione e condivisione di insight anche tra utenti non tecnici, gli augmented analytics sopperiscono alla scarsità di data scientist e aiutano a formalizzare la cultura e le conoscenze aziendali, semplificando le attività di analisi, e permettendo anche a dipartimenti diversi di comunicare tra loro in modo più efficace. Da un lato, gli augmented analytics aiutano quindi i data scientist esperti a compiere le operazioni di pulizia dei dati in modo più rapido per ottenere dataset di qualità che permettano loro di focalizzarsi su problemi specifici e su attività ad alto valore per arricchire i modelli di analisi e previsione; dall'altro, aggiunge AMR, forniscono ai decisori aziendali informazioni più rilevanti e utilizzabili, riducendo il tempo impiegato per l'esplorazione dei dati.

I rischi di sicurezza e privacy dei dati legati all'uso degli augmented analytics rappresentano, invece, la principale preoccupazione per le organizzazioni di diversi settori verticali, tra cui banche, servizi finanziari, assicurazioni, assistenza sanitaria. Tali imprese devono infatti contemperare l'uso degli augmente analytics con la data governance e l'aderenza alle normative dei singoli settori.

Benefici nell'impresa con gli augmented analytics
In generale, introducendo intelligenza e automazione nei tradizionali strumenti di business intelligence (BI), gli augmented analytics consentono di accelerare la velocità di analisi e, in definitiva, il raggiungimento di obiettivi e risultati imprenditoriali.

Più intelligence.Nell'utilizzo dei tradizionali tool di BI è in genere necessaria una certa cognizione del perimetro di analisi entro cui gli insight dovrebbero emergere. Gli augmented analytics permettono di integrare direttamente negli algoritmi le tecniche di analisi classiche con le informazioni di contesto e le conoscenze specifiche del problema e questo porta a indicazioni più precise e puntuali, interpretabili anche da chi non è esperto delle fonti dati sottostanti. Ciò si pone in linea con un approccio "MathFusion", indirizzato a ottimizzare i risultati ottenibili.

Più semplicità d'uso. L'integrazione negli augmented analytics di tecnologie come NLP permette all'utente di interrogare il sistema usando il linguaggio naturale (natural language query), senza dover conoscere linguaggi come SQL, e, ad esempio, di ricevere risposte text-based in modalità conversazionale, tramite la generazione di linguaggio naturale (natural language generation). Tali semplificazioni, tra cui si possono includere anche i tool di visualizzazione automatica dei dati in varie viste, permettono di usare gli analytics anche a chi in azienda non è un data scientist.

L'uso degli augmented analytics aiuta a creare una maggior alfabetizzazione sui dati e una cultura data-driven, anche se non esclude l'importanza di possedere competenze specializzate di data science e modellistica matematica, che consentono di trarre il massimo valore da questi strumenti.