Categoria: Predictive Analysis: asset digitali emergenti

Business intelligence, data mining, predictive analysis e machine learning: questi sono solo alcuni dei termini che ormai quotidianamente incontriamo durante gli eventi che riguardano il tema dell’innovazione nelle attività economiche, produttive e di servizio nelle nostre società, e che si riverberano di conseguenza nei vari media. Il passaggio – culturale, strategico e operativo – è quello che va dal concetto di Big data a quello di Relevant Data, attraverso innazitutto la raccolta di dati che, analizzati e adeguatamente trattati e modellati, sono in grado di creare nuovi asset digitali. In questa rubrica verrà trattata una tipologia di analisi ben precisa, quella cosiddetta predittiva (Predictive analysis) passando attraverso concetti e pratiche che vanno dall’ottimizzazione degli operating process alle user experience e ai nuovi business model. Buona lettura, Maurizio Pontremoli.

Categorie
6MEMES TRENDS Predictive Analysis: asset digitali emergenti

Industry 4.0: viaggio nelle “fabbriche” di questo millennio. Operating process, user experience e business model.

[sf_iconbox image=”fa-cog” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Manifattura e Industria 4.0

[dropcap3]N[/dropcap3]ei precedenti articoli abbiamo potuto osservare, tramite la ricerca di casi d’uso, come la digitalizzazione dei processi abbia aperto nuovi fronti di innovazione nei settori della sanità e delle telecomunicazioni grazie all’analisi predittiva dei dati.
Come di consueto, seguendo l’impostazione argomentativa tipica della nostra rubrica, vedremo insieme in questo articolo i casi d’uso più significativi nel settore manifatturiero, analizzandoli:
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”]dal punto di vista dell’ottimizzazione dei processi (operating process);
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”]in base all‘impatto che gli stessi hanno prodotto in termini di esperienza d’uso (user experience);
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”]attraverso la presentazione di nuovi modelli di business (business model).
Siete pronti per un viaggio nel mondo nelle “fabbriche” di questo millennio? Bene: partiamo con l’analisi dei casi di successo dove le tecniche predittive contribuiscono a cambiare significativamente il settore manifatturiero.

[sf_iconbox image=”ss-repeat” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Operating process

L’ottimizzazione dei processi operativi è l’area in cui – naturalmente – ci si aspetta la gran parte dei casi d’uso, e in effetti esistono moltissime esperienze dalle quali è possibile trarre ispirazione…
Da parte mia ho cercato di selezionare i casi che, a mio avviso, sono i più significativi.
Il primo è rappresentato dal gigante dei semiconduttori Intel, che ha utilizzato l’analisi predittiva per ridurre il tempo di durata dei test di controllo della qualità nella produzione dei chip.
Si tratta di una mole di tempo risparmiato davvero consistente. Secondo quanto riportato in questo report, infatti, ogni chip della linea di produzione Intel richiede circa 19.000 test. L’analisi predittiva – possibile grazie alla disponibilità di un set significativo di dati storici – ha consentito di diminuire del 25% il tempo di dei processi di controllo qualità.
La conseguente riduzione dei costi è stata altrettanto significativa: su una sola linea di produzione dei processori il risparmio è stato pari a 3M$.
Un altro esempio simile, ma applicato alla produzione dei dischi rigidi (HDD), viene descritto qui (slide 9-12). Sempre grazie all’analisi predittiva, si cerca di ridurre i tempi dei controlli di affidabilità sui nuovi materiali, pratiche che oggi arrivano ad impiegare circa 3 mesi di tempo.
[bctt tweet=”L’ottimizzazione dei processi operativi è l’area in cui  troviamo gran parte dei casi d’uso in termini predittivi…” username=”MapsGroup”]
Migliorare la qualità nei processi produttivi significa, dunque, identificare quali parametri dei processi produttivi che influenzano maggiormente la qualità dei prodotti.
In questo ulteriore caso viene preso in esame il processo produttivo di una delle più grandi aziende produttrici di adesivi del mondo. Analizzando oltre 3 anni di dati provenienti dagli impianti produttivi è stato possibile determinare quali parametri dei processi produttivi influenzavano la qualità dei prodotti. Si stima che il risparmio potenziale, una volta che il sistema sarà a regime, sarà di diverse decine di milioni di dollari.
Rimaniamo sempre nel settore della chimica citando l’ottimizzazione dei processi produttivi che l’industria BASF ha ottenuto grazie all’analisi dei dati provenienti in real time da sensori dislocati sulla catena produttiva. Grazie alla disponibilità di questo flusso di dati e alle tecniche di analisi in tempo reale, l’azienda ha potuto mettere in campo nuove tecniche di controllo in modalità continua, che porta benefici in termini di consumo di materie prime, risparmio energetici e qualità dei prodotti finiti.
Lasciamo ora l’aspetto dell’ottimizzazione dei processi per addentrarci in quella che – probabilmente – è la vera trasformazione che la digitalizzazione sta apportando al settore manifatturiero: i nuovi servizi che vengono proposti successivamente all’acquisto di un prodotto o a forme di business alternative alla produzione e vendita di un bene.
Iniziamo dalle nuove esperienze d’uso, e verifichiamo insieme quali sono stati gli impatti per l’utente finale del bene, resi possibili dall’analisi predittiva.

[sf_iconbox image=”ss-usergroup” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]User experience

Come abbiamo visto, l’introduzione di sensori nei processi produttivi ha consentito di applicare le tecniche di analisi predittiva al fine di migliorare i processi stessi, con grandi vantaggi in termini di riduzione costi e sui tempi di produzione.
Una vera e propria rivoluzione si sta delineando, facendo si che nuovi specifici sensori vengano inseriti nei prodotti venduti, in modo che possano generare dati anche dopo che avranno lasciato la fabbrica e saranno in uso dai clienti.
Accade così che l’analisi dei dati raccolti – come ad esempio la frequenza d’uso, l’intensità e le modalità di utilizzo dei beni – può migliorare notevolmente i tradizionali servizi di assistenza che il produttore può erogare nei confronti dei propri clienti.
Un esempio concreto è rappresentato dall’italianissima azienda Carpigiani che da alcuni anni ha sviluppato un servizio che aiuta i propri clienti nel gestire le operazioni di pulizia e manutenzione delle macchine sulla base del loro utilizzo, permettendo inoltre di programmare i servizi di sostituzione delle parti usurate prima che queste si rompano, causando dei costosi blocchi di produzione.
Lo stesso flusso di dati raccolti viene utilizzato anche per programmare le attività di manutenzione ordinaria, come il lavaggio delle macchine, al fine di massimizzare l’utilizzo delle materie prime e il risparmio di energia, sulla base delle esigenze di produzione dei clienti.
Ad oggi più di 8.000 macchine per la produzione del gelato sono connesse al servizio di Carpigiani, un gran flusso di dati che migliorano la qualità dei servizi di post vendita, generando valore per i clienti che percepiscono un servizio di alta qualità contribuendo a creare una grossa fidelizzazione nei confronti della marca.

