Augmented Analytics: cos'è e dove si applica

Nel luglio 2017 Rita Sallam, Cindi Howson e Carli Idonie introducevano per la prima volta in una ricerca pubblicata per Gartner il concetto di Augmented Analytics, descrivendolo come un nuovo approccio di analisi dei dati che, sfruttando le tecnologie di Machine Learning e di riproduzione del linguaggio naturale (NLG), consentirebbe di individuare automaticamente i risultati più rilevanti suggerendo le azioni concrete da intraprendere.

Un solo anno dopo l’annuale report di Gartner, “Hype Cycle for Analytics and Business Intelligence” (2018), annoverava già l’Augmented Analytics tra i trend di maggiore impatto nel campo dell’analisi dei dati e della Business Intelligence. Proviamo a fare un passo indietro e cerchiamo di capire perché è stata definita "the next wave of analytics disruption".

Nessuna azienda al giorno d’oggi oserebbe negare il valore dell’analisi dei dati nella determinazione di una strategia di business. Il problema è dato semmai dalla sempre maggiore disponibilità dei dati stessi, che rende estremamente complesso con l’approccio di analisi attuale l’esplorazione di ogni possibile combinazione tra variabili. 

Il rischio è quello di prediligere solamente gli esiti che confermano le ipotesi di partenza a scapito di risultati non in linea con le nostre aspettative, ma potenzialmente determinanti. Inoltre, gran parte delle attività di preparazione dei dati (raccolta, data cleaning, feature selection, ecc.) è ancora largamente manuale; questo fa sì che i risultati siano più facilmente soggetti all' errore umano.

E non è tutto; può sembrare un problema di secondo ordine, ma nella pratica è uno degli ostacoli maggiori che le aziende incontrano: la difficoltà nel reperire data scientist, una professione relativamente recente che richiede competenze in campo informatico, statistico ed economico, e per quale esistono ancora pochi studi. 

È chiaro che la generale scarsità di queste figure sul mercato fa sì che sia spesso troppo oneroso per un’azienda, a maggior ragione se di piccole o medie dimensioni, permettersi queste risorse (e, ci dispiace, noi ci siamo già assicurati i migliori 😉).

E se esistessero degli strumenti di analisi in grado di interagire con l’essere umano nel suo stesso linguaggio e di individuare autonomamente i dati più significativi senza la mediazione degli analisti?

Questo è l’obiettivo dell’Augmented Analytics.

Sfruttando le tecnologie di autoapprendimento, l’analitica aumentata può automatizzare i processi di analisi, a partire da tutte le procedure di raccolta e profilazione dei dati, e di creare strumenti in grado di accrescere continuamente le proprie capacità sulla base dell’esperienza maturata e delle informazioni trasmesse dai professionisti esterni.

Invece delle dashboard, gli utenti possono interagire con gli strumenti di analisi attraverso chatbot e interfacce conversazionali in grado di comunicare con un linguaggio umano e di affiancare la presentazione grafica dei dati suggerendo soluzioni attuabili.

Tutto quanto abbiamo detto finora è interessante, ma nel concreto come si applica? 

Vediamo i passi che abbiamo seguito per sviluppare una piattaforma di Augmented Analytics per la gestione del portafoglio e del rischio di credito: oplon Risk Platform.

1. Rovesciando l’approccio di analisi tradizionale

L’approccio di analisi tradizionale si può riassumere in questi termini: un dispendioso processo che richiede la collaborazione di diverse figure (data scientist, manager, informatici, ecc.) e il susseguirsi di diverse fasi decisionali prima di giungere alla delibera finale. oplon consente invece di accentrare tutte le procedure in un’unica soluzione, dalla raccolta dati all’elaborazione delle analisi e al monitoraggio dei risultati. Gli strumenti integrati si basano su algoritmi di Machine Learning e Intelligenza Artificiale che automatizzano le procedure rendendo agevole l’analisi dei dati anche ai non data scientist.

2. Attingendo i dati da risorse differenti

Upload e download, drag and drop, cut and paste; gran parte del tempo di un data scientist è speso per le procedure di raccolta e screening dei dati. Tramite API è possibile collegare applicativi interni ed esterni, con almeno tre vantaggi: analisi più approfondite e dettagliate grazie all’integrazione di diverse fonti, tempi di raccolta dati dimezzati e riduzione delle probabilità di errore.

