Vai al contenuto
Donna intenta a utilizzare funzioni analitiche

Cos'è l'augmented analytics?

La definizione più semplice di augmented analytics? L'augmented analytics è una funzione di analisi che viene "aumentata" da tecnologie dell'intelligenza artificiale (AI) quali il machine learning e l'elaborazione del linguaggio naturale (NPL). Il machine learning serve ad automatizzare processi analitici ad alta complessità, come la preparazione dei dati e la generazione di insight. L'NPL, dal canto suo, permette a qualsiasi persona, e quindi anche agli utenti aziendali non preparati, di rivolgere domande sui propri dati e ottenere risposte in uno stile conversazionale di immediata comprensione.

 

L'espressione “augmented analytics” è stata coniata da Gartner nel 2017 e oggi sono in molti a pensare che rappresenti il futuro della business intelligence (BI) e dell'analisi dei dati – inclusa l'analisi predittiva.

Perché è importante l'augmented analytics?

Big Data, un'opportunità da sfruttare

 

I dati rappresentano la più grande opportunità dell'economia moderna. Con i dati le aziende riescono a capire cosa e quando produrre, a chi vendere, come evolvere e molto altro ancora. Tuttavia, il volume dei dati ha raggiunto oggi proporzioni tali da renderne impossibile l'interpretazione da parte dell'uomo con i suoi soli mezzi – e in modo oggettivo. La stessa necessità di ottenere risposte immediate resterebbe semplicemente senza soluzione. Il ricorso a tecnologie come l'AI e il machine learning è indispensabile per far emergere insight significativi dal mare dei Big Data. Ed è questo uno dei motivi per cui l'analisi "aumentata" è così importante: mettendo insieme data science e intelligenza artificiale, permette alle aziende di analizzare enormi set di dati in tempo reale.

 

Minore dipendenza dai data scientist

 

Il processo di analisi si articola in una serie di passaggi manuali particolarmente laboriosi e talmente complessi da poter essere eseguiti solo dai data scientist. A questi professionisti dell'analisi viene chiesto di:

  1. Raccogliere i dati di molteplici fonti
  2. Prepararli per l'analisi
  3. Eseguire l'analisi
  4. Trovare insight significativi
  5. Presentare i risultati in formato grafico
  6. Comunicare i risultati in modo convincente
  7. Elaborare un piano d'azione

C'è un problema però, ed è l'endemica penuria dei data scientist su scala mondiale, a cui si aggiunge l'alto costo dei loro servizi. L'augmented analytics non può certo sostituirsi a questi professionisti, ma può parzialmente affrancarti dalla loro necessità automatizzando processi come la raccolta, la preparazione, la pulitura e l'analisi dei dati.

 

Oltre a liberare il tempo che i data scientist potranno dedicare ad attività più importanti, come per esempio l'interpretazione dei risultati, l'augmented analytics può valorizzare ulteriormente il contributo di queste analisti alla tua organizzazione. Con il supporto dell'intelligenza artificiale e del machine learning, l'analisi permette di stabilire connessioni che altrimenti non sarebbero emerse – e di ottenere conoscenze più approfondite in minor tempo. Le stesse tecnologie giungono in soccorso anche ai dipendenti in altri ruoli analitici – dagli analisti aziendali ai citizen data scientist – migliorandone la capacità di visione e aiutandoli a svolgere mansioni un tempo riservate rigorosamente ai data scientist più esperti.

Entro il 2025 la scarsità di queste figure non sarà più un freno all'adozione della scienza dei dati e del machine learning nelle organizzazioni.

Gartner

Democratizzare l'analisi per aprirla agli utenti non specializzati

 

Se l'analisi aumentata è ritenuta così importante, è anche per la sua capacità di far entrare in gioco i semplici "esploratori di informazioni" non specializzati. Automatizzando i complessi processi di analisi e consentendo agli utenti di interrogare i dati semplicemente ponendo domande, anche i dipendenti privi di competenze di data science possono sfruttare l'analisi avanzata. Il machine learning può guidare questi esploratori di informazioni suggerendo di volta in volta le domande da porre e indicando le aree in cui approfondire. 