[sf_iconbox image=”ss-cart” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Business model

Nel nostro stesso blog, in questo articolo, abbiamo visto che i servizi legati alla digitalizzazione hanno contribuito a creare nuovi modelli di business che hanno superato la classica distinzione tra prodotto e servizio.
Ampliando ora il concetto, ho quindi cercato di illustrare ulteriori casi d’uso, magari meno noti, ma che comunque confermano questa tendenza alla creazione di nuovi servizi alternativi o complementari alla vendita di prodotti.
In questa categoria di servizi rientrano senz’altro quelli di post vendita, che – oltre a generare nuovi flussi di ricavi – hanno la caratteristica di avere maggiore continuità rispetto alla vendita di nuovi prodotti.
Alcuni studi, inoltre, indicano come, mediamente, le marginalità sui servizi di post-vendita sono almeno il doppio rispetto a quelle associate alla vendita del prodotto.
[bctt tweet=”Si conferma la tendenza alla creazione di nuovi servizi alternativi o complementari alla venditai.” username=”MapsGroup”]
Un esempio significativo è quello dell’azienda Daikin, dove l’applicazione dei sensori all’interno dei condizionatori permette all’azienda di controllare l’efficienza della macchina nel suo complesso e lo stato di ogni suo componente, in modo da intervenire tempestivamente prima dell’eventuale rottura. Mediante l’analisi dei dati, inoltre, l’azienda è in grado di erogare un servizio attraverso il quale il cliente controlla il livello di comfort richiesto ottimizzando al contempo i consumi energetici.
I dati acquisiti permettono di fornire informazioni previsionali su come gli apparati reagiranno alle richieste di maggior comfort, indicando l’incremento di consumo energetico previsto.
Risulta così evidente come sia possibile per l’azienda Daikin andare oltre alla semplice vendita del condizionatore, offrendo invece un servizio basato sul livello di comfort richiesto dal cliente. Un’affascinante rivoluzione che cerca di indirizzare il soddisfacimento primario dei bisogni del cliente.

[sf_iconbox image=”ss-view” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Conclusioni

Come abbiamo visto anche il settore manifatturiero è in una fase di grande trasformazione, tanto che è stato coniato nel 2011 il termine Industry 4.0, che identifica i fenomeni di digitalizzazione e conseguente automazione dei processi produttivi tramite sistemi ciber-fisici.
Sono tutti scenari affascinanti, ma che aprono qualche punto interrogativo rispetto ai risvolti sociali che tali trasformazioni potrebbero portare.
Già in precedenza ci siamo soffermati, sempre nel nostro blog, sulla preoccupante riduzione dei posti di lavoro necessari per la manodopera, che tale trasformazione sembra poter causare.
Realisticamente, è davvero difficile prevedere quale sarà il nuovo livello di equilibrio tra domanda e offerta di lavoro in seguito a queste trasformazioni. Da parte mia credo che si possa osservare, attraverso i casi d’uso individuati, come la stessa analisi su questi dati raccolti possa rappresentare la strada per creare nuove opportunità per le aziende e, di conseguenza, una nuova domanda di occupazione.
Certo, si tratterà In primis di creare le condizioni per lo sviluppo di nuove figure professionali necessarie per l’analisi dei dati, e, successivamente, per l’individuazione di nuovi ruoli (e relative competenze) idonei a implementare gli scenari produttivi e di servizio che emergeranno in futuro da tali innovazioni.

Maurizio Pontremoli

Categorie
6MEMES TRENDS Predictive Analysis: asset digitali emergenti

Pronto, chi – dove, quando e come – parla? Stato dell'arte su Big Data e Predictive analysis nel settore TELCO. Di Maurizio Pontremoli.

Telco & Big Data

[blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]
[dropcap3]D[/dropcap3]opo aver introdotto nell’articolo precedente il tema generale delle best practice nella Predictive analysis, e aver trattato più in particolare l’argomento dell’Informatizzazione clinica orientata all’analisi predittiva, procediamo nella nostra rubrica in una rapida, ma articolata incursione nel settore delle telecomunicazioni.
Analizzando questo mercato con i focus caratteristici della nostra rubrica, incentrati su Business Model, User experience e Operating process, già a un primo approccio possiamo confermare che sia la ricerca di una fidelizzazione del cliente che l’aspirazione all’individuazione di nuove fonti di ricavo, in questo settore di per sé amplissimo, sono rilevanti e significative.
[bctt tweet=”Il settore TELCO verso la fidelizzazione del cliente e nuove fonti di ricavo.” username=”MapsGroup”]
Se ne potrebbe dedurre che siamo di fronte a un mercato in cui la ricerca di casi d’uso sulla Predictive analysis si dovrebbe presentare come particolarmente fruttuosa…
Questo, da un lato perché la disponibilità dei dati è molto ampia, e dall’altro perché la competizione nel settore è decisamente elevata: non occorrono sofisticati algoritmi previsionali per stimare che almeno il 50% dei miei (pochi 😉 lettori avranno cambiato operatore almeno una volta negli ultimi due anni.
Eppure, come vedremo, non mancano le sorprese. Vediamo insieme quali.

[sf_iconbox image=”ss-view” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Oltre la quantità, di quali dati parliamo?

