L’inclusione della Predictive Analytics si è già affermata in svariati campi. Oltre alle aziende high tech operanti nell’ambito scientifico, anche il sistema sanitario ha già adottato questo metodo per la predizione del decorso delle malattie. Un settore di utilizzo prominente è anche quello energetico, dove alla rete elettrica intelligente del futuro è stato dato il nome di “Smart Grid”. Questa rete permette di prevedere il consumo energetico sulla base di modelli di comportamento dei clienti archiviati (Smart Customer Data), al fine di regolare esattamente l’alimentazione dell’energia idroelettrica e di quella eolica.
Come esempio ulteriore può essere menzionato quello del cosiddetto Predictive Maintenance, dove vengono archiviati i dati attuali di un macchinario in funzione, per riuscire così a determinare anzitempo la relativa sollecitazione e usura. In questo modo è possibile identificare velocemente le vulnerabilità all’interno di una catena produttiva e porvi rimedio prima che si verifichi il peggio, ed evitando quindi che si verifichi il blocco dell’intera catena di produzione.
L’analisi predittiva può essere meglio impiegata laddove vi sono svariati pacchetti di dati, possibilmente di grandi dimensioni e ben ripuliti da tutti quei dati superflui o fuorvianti. Tutti i pacchetti di dati vengono perciò integrati nell’analisi, rendendo così il risultato tanto più preciso, quanti più saranno i dati a disposizione provenienti dai vari settori. La maggior parte delle imprese utilizzano l’effetto sinergia che consiste nell’estendere la propria struttura di business intelligence già presente con le funzioni dell’analisi predittiva. Tra i tool più popolari per l’utilizzo della Predictive Analytics vi sono:
- Alpine Data Labs
- Alteryx
- Angoss KnowledgeSTUDIO
- BIRT Analytics
- IBM SPSS Statistics and IBM SPSS Modeler
- KXEN Modeler
- Mathematica
- MATLAB
Il prossimo passo dell’analisi dei dati è la Prescriptive Analytics o analisi prescrittiva. Questo metodo parte proprio da dove l’analisi predittiva incontra i propri limiti: si tenta di interpretare le indicazioni commerciali, così da riuscire a pilotare lo sviluppo di un trend. I migliori scenari possibili diventano così di più facile realizzazione e un determinato corso può essere reindirizzato verso una nuova direzione. Questo modo di procedere viene reso possibile attraverso strutture analitiche che si basano su modelli complessi e simulazioni stocastiche. Come nel caso dell’analisi predittiva, anche qui vale che più grande è il numero delle variabili conosciute e affidabili che si possono implementare in questo modello, più elevate saranno le possibilità che i risultati siano esatti.