Gli algoritmi possono rappresentare degli strumenti davvero molto potenti per elaborare anche grandi moli di dati eterogenee ed arrivare a risultati interessanti. L’intelligenza artificiale (IA) in questo senso fa la parte del leone perché racchiude una famiglia di algoritmi che permettono di trovare un risultato di vario tipo (un numero, un cluster di appartenenza, ecc.) a partire da alcuni dati di input.
Tutto bello? Non proprio. In realtà, dire che l’IA faccia la parte del leone non è totalmente corretto. Diciamo che sarebbe così se ogni azienda avesse sufficienti dati per poter poterne sfruttare al massimo le potenzialità. Tralasciando ambiti di ricerca scientifica o di analisi di immagini e video in cui la mole di dati è rilevante e nella maggior parte dei casi si può realmente parlare di Big Data, in tutti gli altri ambiti spesso i dati sono pochi, in parte errati e in generale non adatti ad algoritmi che per funzionare richiedono una base dati dall’elevata qualità, ma anche quantità.
GLM vs IA, cos’è il General Linear Modelling?
Quando si devono effettuare analisi in cui la profondità e la numerosità delle informazioni non è così elevata si è costretti a lasciar perdere gli algoritmi? In realtà in alcuni casi una soluzione si può ancora trovare.
Esistono infatti alcuni metodi statistici che permettono di effettuare analisi accurate e di elevato valore per le aziende. Questo articolo si concentra sul GLM (General Linear Modelling). Esiste una grande varietà di modelli, ma questo sicuramente rappresenta uno dei più famosi e maggiormente utilizzati.
Supponiamo di voler stimare (forecast) i volumi di vendita futuri del nostro eCommerce e si dispone dei dati relativi alle transazioni avvenute negli ultimi 48 mesi.
Non si tratta di un problema di scarsa numerosità dei dati, ma se il database si riferisce a circa mille transazioni in tutto su una base di 30 prodotti, è palese che non si possa e convenga percorrere la strada dell’IA.
GLM vs IA, come funziona il General Linear Modelling?
Senza entrare nei dettagli matematici, il GLM consente di dare un peso a tutte le colonne del file delle transazioni e stimare infine il valore di una variabile “obiettivo” che è rappresentata dal volume di vendita, ad esempio giornaliero. Il modello risultante è un lineare, ovvero rappresentabile come una retta.
Una volta che viene individuato un modello è possibile valutarne la “qualità” attraverso l’utilizzo di indicatori come il P-value.
Per chi non si occupa quotidianamente di data analysis già queste indicazioni basilari potrebbero generare qualche grattacapo, ma non è necessario lasciarsi intimorire dalla scienza dei dati. Farsi affiancare da esperti del settore è fondamentale, ma mettere in piedi un sistema di questo tipo è possibile. Si tratta di creare dei flussi IT idonei per alimentare il modello ed implementarlo, facendo in modo che i risultati possano essere consultati attraverso un’apposita interfaccia o mediante applicazioni terze.
GLM vs IA, vantaggi, svantaggi e differenze
Perché allora si sente parlare solo di Intelligenza Artificiale come soluzione per l’ottimizzazione delle scelte delle aziende? In generale, è meglio l’IA o il GLM?
Ovviamente non esiste una risposta corretta in senso assoluto, di certo è possibile procedere con alcune considerazioni condivisibili da chiunque si occupi di analisi dei dati:
- il GLM è una metodologia più semplice ed ha bisogno di un’inferiore quantità di dati per generare risultati con un accettabile margine di errore.
- se si ha a disposizione una grande mole di dati da analizzare i risultati ottenibili con l’IA sono migliori ed inoltre è significativamente più elevata la velocità di adattamento a cambiamenti nei pattern dei dati (come,ad esempio, in risposta alle variazioni nelle abitudini di acquisto e consumo legate alla pandemia. Non a caso il 2020 è considerato l’anno zero per chi esegue stime in quanto i dati degli anni precedenti sono in molti casi inutilizzabili e fuorvianti nelle analisi predittive)
GLM vs IA, i campi di utilizzo
Ma, il GLM, oltre ad eseguire analisi previsionali, in quali ambiti può essere utilizzato? Come per l’IA, le opportunità sono molte, ad esempio:
- Calcolare il prezzo corretto per un prodotto ottimizzando la retta risultante dal modello
- Stimare quantitativamente l’impatto delle variabili su un determinato evento (ad esempio impatto delle festività sulle vendite)
La scelta di usare il GLM può anche essere dettata dal volere uscire da una situazione di immobilismo nell’analisi dei dati. L’iter che si verifica all’interno di un’azienda è spesso il seguente:
- L’azienda dispone di una quantità di dati non sufficiente per utilizzare algoritmi di IA
- Sceglie di adottare il GLM per le analisi
- Nel frattempo, vengono implementati e migliorati i processi di data acquisition e si lavora nell’ottica dell’ottimizzazione dell’organizzazione degli stessi
- La quantità e la qualità dei dati raccolti arrivano ad un livello ottimale per utilizzare strumenti di Intelligenza Artificiale
In sintesi, il GLM può aiutare a comprendere meglio i dati che una realtà ha a disposizione ed è sicuramente una soluzione migliore rispetto ad aspettare ad agire ed effettuare analisi nell’attesa di acquisire una mole di dati tale da poter utilizzare l’Intelligenza Artificiale.