Anche se può essere facilmente intuibile, non possiamo non sottolineare come i dati in questione siano di diverso tipo, a partire da quelli a prima vista più insignificanti, come le informazioni riguardanti il traffico in sé (ad esempio data e ora della chiamata, la sua durata e il destinatario) e i luoghi frequentati da chi sta conversando (tracciati attraverso la geo-localizzazione), per arrivare ad altre tipologie di informazioni mano a mano più dense di valore rispetto ai comportamenti d’acquisto e agli stili di vita.
Essendo difficile immaginare una situazione in cui ciascuno di noi non è accompagnato dal proprio inseparabile compagno elettronico, se ne ricava che – volente o nolente – ognuno fornisce continuamente una gran mole di informazioni a chi sta dall’altra parte di tale, invisibile eppure perfettamente tracciabile cordone ombelicale, fatto da flussi incessanti di azioni e conversazioni.
[bctt tweet=”Ognuno fornisce continuamente una gran mole di informazioni a chi sta dall’altra parte del filo…” username=”MapsGroup”]
La mole delle informazioni che si muove complessivamente da un capo all’altro di tali interazioni è davvero rilevante: secondo la Weve, la quantità di dati raccolti è pari almeno a 100 eventi al giorno per ciascun utente. Si tratta di cifre impressionanti, se vi aggiungiamo il fatto che, tipicamente, ogni operatore del settore dispone di alcune decine di milioni di utenti.
Il tutto conduce inevitabilmente a un tipico approccio Big Data, in cui le tecniche di Predictive analysis sono in grado, almeno in potenza, di generare ulteriori informazioni preziose sia in forma aggregata e anonimizzata che in modalità più dettagliata e profilata su ogni singolo utente. Con buona pace della privacy di ciascuno, ma questa è un’altra storia…
A partire da queste premesse cerchiamo ora di comprendere insieme quali sono  innanzitutto gli impatti del settore relativi all’emergere di nuovi modelli di business, per poi passare – seguendo l’impianto tradizionale della nostra rubrica – a valutare le possibili esperienza d’uso riferite agli utenti e infine riflettere sulle diverse  ottimizzazioni dei processi operativi in capo alle aziende che utilizzano tali tecnologie.
Pronti? Bene, iniziamo!

[sf_iconbox image=”ss-phone” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]

Business Model: da un capo all’altro delle telecomunicazioni

Il focus sui Business Model rappresenta forse uno degli aspetti più interessanti in un settore come questo, fortemente connotato come commodity.
La ricerca di come estrarre valore dalla miniera di dati di cui dispongono gli operatori telefonici è infatti una questione per certi aspetti non semplice, ma che consegna alla contingenza di mercato alcuni casi di successo particolarmente significativi. Andiamo ora sul concreto con alcuni esempi pratici.
Weve
Se è vero che le informazioni raccolte da questo mercato  possono servire a predire la disponibilità degli utenti all’acquisto di un determinato bene anziché un altro, ecco che –  unendo le rispettive forze, ma soprattutto i dati di ciascuna organizzazione – gli operatori Vodafone, O2 e EE hanno costituito la già citata joint venture Weve, un’impresa che opera nel Regno Unito e che ha come obiettivo quello di mettere a disposizione di vari Brands una piattaforma di Mobile Commerce particolarmente efficace nel proporre beni e servizi a un pubblico di potenziali utenti interessati. Con i conseguenti vantaggi competitivi che un tale approccio al business porta con sé.
AdWorks
Attraversando l’oceano troviamo la business unit AdWorks del famoso operatore AT&T, che ha come obiettivo quello di massimizzare i ritorni della pubblicità veicolata tramite varie piattaforme televisive (ad esempio attraverso i sistemi IPTV). Anche in questo caso i dati relativi all’utilizzo dei servizi di telecomunicazione vengono usati per prevedere l’attitudine all’acquisto di gruppi di utenti, agevolando sia le attività di generazione di lead che le relative conversioni.
Di esempi di questo tipo, ovvero quelli mirati a migliorare le performance nell’area dell’ecommerce o dell’advertising, ce ne sono moltissimi altri, ma – a voi e a me piacendo – tralascerei quest’area che, almeno dal punto di vista di noi utenti, è un poco fastidiosa, inutile negarlo. Posiamo quindi lo sguardo altrove alla ricerca di altri modelli di business.

[sf_iconbox image=”ss-tag” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Quando i dati generano valore in forma di efficienza e conoscenza

Una diversa tipologia di utilizzo fruttuoso dei dati del settore – che mi affascina particolarmente e che, almeno in linea teorica, dovrebbe trovare ampi spazi di impiego nel Bel Paese – è ad esempio l’utilizzo applicato delle informazioni riguardanti i flussi delle persone sia nelle aree urbane che in quelle a vocazione turistica.
Quali sono le notizie che possono essere utilizzate per questa tipologia di analisi? Riguardano per lo più i dati relativi alle celle ai quali i vari dispositivi mobili si “agganciano” di volta in volta, che possono di conseguenza raccogliere informazioni su fattori di estrema rilevanza, come ad esempio il numero delle persone che transitano in una certa area, i flussi che si muovono da una cella a un’altra, i tempi di permanenza in ciascun luogo e così via.
Ed è qui che le tecniche di Predictive analysis – se applicate su intervalli di tempo sufficientemente estesi – possono studiare, inferire e modellare tali dati fornendo informazioni sulle percorrenze abituali, evidenziandone ad esempio le possibili criticità in termini di densità di popolazione, facendo emergere in maniera predittiva le problematiche inerenti i fenomeni di pendolarismo o, ancora, intercettando e anticipando i flussi turistici, di per sé estemporanei.
[bctt tweet=”Le tecniche di Predictive analysis possono studiare, inferire e modellare i dati  sulle percorrenze abituali. ” username=”MapsGroup”]
Si tratta quindi di una miniera di informazioni che, per chi si occupa di pianificazione urbana, può rivestire un enorme valore strategico e operativo, come illustrato in questo articolo. Lo stesso vale per chi si occupa dei fenomeni turistici, come ampiamente argomentato in quest’altro contributo.
Seguendo dunque il filo dell’utilità d’uso dei dati in ottica predittiva passiamo al tag successivo, quello inerente l’esperienza d’uso.