 

Con l'augmented analytics, le risposte alle query assumono la forma di rappresentazioni grafiche di dati già pronte, come diagrammi, grafici e mappe – che gli utenti non sono costretti a creare autonomamente. Tali elaborazioni possono essere indagate con semplici comandi, raccolte in cronologie di dati e facilmente condivise con altri team e con la dirigenza – senza bisogno di una laurea specialistica.

L'evoluzione dell'analisi

L'analisi e la business intelligence hanno compiuto passi da gigante negli ultimi anni – trasformandosi da sofisticati strumenti per i professionisti di dati e analisi a funzioni analitiche assistite dal machine learning alla portata di qualsiasi utente.

 

Analisi tradizionale

  • Di competenza dell'IT
  • Limitata autonomia degli utenti
  • Strumenti sofisticati riservati ai professionisti di dati e analisi
  • Finalizzata al reporting su vasta scala

Analisi in self-service

  • Di competenza del business
  • Maggiore autonomia degli utenti
  • Interfaccia intuitiva
  • Finalizzata a insight ricercati dagli utenti

Augmented analytics

  • Supportata dall'AI e dal machine learning
  • Autentica autonomia degli utenti
  • Strumenti di AI e processi guidati
  • Finalizzata a insight rapidi, profondi, finora nascosti

I vantaggi dell'augmented analytics

I vantaggi dell'augmented analytics sono nel complesso gli stessi della business intelligence – per esempio, il miglioramento del reporting e del processo decisionale – con in più l'innalzamento del livello di velocità e accuratezza reso possibile dall'intelligenza artificiale e dal machine learning. Ecco alcuni vantaggi specifici dell'augmented analytics:

  • Preparazione più rapida dei dati: gli analisti dedicano l'80% del tempo alla preparazione dei dati per l'analisi. Esportano voluminosi set di dati – a volte con milioni di record – ma prima di dare il via all'analisi li devono combinare, pulire e strutturare. Il machine learning applicato all'augmented analytics automatizza queste procedure, permettendo non solo agli analisti di dedicarsi a mansioni più utili, ma anche di ridurre gli errori.
  • Analisi automatizzata: i modelli di machine learning sono in grado di automatizzare analisi complesse che altrimenti richiederebbero settimane di lavoro ai data scientist. Le risposte e le rappresentazioni grafiche dei dati generate all'istante vengono messe a disposizione di utenti non più costretti a rovistare tra i dati, ma liberi di occuparsi dell'interpretazione degli insight, di riferire cronologie di dati alla dirigenza e di promuovere il cambiamento.
  • Conoscenze più approfondite: le macchine riescono a guardare ai dati in modi semplicemente inaccessibili all'uomo. Possono esaminare set di dati notevolmente più voluminosi e da più angolazioni - e riescono a individuare correlazioni statistiche, relazioni e schemi invisibili all'occhio umano. Le macchine sono in grado di assimilare i dati in tempi rapidi e su vasta scala, di rafforzare l'intelligenza umana con conoscenze oggettive e di suggerire agli utenti dove concentrare l'attenzione.
  • Analisi conversazionale: l'elaborazione del linguaggio naturale – la stessa tecnologia di AI conversazionale che alimenta assistenti digitali come Siri e Alexa – consente agli utenti aziendali a digiuno di conoscenze in codice o linguaggi di query di porre domande in stile conversazionale. Il sistema di generazione del linguaggio naturale (NLG) provvede poi a fornire risposte sotto forma di frasi di senso compiuto, scritte o orali, che sintetizzano o spiegano i risultati.
  • Contesto aziendale istantaneo: senza un contesto aziendale gli insight non hanno senso. Prendendo in considerazione le intenzioni e i comportamenti degli utenti, gli algoritmi di machine learning riescono a produrre conoscenze context-aware pronte per l'azione. Inoltre, per effetto della democratizzazione dell'analisi, i dirigenti e i dipendenti più esperti possono potenziare gli insight con il loro sapere aziendale e la conoscenza approfondita dell'operatività e dei modelli di business.