3. Integrando le informazioni verbali

I dati, si sa, sono il cuore di tutta la – appunto – data science. Ma perché considerare tali solamente numeri e cifre, quando la maggior parte delle informazioni che riceviamo ogni giorno sono comunicate attraverso la parola e il linguaggio? oplon integra nel processo di analisi anche le informazioni verbali, includendo nella valutazione anche dati qualitativi fondamentali per l’emissione di rating. Inoltre oplon sfruttra il linguaggio naturale per fornire all'utente commenti all'analisi, che vanno ad integrarsi all'esposizione grafica dei dati.

4. Automatizzando le procedure di analisi

I dati non vengono semplicemente esposti graficamente, ma vengono elaborati e integrati autonomamente all’interno del processo di valutazione. Gli strumenti si basano su algoritmi di Machine Learning e Intelligenza Artificiale che automatizzano le procedure rendendo agevole l’analisi dei dati anche ai non data scientist. È possibile ad esempio calcolare il rating di un’azienda sulla base dei dati di bilancio e successivamente integrare nella valutazione le informazioni contenute nel prospetto in pdf della Centrale Rischi; i dati vengono autonomamente letti e analizzati dalla piattaforma e il rating della società viene ricalcolato sulla base delle informazioni riportate.

5. Integrando modelli di analisi personalizzati

Una delle caratteristiche principali delle piattaforme di Business Intelligence è quella di fornire solamente un numero limitato, per quanto ampio, di funzioni. Così ci si trova spesso ad utilizzare più strumenti di analisi contemporaneamente e a dover importare ed esportare file da un software all’altro. oplon permette invece di integrare nella piattaforma modelli di analisi personalizzati, sviluppati dall’azienda o configurabili su richiesta, e di inserirli come step di analisi nel processo di valutazione.

6. Sviluppando strumenti di analisi predittivi

Grazie agli algoritmi di Intelligenza Artificiale e Machine Learning, oplon analizza automaticamente miliardi di combinazioni di dati trovandone automaticamente le correlazioni. Mentre gli strumenti di analisi tradizionali restituiscono una rappresentazione storica dell’andamento della società, oplon è in grado di elaborare scenari predittivi, non solo a livello di pratica, ma a livello dell’intero portafoglio, consentendo gli utenti di esplorare tutte le possibili opportunità.

Cosa possiamo aspettarci in futuro dall’Augmented Analytics?

Sotto questo concetto si possono individuare tre aree, che rappresentano anche tre fasi differenti del processo evolutivo:

• Augumented data preparation: quest’area comprende gli algoritmi di Intelligenza Artificiale per la raccolta, l’organizzazione e l’integrazione di dati provenienti da fonti diverse. Molte realtà sfruttano già tecnologie di data preparation, che consentono di ridurre notevolmente i tempi di elaborazioni dei dati.
• Conversational augmented analytics: è la fase che abbiamo già ampiamente descritto e che consente anche ai professionisti non esperti in data science (i cosiddetti citizen data scientist, come definiti da Sallam, Howson e Idonie) di sfruttare le competenze di Machine Learning insite negli strumenti di analisi per individuare automaticamente i risultati più rilevanti, senza dover costruire un modello o scrivere un algoritmo. Gli utenti possono esplorare tutte le possibili combinazioni di dati interagendo con le interfacce conversazionali, ponendo domande nel linguaggio naturale (ad esempio: “quali sono le tre azioni che posso intraprendere per aumentare le vendite?”) e ottenendo risposte pertinenti e circostanziate.
• Augmented data science and machine learning: in questa fase gli algoritmi di Machine Learning saranno in grado di generare emettere a punto autonomamente modelli di analisi avanzati, permettendo anche ai citizen data scientist di sviluppare applicazioni da integrare all’interno dei modelli e liberando i data scientist dalle mansioni più ripetitive per dedicarsi a sfide più creative.

Anche se probabilmente ci vorrà ancora qualche anno prima che queste innovazioni siano largamente diffuse, l’Augmented Analytics promette di rivoluzionare la gestione economica finanziaria delle imprese non meno di quanto non hanno fatto gli strumenti di Business Intelligence negli ultimi dieci anni. Molto è ancora da sviluppare, ma dove c’è molto da fare, ci sono anche molte opportunità di crescita e inventiva.