[sf_iconbox image=”ss-user” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]

User experience: quanto, quando e soprattutto come…

Lo dico subito: per quanto riguarda la user experience, in tutta franchezza, mi sarei aspettato qualcosa di più in termini di casi d’uso, visto il settore percepito ad alto livello di commodity. In realtà ho riscontrato una certa difficoltà nel trovare casi significativi che vadano oltre alle buone intenzioni.
Esistono tuttavia delle eccezioni, che sottopongo al vaglio dei miei (pazienti) lettori, sottolineandone soprattutto – come si dice – la capacità di visione di alcuni operatori più creativi e forse lungimiranti degli altri.

Nugu
Il primo esempio che voglio condividere è relativo all’esperienza dell’operatore sud coreano SK Telecom, che ha implementato un vero e proprio Digital Assistant. Sì: avete capito bene. Si tratta di un Siri made in corea o di un Alexa con esotici occhi a mandorla, se preferite.
Il suo nome è NUGU, ed è un concentrato di tecnologia studiato per offrire ai clienti di SK Telecom l’accesso a una miriade di servizi con l’utilizzo di comandi vocali. In questo ingegnoso caso le tecniche di predictive analysis sono utilizzate per identificare con maggiore precisione il servizio richiesto, soprattutto nei casi di maggior ambiguità di traduzione.
AdSpark
Il secondo caso d’uso che vi propongo è quello di AdSpark, una divisione dell’operatore telefonico delle Filippine GLOBE TELECOM, che – utilizzando i dati a sua disposizione –  individua mediante algoritmi di predictive analysis i momenti migliori in cui è preferibile segnalare i contenuti video ai propri clienti.
La soluzione viene integrata in alcuni servizi applicativi come quelli ad esempio presentati in questo sito. E già questi due esempi fanno intuire quanto spazio potrebbe ancora esserci per “immaginare” e mettere in opera ulteriori servizi utili e personalizzati…
Tuttavia ora, per concludere il nostro itinerario del mondo delle telecomunicazioni “predittive”, andiamo alla terza e ultima metrica d’analisi, quella dedicata ai processi operativi del settore.

[sf_iconbox image=”ss-fastforward” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Operating process: dal dire al fare senza alcun mare di mezzo

I casi d’uso che vi segnalo sono quelli relativi all’utilizzo della predictive analysis in funzione dell’efficienza e dell’ottimizzazione dei processi, come di seguito raccolti. E in questo caso la raccolta si fa di nuovo ricca e interessante: vediamo insieme perché.
Churn prediction
La prima area che mi corre l’obbligo di sottoporvi, è quella relativa alla Churn prediction. Si tratta infatti di quella particolare forma di analisi che cerca di stabilire quali sono i clienti maggiormente a rischio di cambiare operatore a fronte di segnali più o meno latenti e deducibili provenienti dalle svariate fonti dei dati in possesso dell’azienda.
Su questa tematica è (ovviamente?) tale la quantità di casi d’uso che diventa difficile sceglierne qualcuna in particolare come esempio. A tal proposito vi segnalo questo articolo, particolarmente esaustivo, ma ve ne sono in realtà tantissimi altri, tanto da poter affermare, credo, che non esista un operatore telefonico uno che non abbia in tasca una soluzione pronta all’uso su questo tema.
Network capacity forecasting
Un’altra tematica, forse meno comune della precedente, è quella relativo all’utilizzo della Prediction analysis finalizzata alla stima della capacità della rete di supportare il proprio traffico, sia di dati che telefonico.
[bctt tweet=”Le capacità previsionali sono utilizzati per prevedere il malfunzionamento della rete con anticipo.” username=”MapsGroup”]
Si tratta della cosiddetta attività di network capacity forecasting, il cui obiettivo –  come ben descritto in questo articolo dell’azienda SAS – è quello di permettere agli operatori telefonici di predire l’utilizzo della rete a livello di singola cella in base alla tipologia di tecnologia utilizzata (2G, 3G, 4G o 5G). In questo altro articolo, ad esempio, si effettua la stessa tipologia di analisi basata sulle reti di tipo LTE (Long Term Evolution).
Le capacità previsionali di sofisticati algoritmi sono invece utilizzati per prevedere il malfunzionamento della rete con un anticipo che può arrivare anche ai due giorni, così come descritto nella presentazione di prodotto (Predictive Operations platform) della storica azienda Nokia.
I dati che servono per arrivare a questo servizio – equiparabile a un vero e proprio esercizio da Oracolo d’altri tempi – sono di varia natura, come ad esempio i dati sul traffico della rete, quelli sui livelli di erogazione e gradimento di un servizio piuttosto che sulla customer experience, oltre ai dati sulle previsioni del tempo e quelli relativi ai social media.

[sf_iconbox image=”ss-replay” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Per concludere? Non tutto è Predictive analysis quello che luccica…

La conclusione cui mi sento di giungere, dopo questa traversata nel settore TELCO, è che se da un lato, come prevedibile, le tecniche di predictive analysis in questo mercato sono in uso da diversi anni – e di conseguenza sono molteplici sia gli ambiti di applicazione che le tecniche utilizzate – mi sarei aspettato una maggiore capacità di innovazione soprattutto per quanto riguarda la User experience.
Si sono infatti sì perfezionati gli algoritmi e sono state implementate le architetture IT – con evoluzioni tali da poter dare un grande contributo in altri settori con problematiche simili – ma il potenziale insito nella mole inusitata di dati a disposizione e nelle sue caratteristiche è a mio parere ancora oggi poco messo in relazione con altri settori potenzialmente tangenziali o paralleli, in cui le tecniche di Predictive analysis potrebbero rivelarsi decisive.
Oltrepassato dunque questo tema, continueremo il nostro peregrinare tra i casi d’uso in altri mercati. Con questo, dunque passo e chiudo, dandovi appuntamento al prossimo articolo. Non mancate.
 

