1. I BIG DATA E
L’ANALISI PREDITTIVA
Project work su come evolve l’analisi di business
predittiva con i big data
Antonio Bucciol, 839430
2015
2. Data mining
Varie definizioni:
• Non-trivial extraction of implicit, previously
unknown and potentially useful information
from data
• Exploration & analysis, by automatic or semi-
automatic means, of large quantities of data
in order to discover meaningful patterns
P.Tan, Introduction to Data Mining
3. Analisi di business
Cos’è
Sistema evoluto di data processing che permette
di acquisire una visione accurata della situazione
attuale, di individuare scenari futuri e di favorire e
suggerire decisioni efficaci e risultati tangibili.
Categorie
Analisi di business:
• Descrittiva
• Diagnostica
• Predittiva
• Prescrittiva
• Preventiva
4. Big Data e analisi di business
L’analisi di business non è nata ieri, e fa da decenni uso
dei computer per elaborare grandi moli di dati.
Cos’è cambiato allora?
Con l’avvento dei Big Data, assistiamo ad una congiuntura
eccezionale:
- Enormi quantità di dati
- Dati digitali
- Dati estremamente diversificati
- Correlazione: semplice tracciare utente, facile creare
relazioni
- Diminuzione costi
5. Analisi predittiva
Modello predittivo
Identifica automaticamente le relazioni all’interno
dei dati per prevedere le future tendenze del
mercato e i comportamenti dei clienti, per
esempio per effettuare previsioni sull’efficacia
delle prossime campagne di marketing.
I dati disponibili sono opportunamente suddivisi
in gruppi.
L’A.P. ha vari risvolti. Vediamo subito un paio di
esempi.
Ottimizza:
• Acquisizione clienti
• Identificazione clienti top
• Elaborazione strategie marketing
• Pianificazione campagne digitali
• Gestione retention
6. [Esempio A]: A.P. in negozio [1/4]
Contesto
Attività commerciale aperta al pubblico.
Provvista di n postazioni di pagamento,
con n grande.
Contingenza
m casse aperte, con m < n
Problema
quando attivare ulteriori casse?
7. [Esempio A]: A.P. in negozio [2/4]
Approccio elementare
- Rilevazione numero di accessi al negozio
- t = tempo medio di permanenza del cliente tipico
Risultato
so che circa t minuti dopo un forte afflusso in entrata, avrò molti arrivi in cassa.
8. [Esempio A]: A.P. in negozio [3/4]
Approccio più sofisticato
È possibile migliorare tale approccio di k gradi (con k potenzialmente illimitato, ma sottomesso al rapporto
gain/cost).
Ad esempio:
- Calcolo tempo medio di checkout tramite i log di cassa
- Personalizzazione per cassa (tipologia, posizione)
- Personalizzazione per cassiere (esperienza) (nota: in rapporto alla cassa gestita)
- Da sottrarre al tempo permanenza
- Rilevazione posizione (dispositivi mobili, RFID prodotti/carrello, cam, etc.)
- «Ultimo reparto»
- Avvicinamento alle casse
- Lunghezza code
9. [Esempio A]: A.P. in negozio [4/4]
Next step
- Ulteriori device IoT
- Riconoscimento cliente e applicazione medie personali
- …
10. [Esempio B]: A.P. in negozio [1/4]
Contesto
Attività commerciale aperta al pubblico.
Problema
Come posso migliorare le vendite?
Approcci
• Analisi KPI* del negozio
• Analisi degli effetti di pubblicità
• Ottimizzazione dello staff
• Analisi demografica specifica
*KPI: Key Performance Indicator
11. [Esempio B]: A.P. in negozio [2/4]
Analisi KPI del negozio
Cercare di migliorare il KPI
basandosi su:
• Presenze
• Pattern di movimento
Approccio
1. Costruzione modello descrittivo (simulazione).
2. Modifica del modello (ricerca del massimo)
3. Applicazione delle modifiche al negozio fisico
4. Rilevazione delle variazioni nel comportamento dei
clienti
5. Calcolo coeff. miglioramento effettivo tra i due
modelli. Eventuale ritorno al punto 2.
12. [Esempio B]: A.P. in negozio [3/4]
Analisi degli effetti di pubblicità
- Singola pubblicità
- Pubblicità multiple
- Interazione tra le stesse
Effetti sulle vendite?
Ottimizzazione dello staff
- Numero dipendenti
- Approccio con il cliente
- Etc.
Effetti sulle vendite?
13. [Esempio B]: A.P. in negozio [4/4]
Analisi demografica
La domanda è: il mio layout funziona con un determinato
tipo di cliente?
Target definito da intersezione di:
- Età
- Nazionalità
- Sesso
- Cultura (dato sensibile ma inferibile!)
- Etc.
Potrei avere un KPI migliore anche perdendo clienti?
Sì, se aumenta il sottoinsieme dei clienti di fascia alta in
rapporto conveniente rispetto alla perdita di altre tipologie di
clienti.