fbpx
Quando si tratta di Analisi e di Dati, ma non solo, una conclusione può essere senz’altro anche un’introduzione.

Questo uno dei concetti-chiave di cui abbiamo fatto esperienza nell’ultimo weekend di febbraio che si divide tra il secondo e il terzo modulo formativo dell’Executive Master in Data Management e Business Analytics.

Venerdì, infatti, incontriamo nuovamente il Prof. Francesco Della Beffa per dedicare molto tempo alle esercitazioni pratiche e riprendere i concetti fondamentali del percorso in Modelli Statistici e Machine Learning.
Sabato mattina siamo in compagnia del Prof. Bruno Sfogliarini che dà il via all’approfondimento sulla Predictive Analytics.

I dati non parlano da soli

Questo potrebbe essere il titolo della lezione del Prof. Della Beffa e anche il motivo per cui  è fondamentale tirare le fila degli argomenti principali trattati.

Statistica, Machine Learning, Intelligenza Artificiale: dobbiamo averne ben chiare le differenze, conoscerne i punti di forza e, soprattutto, approfondirne le criticità per poter proseguire e dedicarci alla pratica.

Non innamoriamoci dei dati, non innamoriamoci dell’algoritmo!” (cit.)
Come ci aveva spiegato anche la Dott.ssa Schmitz nella lezione precedente, c’è qualcosa di davvero importante da avere sempre presente: tenere accesa la luce.

Con questa impostazione critica illuminata dalle lampadine, ripercorriamo i temi con cui ci siamo confrontati nelle scorse settimane.
Capiamo subito che anche gli ambiti non sono così ben delineati: il rapporto tra Machine Learning, Deep Learning e Intelligenza Artificiale è ancora in via di definizione e ci sono diversi approcci:

Questa maggiore consapevolezza ci permette di passare all’azione: ci approcciamo a Rapid Miner per procedere con le esercitazioni pratiche che rapiscono i partecipanti.
Accade davvero l’incredibile: è necessario esortare a lasciare l’aula per il pranzo o la pausa caffè. 🙂

Il Prof. Della Beffa conduce l’aula attraverso gli esercizi, fornisce chiarimenti e supporto con semplicità e completezza, tanto che la sua lezione conclusiva del secondo modulo può essere senz’altro intesa anche come un passaggio del testimone al tema dell’Analisi Predittiva.

La motivazione è semplice e la lasciamo esprimere al fisico premio nobel Richard Faynman:
La cosa più interessante per noi è quella che non va secondo le previsioni”.

 

Per quanto la previsione non sia una scienza esatta, è una pratica inevitabile.

La presentazione che Bruno Sfogliarini fa di sé è diretta e ci fa capire molto di quel che ci aspetta.
Non solo il Professore ci parla della sua attività di docente e di consulente ma ci svela anche qualcosa della sua identità: “sono un utente Excel molto aggressivo… io vivo con Excel!” 🙂

Prima di creare tabelle pivot e lavorare sui dati, però, dobbiamo approfondire la questione basilare: il paradosso della previsione.

Ciascuno di noi, ogni giorno, prende decisioni in base ad analisi predittive.
Un esempio? Attraversare la strada quando mi sembra prevedibile di non essere investito.

Ma come è possibile concepire di continuo qualcosa che non esiste?

Viviamo nel presente, l’unica forma temporale che esiste davvero ma che è sempre in bilico: prevedere non è predire il futuro ma occuparsi delle idee di futuro, ovvero dei futuri possibili.

Dopo questa necessaria introduzione, affrontiamo il tema principale del sabato mattina.
Ci immergiamo, dunque, nella regressione logistica, un modello lineare generalizzato con diverse finalità specifiche tra le quali spicca proprio la previsione.

Il Prof. Sfogliarini ci guida, dunque, con un esempio che affronta la probabilità di default in funzione del reddito.

Nel corso della lezione, però, ci accorgiamo anche che tra le passioni del nostro docente dobbiamo assolutamente annoverare altro, oltre Excel: il Supermercato. 🙂

Bruno Sfogliarini è chiarissimo nelle spiegazioni e non lesina certo sugli esempi e la sua esperienza ci porta ad analizzare con attenzione particolare le corsie dedicate al cibo.

Tonno in scatola, ghiaccioli, bibite, dessert al cucchiaio, tè freddo, caramelle, gomme da masticare, pasticceria industriale varia ed eventuale e biscotti. Tanti, tantissimi biscotti…

Alcuni prodotti sono abitualmente nelle nostre dispense, di altri avevamo perso memoria ma siamo convinti che fare previsioni sugli acquisti di dolciumi metta effettivamente fame: persino in pausa caffè ci siamo ritrovati a parlà de magnà (sic!)

Come si fa a prevedere chi acquisterà biscotti nel mese di settembre? E qual è il modo più semplice per farlo?
Al di là di quel che ci svelerà l’Analisi Predittiva una cosa è certa: i partecipanti del DMBA ne compreranno un discreto assortimento già oggi.

 

 

 

Richiedi la Ricerca

Indagine sul livello di adozione e utilizzo dell'Intelligenza Artificiale in Italia

Privacy Policy

You have Successfully Subscribed!