Maurizio Pontremoli

[/boxed_content] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]

[sf_iconbox image=”ss-target” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
ABOUT MAPS GROUP
[/sf_iconbox]

Il Gruppo Maps, dalla sua nascita ad oggi, opera nei settori business intelligence, data mining e machine learning, con lo scopo di passare dai Big data ai Relevant Data.
In questa prospettiva si realizza l’attività del gruppo, che persegue gli obiettivi strategici e operativi dei propri clienti attraverso la raccolta di dati che, analizzati e adeguatamente trattati e modellati, sono in grado di creare nuovi asset digitali creando prodotti e servizi innovativi o migliorando nettamente le performance delle attività già in essere.
[/boxed_content] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]

[sf_iconbox image=”ss-view” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]

ABOUT MAURIZIO PONTREMOLI
[/sf_iconbox]

Imprenditore nel settore IT con avanzate competenze informatiche e lo sguardo di un Fisico, si occupa dello sviluppo di nuovi business nel settore dell’innovazione tecnologica.
Condivide con il Gruppo Maps, di cui è fondatore e AD, una missione specifica: trasformare in asset gli scenari sempre più complessi della Big Data Science con un sguardo attento alle pratiche più avanzate di condivisione, valore fondante della conoscenza e condizione sine qua non per l’evoluzione della stessa.
[/boxed_content] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]
Segui Maurizio
Collegati su Linkedin Connettiti su Twitter
[/boxed_content] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”]

Categorie
Predictive Analysis: asset digitali emergenti

L'informatizzazione clinica orientata all'analisi predittiva. Di Maurizio Pontremoli

[dropcap3]M[/dropcap3]ai come nel settore della sanità, l’impulso della digitalizzazione delle informazioni è stato così forte come negli ultimi anni.

Mi riferisco senz’altro alla diffusione sempre più ampia dei sistemi EHR (Electronic Health Record), ma anche alla più recente disponibilità di informazioni su stili di vita e di monitoraggio sui parametri vitali che stanno arrivando grazie all’utilizzo dei Wearables Devices .
Sono tuttavia consapevole che le difficoltà di aggregare le informazioni cliniche che giungono da fonti diverse sono molto lontane dall’essere risolte, rendendo critico e pieno di ostacoli il percorso dell’informatizzazione orientata all’analisi predittiva.
In questo situazione, che potremmo definire a metà del guado, è ancora più interessante analizzare i vari casi d’uso raccolti nelle tre categorie:

[icon image=”ss-user” character=”” size=”small” cont=”no” float=”left” color=”standard”] user experience

[icon image=”ss-share” character=”” size=”small” cont=”no” float=”left” color=”standard”] business models

[icon image=”ss-repeat” character=”” size=”small” cont=”no” float=”left” color=”standard”] operating processes

E’ bene sottolineare come in questo articolo mi sono occupato principalmente della User Experience relativa al medico/struttura sanitaria, individuando i casi d’uso correlati direttamente alla creazione di nuove procedure diagnostiche o terapeutiche.

[sf_iconbox image=”ss-user” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]L’utente e la digitalizzazione delle informazioni: user experience.

In generale possiamo osservare una rapida espansione delle cosiddette applicazioni di Electronic Health care Predictive Analytic (e-HPA).

Sono ben noti nel settore medico dei modelli facilmente utilizzabili anche senza la necessità di numerosi e complessi calcoli matematici. Un esempio è APACHE (Acute Physiology and Chronic Health Examination) un sistema per attribuire una misura del rischio di mortalità nei reparti di cure intensive.
Con le applicazioni e-HPA si identificano invece quelle pratiche in cui l’analisi di grandi quantità di dati e l’utilizzo di sofisticati modelli matematici rendono necessario l’affiancamento di un computer al medico.
[bctt tweet=”Le applicazioni e-HPA sono pratiche in cui l’analisi di dati e l’utilizzo di modelli matematici necessitano dell’affiancamento di un medico.” username=”MapsGroup”]
Un esempio ne è il caso di un modello matematico che riesce a predire i blocchi renali in quei paziente afflitti da una patologia cronica del rene. Questa malattia, che purtroppo affligge una grande percentuale della popolazione mondiale, ha delle caratteristiche di progressione molto diverse, ed è quindi particolarmente significativo poter identificare tempestivamente le situazioni più critiche al fine di evitare conseguenze irreparabili. Applicando tecniche di tipo “fuzzy expert systems”, i ricercatori di questo studio, analizzando i dati clinici e di laboratorio di 465 pazienti, sono riusciti a predire il valore di un indicatore (GFR) direttamente collegato alla funzione renale, con un errore del 4% su periodi di 6, 12 e 18 mesi.
Oltre a questi casi concreti esistono inoltre diversi annunci di sperimentazioni avviate, con l’utilizzo di tecniche analoghe, finalizzate alla prevenzione dei suicidi o alla previsione dell’insorgere del Morbo di Parkinson. Tali sperimentazioni, così come altre similari, richiedono ancora lunghi processi di validazione dei risultati, ma le premesse sono comunque interessanti e – se le aspettative risulteranno confermate – le ricadute saranno di notevole portata.

[sf_iconbox image=”ss-share” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]I nuovi valori creati grazie ai nuovi asset digitali: business model.

Se volgiamo lo sguardo oltre a quelle che sono le ricadute più dirette, ossia alla creazione di nuovi percorsi diagnostici o di cura e alle evetuali  ricadute economiche ottenibili con nuovi modelli di business, troviamo casi che fanno intuire un nuovo modo di “fare” sanità: un caso d’uso particolarmente esemplificativo è legato al contesto delle modalità di rimborso da parte delle assicurazioni private basate sulle performance.
Tali modalità stanno infatti spingendo i fornitori di servizi sanitari a una maggiore proattività, sino ad arrivare ad approcci che mirano al mantenimento del livello di salute del paziente piuttosto che all’erogazione di un processo di cura secondario a una malattia, ed è chiaro come – con tale obiettivo – il paziente sia sicuramente uno degli attori principali del processo evolutivo. Di conseguenza si stanno sviluppando modelli di business nei quali il paziente viene letteralmente ricompensato se accetta di modificare alcuni suoi stili di vita potenzialmente a rischio.
[bctt tweet=”Nuovi modelli di business in sanità: il paziente è ricompensato se abbandona stili di vita a rischio per la sua salute.” username=”MapsGroup”]
E’ ciò che fa la società Weltok, ad esempio, che riconosce premi in denaro a coloro che accettano di adeguarsi a precisi piani di intervento preventivo, finalizzati ad esempio a perdere peso, ad aumentare l’attività fisica, a migliorare la regolarità nel seguire le procedure terapeutiche nel caso di pazienti cronici e così via.
Tale azienda, infatti, essendo in grado di acquisire milioni di dati da differenti fonti, realizza modelli predittivi che le consentono di attribuire un valore a ogni buona pratica, e, di conseguenza, di monetizzarla in termini premiali.
Chi paga per questi premi? Di volta in volta le assicurazioni sanitarie, le aziende nell’ambito dei loro piani di welness, le pubbliche amministrazioni… In pratica secodno questo modello vincono tutti: il paziente riceve un premio e le assicurazioni sanitarie vedono ridursi i rischi di incidenti, mentre in generale si ottiene una popolazione più in salute, con meno costi sanitari pubblici ed aziendali.