Casi di utilizzo dell'augmented analytics

L'augmented analytics ha le potenzialità per rivoluzionare i processi di business – ma in cosa si traduce all'atto pratico? Proponiamo di seguito alcuni esempi di casi di utilizzo dell'augmented analytics nei settori della finanza, vendite e marketing, logistica, risorse umane e contabilità clienti.

 

Augmented analytics nella finanza
L'analista aziendale può avvalersi dell'augmented analytics per prevedere con facilità e tenere sotto controllo le spese di viaggio e rappresentanza in diverse linee di business.

 

Augmented analytics nella contabilità clienti
Gli addetti alla gestione delle riscossioni possono sfruttare il machine learning dell'augmented analytics per prevedere i ritardi di pagamento, definire la giusta strategia d'incasso e tenere sempre d'occhio il flusso di cassa.

 

Augmented analytics nelle vendite e nel marketing
Affidandosi all'augmented analytics, i team di vendita e marketing possono contare su migliori profili dei clienti e sulla rapida identificazione delle opportunità di cross-selling e up-selling.

 

Augmented analytics nel settore manifatturiero
L'analista di un'azienda siderurgica può ricorrere all'augmented analytics per prevedere, monitorare e tenere sotto controllo la spesa nei suoi diversi stabilimenti presenti sul territorio europeo.

 

Augmented analytics nell'HR
I responsabili delle Risorse Umane possono prevedere il tasso di turnover dei dipendenti, comprenderne i motivi e adottare misure correttive per fidelizzare i top performer – questo e altro con l'analisi AI.

placeholder

Scopri le soluzioni di analisi in cloud

Guarda le funzionalità di augmented analytics in azione e come vengono utilizzate dalle aziende.

Glossario di analisi e termini correlati

L'intelligenza aumentata (augmented intelligence) consiste nell'utilizzo dell'intelligenza artificiale (AI) per potenziare l'intelligenza umana. Lontano da ogni visione fantascientifica di macchine che sostituiscono gli esseri umani, l'intelligenza aumentata si focalizza sul ruolo di assistenza svolto dall'intelligenza artificiale nell'aiutare le persone ad apprendere, assumere decisioni e innovare.

L'analisi conversazionale (conversational analytics) sfrutta le tecnologie di AI conversazionale – vale a dire l'elaborazione del linguaggio naturale (NLP) e la generazione del linguaggio naturale (NLG) – per conferire alle macchine la capacità di comprendere il linguaggio umano, elaborare interrogazioni testuali o vocali e fornire risposte in uno stile discorsivo.

L'elaborazione del linguaggio naturale è una branca dell'AI conversazionale che permette ai computer di comprendere il linguaggio umano scritto o parlato. Nell'ambito dell'augmented analytics, i sistemi di NLP consentono agli utenti di interrogare i dati ponendo domande in modo naturale, digitandole o pronunciandole oralmente.

La generazione del linguaggio naturale è una branca dell'AI conversazionale che permette ai computer di trasformare i dati in linguaggio umano scritto o parlato. Nell'ambito dell'augmented analytics, i sistemi di NLG rispondono alle interrogazioni degli utenti generando frasi che descrivono, riassumono o spiegano i risultati.

L'analisi avanzata (advanced analytics) è un tipo di data science che si avvale di tecniche e strumenti sofisticati – quali i Big Data e l'analisi predittiva – per prevedere eventi, comportamenti e andamenti futuri. L'augmented analytics rafforza queste funzionalità di per sé avanzate con l'AI, il machine learning e l'elaborazione del linguaggio naturale, allo scopo di automatizzare complesse operazioni di modellazione predittiva e rendere più facile per tutte le tipologie di utenti far emergere insight proiettati al futuro.

Altri capitoli della serie

SAP Insights Newsletter

placeholder
Abbonati subito

Acquisisci informazioni approfondite iscrivendoti alla nostra newsletter.

Approfondimenti

Torna all'inizio