AI nelle analisi predittive: come trasformare i dati in strategie vincenti per il business
Le analisi predittive utilizzano dati, algoritmi e tecniche di machine learning per individuare la probabilità di risultati futuri basandosi sui dati storici per arrivare a una migliore valutazione di quello che accadrà in futuro e agire di conseguenza.
Gli algoritmi di AI di AGS
Gli algoritmi di AI di AGS sono reti neurali basate su tecnologie cutting-edge, realizzate con codice testato di alta qualità, che hanno lo scopo di produrre previsioni su un soggetto o analizzare il contesto fonte dei dati iniziali per ricavare informazioni utili per le strategie di marketing. Gli algoritmi di AGS sono compliant alla GDPR e alle normative di AI fairness e garantiscono in generale totale conformità alle leggi sulla Privacy.
Si parte dall’analisi di differenti tipologie di dati (strutturati, non strutturati, immagini e testi) per generare ad esempio la profilazione dei clienti, la previsione dell’andamento domanda di un bene, la previsione del churn dipendenti/clienti, il tagging mail dei clienti, l’analisi sentiment social e le previsioni delle rotture di macchinari. Tutti i dati finali possono essere visualizzati un’apposita Dashboard costruita ad hoc per il cliente.
I casi di applicazione sono svariati, di seguito alcuni esempi: chi si occupa di Risorse Umane può ricavare dai dati relativi a cv, competenze, immagini del dipendente e stile di scrittura la profilazione dei candidati nelle diverse categorie; i Customer Service possono utilizzare i dati relativi a conversazioni, richieste e feedback dei clienti per individuare le migliori risposte da dare; il settore della Produzione Industriale ottiene attraverso i dati relativi al funzionamento degli asset (sensori, macchine, robot) i suggerimenti per gestire lo scadenziario di manutenzione, l’analisi di anomalie e le notifiche per la gestione degli errori; il Mercato Retail ricava dai dati relativi alla produzione e alla domanda di un prodotto e dai dati di contesto i suggerimenti di Pricing.
Esempi di applicazione per ambito
| Ambito | Input | AI | AGS | Output |
| Risorse umane | Dati relativi a CV, competenze, immagini del dipendente, stile di scrittura | Analisi del linguaggio | Profilazione del candidato nelle categorie definite da HR |
| Customer Service | Dati relativi alle conversazioni, richieste e feedback del cliente | Analisi del linguaggio e della personalità | Al CR viene suggerito il miglior modo di rispondere al cliente |
| Produzione Industriale | Dati relativi al funzionamento di asset (sensori, macchine. robot) | Analisi predittiva | Suggerimenti su scadenziario manutenzione, analisi anomalie, notifica e gestione errori |
| Mercato Retail | Dati relativi alla produzione e alla domanda di un prodotto, dati di contesto | Analisi predittiva | Suggerimenti di pricing per tipologia di prodotto |
| Social Media | Dati di sentimento oppure raccomandazioni su prodotti | Analisi del linguaggio | Raccolta di sentiment rispetto ad aspetti di un prodotto/servizio |
Ottimizzazione della funzione di pricing
Gli algoritmi di AI (alberi decisionali, modelli di reinforcement learning, modelli bayesiani) sono già utilizzati da imprese online per il pricing dinamico dei beni al retail. I settori che impiegano maggiormente le tecniche di pricing dinamico sono venditori retail, aviolinee, eventi e viaggi. È stato calcolato che Amazon cambia i suoi prezzi più di 2,5 milioni di volte al giorno per battere la concorrenza.
Il pricing dinamico può avere diversi obiettivi: da quello di attirare più clienti e fidelizzare gli esistenti fornendo prezzi e offerte competitivi, aumentando le vendite e ottimizzando la gestione degli inventories, a quello di riflettere la domanda del prodotto considerando gli eventi esterni (meteo, stagionalità, eventi di competitors, eventi sociali, altri costi di trasporto, interesse nel prodotto espresso) e la elasticità dei propri clienti mirata a migliorare la gestione dell’invenduto (ticketing, hotel, aviolinee).
Per arrivare a definire una funzione di pricing ottimizzata sulla propria area di business e clientela sono necessari diversi passaggi: prima si raccolgono i dati del mercato (prezzi del prodotto e di eventuali concorrenti, variabili di stagionalità e di propensione all’acquisto e analisi dei dati storici degli attuali clienti), poi si definisce il modello di pricing, che, in funzione dell’area di business, utilizzerà variabili storiche di comportamento del consumatore e del contesto (magazzino/invenduto, competitors, stagionalità, interesse nel prodotto, eventi concomitanti, giorni all’evento) e fornirà una fascia di prezzo per i diversi prodotti. Infine il pricing evolve in modo automatico nel tempo e con il mutare delle condizioni di mercato (un esempio è l’inserimento della variabile covid nelle prenotazioni viaggi).
Pricing differenziato: discriminazione o ottimo paretiano?
La pratica estrema di fornire prezzi differenziati, spesso considerata non etica, consiste nel differenziare i prezzi sulla base del cliente. E’ un’azione che trova giustificazione quando la propensione al consumo della propria base clienti è molto asimmetrica ed applicare un prezzo medio risulterebbe sub-ottimale per la massimizzazione delle revenues e della felicità dei singoli.
Propensione al consumo simile nella base clienti
Il prezzo intorno alla media soddisfa una buona parte delle distribuzione.
Propensione al consumo bimodale con una maggioranza di clienti disposti a pagare di più del prezzo medio
Il prezzo intorno alla media soddisfa solo la parte con maggiore propensione all’acquisto: un prezzo differenziato potrebbe portare maggiori revenues evitando backlogs (da cui l’utilizzo nei settori avio, turismo, eventi) oltre ad aumentare la soddisfazione della base clienti.
E la tua azienda come può trarre vantaggio dalle analisi predittive e rendere più felici i suoi clienti?