[sf_iconbox image=”ss-repeat” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]I miglioramenti dei processi operativi interni: operating processes

In conclusione alla panoramica effettuata, valutiamo alcuni casi d’uso in cui la predictive analysis è stata applicata per rendere più efficienti gli attuali processi operativi sanitari. È evidente come avventurarsi in questi argomenti – senza aver prima di tutto stabilito come misurare il cosiddetto “outcome”, ovvero i risultati misurabili ottenuti – sia un percorso denso di insidie.
Un indicatore che viene utilizzato in tali contesti è la percentuale delle riammissioni ospedaliere successive ai ricoveri,  fattore che è stato ad esempio considerato presso l’University of Pennsylvania, che ha individuata un’apposita metrica ottenuta attraverso la combinazione di molteplici misurazioni a partire da dati di monitoraggio, clinici e di laboratorio. Il fine è quello di  individuare i pazienti che sono a rischio di rientrare nel percorso ospedaliero nei successivi 30 giorni post-ricovero.
L’obiettivo che si sono posti i ricercatori, in questo caso, è dunque quello di ottimizzare gli interventi di cura su quei pazienti che sono maggiormente a rischio di ricadute nei primi giorni successivi alle dimissioni. L’ospedale, grazie a queste tecniche di profilazione, può così differenziare i protocolli di dimissione su pazienti specifici, al fine di ridurre il rischio di riammissione. Come? Ad esempio avviando  pratiche di educazione sullo stile di vita, o prevedere appuntamenti telefonici per monitorare l’andamento dello stato di salute del paziente anche al di fuori dal ricovero, approntare tecniche di riconciliazione farmacologica…
[bctt tweet=”Indicatori  a partire da dati di monitoraggio, clinici e di laboratorio, valutano il rischio. ” username=”MapsGroup”]
L’impatto positivo sulle finanze degli ospedali rispetto alla criticità delle riammissioni ospedaliere può essere particolarmente importante. In uno studio realizzato dalla Regione Toscana del 2014 relativo ad alcune patologie, si indicava ad esempio un indice di riammissione compreso tra il 15% e il 18%. E se purtroppo ad oggi non sono ancora disponibili i risultati ottenuti in questa specifica sperimentazione, altri dati della letteratura scientifica dimostrano come la riduzione del rischio di riammissione, usando i modelli predittivi, può raggiungere il 12%.
Un caso analogo è quello applicato in un grande ospedale texano che utilizza i dati presenti nei sistemi EHR (Electronic Health Record), per identificare già dalle prime ore del ricovero i pazienti con maggiore rischio di riammissione. In questo modo si concentrano le cure più appropriate fin dall’inizio del ricovero. Il modello utilizzato acquisisce 29 tipologie di dati clinici, sociali e sullo stile di vita del soggetto, identificando i pazienti a maggior rischio di riammissione. Le pratiche cliniche conseguenti hanno permesso di ridurre la percentuale di riammissione dal 26,2% al 21,2% nei pazienti con malattie cardiache.
[bctt tweet=”Le cure più appropriate, utilizzando sistemi predittivi, possono essere stabilite fin dal ricovero” username=”MapsGroup”]
Un ulteriore sistema predittivo, operativo nella Unit per le cure intensive (PICU) del Children’s Hospital of Pittsburgh, permette di prevedere se e quando i piccoli pazienti subiranno dei cambiamenti significativi delle loro condizioni di salute. Tali campanelli di allarme – altrimenti difficili da decifrare da parte dello staff medico – evitano spesso le conseguenze altrimenti dovute a eventuali interventi tardivi.
In questo caso i medici monitorano un altro indice (pRI), che aggrega 26 variabili cliniche importanti con le quali valutare il rischio complessivo sul paziente. Il sistema individua quindi in via preventiva le situazioni che potrebbero vedere peggiorare lo pRI del singolo paziente, permettendo di intervenire in maniera tempestiva e sistematica. In questo modo, tra l’altro, si riduce il rischio di mancato intervento.
I risultati relativi all’utilizzo di tale pratica sono consultabili a questo link, dove si evince che l’utilizzo dell’indice pRI è uno strumento predittivo ad alta specificità (99%), mentre rimane ancora da migliorare dal punto di vista della sensibilità (dal 13% dei casi meno gravi, al 56% dei casi molto gravi).
Le pratiche di monitoraggio standard sono quindi ancora insostituibili, ma questi studi mostrano che questi tipi di strumenti permettono di ridurre significativamente l’errore umano.

[sf_iconbox image=”ss-zoomin” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
[/sf_iconbox]Ciò che non si tocca con mano, ma al quale credere.

Analizzando questi casi d’uso si può affermare che l’influenza delle tecniche di predictive analysis, nel settore sanità, possono essere ancora solo intuite, più che toccate con mano, ma ciò che è veramente notevole, in questo caso, sono i possibili impatti delle stesse una volta messe a punto.
Su tutti e tre gli ambiti analizzati possiamo affermare infatti che vi sono potenziali di innovazione elevatissimi, sia nell’ambito del miglioramento delle attuali procedure terapeutiche che delle nuove procedure diagnostiche.
Ma ancora più interessante sono i nuovi approcci che, agevolati da tali innovazioni tecnologiche, mirano a ridefinire il ruolo dell’organizzazione sanitaria nell’ottica di preservare la salute a monte piuttosto che intervenire in termini di diagnosi (e cura) a valle dell’eventuale malattia.
Benvenuti quindi ai big (o small) data, se sono accompagnati da algoritmi e modelli predittivi che renderanno concrete tali promesse.

