Sapere cosa succederà domani o nel prossimo futuro, in certe condizioni e contesti, è da sempre l’ambizione di ogni manager. Sicuramente la capacità predittiva è aumentata grazie all’impiego di modelli statistici, data mining e machine learning che permettono di evidenziare le informazioni rilevanti contenute nei dati e sfruttarle per predire risultati e tendenze futuri.

Le analitiche predittive, partendo da dati storici e real time, permettono di identificare rischi e opportunità e possono essere utilizzate per molteplici scopi come la valutazione di rischi in termini di credito e insolvenza, la previsione di frodi, l’identificazione della propensione di acquisto e riacquisto di un cliente etc.

SDA Bocconi e Qlik hanno realizzato un’indagine su circa 100 aziende appartenenti a diversi settori merceologici (45,9% manifatturiero, 22,9% servizi, 15,6% PA, 15,6% distribuzione e retail) per capire a che punto si trovano in termini di analitiche predittive. La diffusione attuale delle Predictive Analytics è oggi parziale (24,8%), ma entro un anno è previsto che fino al 54% di imprese le utilizzeranno.

Le aziende che affermano di non considerare le Predictive Analytics una priorità aziendale sono in prevalenza imprese manifatturiere pure, B2B, che intravvedono tra le maggiori criticità della loro introduzione la complessità di progettazione e gestione di questi sistemi e la padronanza delle tecnologie di Data Analysis, nonché la capacità di utilizzare realmente i risultati delle Predictive Analysis da parte dei manager al fine di generare concreti risultati aziendali.

Le aziende che già utilizzano o che hanno pianificato l’utilizzo delle Predictive Analytics ammettono di farlo maggiormente quando si tratta di analizzare il comportamento d’acquisto del cliente o del consumatore, in termini di probabilità di reazione ad azioni promozionali o a proposte di nuovi prodotti/servizi o a combinazioni nuove degli stessi (54,2%), o in termini di probabilità di comportamento negativo nei confronti dell’impresa come rischio di abbandono, riduzione del volume e della redditività degli acquisti (30,5%), o in termini di possibile fruizione dei pacchetti di servizio cliente disponibili come accesso a call center, utilizzo di garanzie, effettuazione di resi, etc (20,3%).

Le motivazioni principali dell’investimento in strumenti analitici risiedono nel miglioramento delle previsioni della domanda di prodotti/servizi e quindi delle performance commerciali dell’azienda (50,8%). Tuttavia la ricerca di ogni possibile ambito di contenimento dei costi operativi di vendita, di marketing e di logistica, si trova al secondo posto tra le motivazioni dell’investimento in Predictive Analytics (32,2%). Il miglioramento della customer experience è al solo al terzo posto (20,3%) probabilmente perché molte imprese operano nel B2B dove il concetto di customer experience stesso difficilmente viene applicato.

Tra gli ostacoli all’introduzione di Predictive Analytics ci sono diverse tipologie di “competenze” che riguardano la progettazione e la gestione di questi sistemi analitici (40,7%), le conoscenze delle tecnologie di Data Analysis (e di data management – 37,3%) e di metodi statistici e matematici di predizione (32,2%). La qualità dei dati (25,4%) e i costi di investimento per la progettazione e realizzazione (23,7%) sono altre criticità che ostano l’implementazione delle analitiche predittive, mentre i costi di esercizio di questi sistemi analitici (che includono la gestione e la manutenzione degli stessi) non sembrano essere considerati un problema.