Maurizio Pontremoli

[blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]

[sf_iconbox image=”ss-target” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
ABOUT MAPS GROUP
[/sf_iconbox]

Il Gruppo Maps, dalla sua nascita ad oggi, opera nei settori business intelligence, data mining e machine learning, con lo scopo di passare dai Big data ai Relevant Data.
In questa prospettiva si realizza l’attività del gruppo, che persegue gli obiettivi strategici e operativi dei propri clienti attraverso la raccolta di dati che, analizzati e adeguatamente trattati e modellati, sono in grado di creare nuovi asset digitali creando prodotti e servizi innovativi o migliorando nettamente le performance delle attività già in essere.
[/boxed_content] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]

[sf_iconbox image=”ss-view” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]

ABOUT MAURIZIO PONTREMOLI
[/sf_iconbox]

Imprenditore nel settore IT con avanzate competenze informatiche e lo sguardo di un Fisico, si occupa dello sviluppo di nuovi business nel settore dell’innovazione tecnologica.
Condivide con il Gruppo Maps, di cui è fondatore e AD, una missione specifica: trasformare in asset gli scenari sempre più complessi della Big Data Science con un sguardo attento alle pratiche più avanzate di condivisione, valore fondante della conoscenza e condizione sine qua non per l’evoluzione della stessa.
[/boxed_content] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]
Segui Maurizio
Collegati su Linkedin Connettiti su Twitter
[/boxed_content] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”]

Categorie
Predictive Analysis: asset digitali emergenti

Predictive Analysis: casi d’uso e asset digitali emergenti. Di Maurizio Pontremoli.

[blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]

Dall’ottimizzazione degli operating process alle user experience e ai nuovi business model.


Chi si occupa, nello svolgimento della propria attività, di Dati, si confronta ogni giorno con il fatto che in ogni fase di questo processo gli aspetti legati all’analisi dei dati sono cruciali. Volendo approfondire il tema, è proprio da qui che prende il via questa serie di articoli, ovvero dai processi analitici.
Gli obiettivi che persegue chi si occupa di analisi dati, sono essenzialmente di due tipi, entrambi riguardanti l’asse temporale, ovvero:
[icon image=”ss-crosshair” character=”” size=”small” cont=”no” float=”left” color=”standard”] l’analisi dei dati al fine di comprendere e descrivere i fenomeni del passato;
[icon image=”ss-crosshair” character=”” size=”small” cont=”no” float=”left” color=”standard”]  la realizzazione di indagini con lo scopo di prevedere i fenomeni futuri più plausibili.
Nella nostra rubrica verrà trattata più in specifico la seconda tipologia di analisi, altrimenti chiamata Analisi Predittiva (Predictive analysis).
Uno dei motivi per cui è utile approfondire questo argomento è il crescente interesse che sta riscuotendo, come evidenziato dal grafico sottostante che riporta, a titolo di esempio, il volume delle ricerche google attinenti all’area semantica dell’analisi predittiva:
grafico trend
Nel corso degli ultimi 5 anni, come vediamo, si può apprezzare una continua crescita dell’interesse, tale da portare a un raddoppio dei volumi di ricerca. Si possono ipotizzare i motivi di tale attenzione in alcuni fenomeni consolidati o emergenti, tra cui :
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] La crescita dei volumi di dati, dovuta non solo alle crescenti attività di digitalizzazione, ma soprattutto a un cambio di approccio verso lo studio dei fenomeni attraverso una maggior tendenza alla loro misurazione. Per ulteriori approfondimenti consiglio la lettura dell’articolo 6Menes “Dalla Digitalizzazione alla Datizzazione del mondo”.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] La disponibilità di computer sempre più potenti e la loro capacità di memorizzazione a costi progressivamente inferiori.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] La maggiore disponibilità di software in grado di trattare dati sempre più complessi in maniera sempre più semplice.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”]  La ricerca incessante di una maggiore competitività e differenziazione a partire da un mercato in continua evoluzione.
[bctt tweet=”L’analisi predittiva è prodromica alla creazione di applicazioni impattanti nel quotidiano.” username=”MapsGroup”]
Ma l’analisi predittiva non si ferma a uno stadio puramente teorico: è anzi prodromica alla realizzazione di strumenti e applicazioni in grado di impattare significativamente non solo sui cosiddetti massimi sistemi, ma anche nella vita di tutti i giorni. Per inoltrarci nei “meandri” della Predictive analysis, cercheremo quindi di mettere in evidenza i loro effetti sui seguenti aspetti:
[highlight]User experience:[/highlight]
Con questo termine s’intende l’insieme di sensazioni che prova un utente nell’utilizzare un servizio o un prodotto, ovvero le reazioni psicologiche e fisiche che si mettono in moto. E, con esse, le convinzioni che si attivano, le preferenze che si mettono in luce, i comportamenti e le azioni che si verificano prima, durante e dopo l’utilizzo di tale prodotto o servizio.
Il tutto tenendo conto che tali variabili possono essere modificate durante l’esperienza d’uso non solo a partire dal prodotto-servizio stesso, ma anche dalle caratteristiche dell’utente e dal contesto d’utilizzo.
Alcuni aspetti prioritari da prendere in considerazione quando si parla di user experience sono infatti:
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] La comprensione del cliente e dei suoi bisogni.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] Gli impatti sui processi di acquisto e l’accesso ai beni e ai servizi.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] L’accesso ai servizi di assistenza cliente.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] La coerenza cross-canale dell’esperienza.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] L’accesso in modalità self service.

[highlight]Business models:[/highlight]
Con questa dimensione di analisi intendiamo investigare quali nuovi business sono resi disponibili e di conseguenza quali nuovi valori vengono creati grazie ai nuovi asset digitali e alla predictive analysis. Gli aspetti che valuteremo sono, tra gli altri:
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] Le possibilità di miglioramento di prodotti/servizi.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] La transizione di prodotti/servizi da ambienti fisici a realtà virtuali.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] La creazione di nuovi prodotti digitali.

[highlight]Operating processes:[/highlight]
Il termine descrive l’analisi dei processi operativi interni all’azienda che hanno subito qualche tipo di effetto consequenziale, capace di impattare nella propria attività. Citiamo ad esempio:
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] L’aumento delle performance.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] La condivisione della conoscenza.
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] L’avvio di aspetti decisionali legati sempre più ai dati (data-driven).
[icon image=”ss-fastforward” character=”” size=”small” cont=”no” float=”left” color=”standard”] L’integrazione tra i vari processi interaziendali.
Si tratta dunque di uno sguardo sia orizzontale che verticale sulle tematiche che tratteremo, con un focus specifico sulla concretezza.
Nella nostra serie di articoli non ci fermeremo infatti ai vari postulati teorici del settore: cercheremo anzi di immergerci nella realtà di alcuni casi d’uso in ambiti di mercato quali l’healthcare, parlando ad esempio di supporto alla diagnosi, il finance, con la valutazione del rischio di credito, il retail, trattando dell’ottimizzazione della catena logistica, e il manufacturing, con alcune considerazioni e dati disponibili sull’automazione industriale. Vedremo insieme come dal prossimo articolo. Stay tuned!

Maurizio Pontremoli

[/boxed_content] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]

[sf_iconbox image=”ss-target” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]
ABOUT MAPS GROUP
[/sf_iconbox]

Il Gruppo Maps, dalla sua nascita ad oggi, opera nei settori business intelligence, data mining e machine learning, con lo scopo di passare dai Big data ai Relevant Data.
In questa prospettiva si realizza l’attività del gruppo, che persegue gli obiettivi strategici e operativi dei propri clienti attraverso la raccolta di dati che, analizzati e adeguatamente trattati e modellati, sono in grado di creare nuovi asset digitali creando prodotti e servizi innovativi o migliorando nettamente le performance delle attività già in essere.
[/boxed_content] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]

[sf_iconbox image=”ss-view” character=”” color=”standard” type=”standard” title=”” animation=”none” animation_delay=”200″ link=”” target=”_self”]

ABOUT MAURIZIO PONTREMOLI
[/sf_iconbox]

Imprenditore nel settore IT con avanzate competenze informatiche e lo sguardo di un Fisico, si occupa dello sviluppo di nuovi business nel settore dell’innovazione tecnologica.
Condivide con il Gruppo Maps, di cui è fondatore e AD, una missione specifica: trasformare in asset gli scenari sempre più complessi della Big Data Science con un sguardo attento alle pratiche più avanzate di condivisione, valore fondante della conoscenza e condizione sine qua non per l’evoluzione della stessa.
[/boxed_content] [boxed_content type=”whitestroke” pb_margin_bottom=”no” width=”1/1″ el_position=”first last”]
Segui Maurizio
Collegati su Linkedin Connettiti su Twitter
[/boxed_content] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”] [blank_spacer height=”30px” width=”1/1″ el_position=”first last”]

Categorie
Gli autori di 6Memes Predictive Analysis: asset digitali emergenti

About Maurizio Pontremoli: non fidarsi è bene, fidarsi è meglio.

Chi non ha mai provato la sensazione sgradevole di perdere il controllo? Non mi riferisco a improvvise esplosioni di rabbia (tranquilli!), ma più in generale a quello che può accadere di imprevedibile nel lavoro o nella vita di tutti i giorni.
Io, questa sensazione, la vivo di frequente. Lo deduco da alcuni indizi, come il desiderio di affidarmi a una moneta quando devo prendere una decisione.Oppure dallo sconforto che mi assale quando – dopo aver preso la stessa decisione a parità di condizioni e nel medesimo contesto – mi trovo davanti, inevitabilmente, a risultati sempre differenti.
Dove ho sbagliato? – mi chiedo? Quale errore ho fatto, e a quale punto del mio percorso decisionale?
Mi accorgo che la situazione è grave quando – per prevedere cosa accadrà – percepisco la tentazione di leggere l’oroscopo. Per fortuna alla lettura dei tarocchi et similia non ci sono ancora arrivato. Ma non lo escluderei a priori: mai dire mai, anche se questo va contro ogni paradigma della Fisica, il percorso di studi che ho seguito mentre mi innamoravo dell’Informatica.
Passando dal faceto al serio (o quasi) penso che la mia attività professionale, a partire dalla mia esperienza personale, si possa così riassumere in queste poche parole, più facili a dirsi che a farsi: aiutare le aziende e le persone che le gestiscono a riappropriarsi del controllo, inteso come capacità di governo delle loro attività.
Alcuni esempi? La pianificazione della produzione, il controllo dei costi, la corretta gestione della logistica e il controllo delle attività di vendita.
Per farlo – oggi più mai – è imprescindibile avere accesso al maggior numero possibile delle informazioni che riguardano il contesto in cui viviamo, come insegna il Modello di crescita conoscitiva della Piramide della Conoscenza (DIKW).
Il tutto per passare da tali dati alle informazioni che racchiudono e quindi alla conoscenza dei vari fenomeni che descrivono, e, là dove è possibile, controllare di conseguenza gli sviluppi del flusso di eventi in cui siamo immersi. (Per l’ascesa alla saggezza, per quanto mi riguarda, confido molto nell’età che avanza ;-).
E’ per questo che ho contribuito ad avviare l’azienda Maps con una mission specifica: supportare le aziende nell’individuare i possibili asset nei contesti sempre più complessi della nostra società, attraverso lo sviluppo della conoscenza in generale e delle scienze legate all’analisi dei dati in particolare, secondo le pratiche più innovative e avanzate di business intelligence, data mining e machine learning.
Perché, come confessato all’inizio della mia presentazione, provo sì disagio nel perdere il controllo, ma quello che mi preoccupa maggiormente è il rischio di non prendere decisioni per il timore di sbagliare o, peggio ancora, attendere che siano gli altri a scegliere per me.
Sono infatti fermamente convinto che la paura di decidere sia l’atteggiamento in assoluto più deleterio, sia nella vita personale che professionale, e che tale comportamento non sia nemmeno lontanamente compensato dai rischi che derivano dall’eccessiva prudenza. L’importante, prima di decidere, è avere a disposizione il maggior numero di informazioni possibili sugli scenari plausibili, dopodiché occorre agire. E, una volta oltrepassata la curva, riprendere il controllo e continuare lungo il nostro percorso.
Non c’è nulla di più appagante, infatti, di fidarci di noi stessi e di chi ci sta intorno, per decidere con la nostra testa piuttosto che attendere o, peggio ancora, subire gli eventi. Ecco perché il mio motto è “non fidarsi e bene, fidarsi è meglio”.

A presto, spero!

Maurizio