• DATA SCIENCE AS A SERVICE

Vuoi intraprendere progetto di DS ma non sai da dove iniziare?

Richiedi una consulenza

Hai intrapreso un progetto di Data Science e la tua azienda si trova ad affrontare una di queste condizioni?

● Scarsità di risorse umane interne per la realizzazione dei progetti di Data Science
● Difficoltà e incertezze nella scelta delle giuste tecnologie per l’analisi dei dati
● Mancanza di competenze specifiche per risolvere i problemi di business emergenti
● Gap di comunicazione tra il reparto IT e gli altri responsabili aziendali
● Assenza di metodologie specifiche da applicare ai vari ambiti di analisi

Sono le tipiche criticità affrontate dalle imprese che intraprendono il percorso verso la scienza del dato. Difficoltà che noi conosciamo bene e sappiamo come affrontare grazie all’esperienza con i nostri clienti in diversi settori industriali.

Richiedi un check up gratuito per individuare le soluzioni più adatte alla
tua situazione aziendale.

Perché scegliere noi? IL METODO

Tra i primi ad applicare l’Intelligenza Artificiale ai problemi di business delle aziende in Italia, ci siamo resi conto che il nodo principale con cui ci dovevamo confrontare era la mancanza di una metodologia efficiente e coerente applicabile a tutti i progetti. Per questo abbiamo adottato la metodologia CRISP-DM, uno dei modelli di analisi più utilizzati dagli esperti di data mining. Ma siamo andati oltre: abbiamo contribuito a svilupparla grazie all’esperienza sul campo e alla conoscenza approfondita delle specificità di ogni settore.
Il risultato è un approccio unico che non si ferma alla teoria, e garantisce il risultato.

PROBLEMA – USE CASE – SOLUZIONE

Risolvere problemi relativi alla Data Science non significa dotarsi di una nuova tecnologia, ma prima di tutto capire quale sia la sfida e trovare la giusta soluzione.
Grazie alla nostra metodologia affidabile e testata, ma flessibile, abbiamo accompagnato decine di reparti IT o linee di business di grandi aziende italiane a comprendere il problema di business, riconoscere lo use case e individuare la soluzione tecnologica e analitica corretta.

In che modo?

Analytics Network ha consolidato una propria metodologia basata sul modello CRISP-DM, riconosciuto a livello globale tra i più performanti.
È un modello aperto, slegato da una tecnologia o un vendor, che stabilisce uno schema di progetto nel suo complesso e rispetto alle sue fasi, i task e le relazioni tra di loro. CRISP-DM tiene in considerazione il fatto che un progetto può mutare secondo moltissime variabili: gli obiettivi, l’interesse degli utenti e, soprattutto, i dati.
Il modello consiste di 6 fasi legate da vettori che indicano le più importanti e frequenti relazioni tra di esse. La sequenza non è strettamente vincolante, dato che la maggior parte dei progetti cambia fase secondo le necessità specifiche.

schema crisp
  • BUSINESS UNDERSTANDING

    Questa fase si focalizza nella comprensione degli obiettivi e dei requisiti del progetto dal punto di vista del business, e converte questa conoscenza in problemi di Data Science e in un progetto preliminare strutturato per acquisire gli obiettivi richiesti.
    Sebbene non includa i dati o la presenza di software, questa prima fase è spesso la più importante di tutto il progetto, e si concentra su tre aspetti chiave:
    ● Perché impiegare il modello di Data Science (es.: Aumenta il fatturato raggiungendo i clienti a target? Espande le conoscenze disponibili nel customer care? Fa scoprire le cause di un difetto di progettazione del prodotto?)
    ● Come il modello si dovrà utilizzare (es.: da che utenti, se ci saranno decisioni automatiche, ecc.)
    ● Quando il modello si applica (es.: In real time? In modalità batch? Con che frequenza, ecc.)
    Obiettivi e criteri di successo ben stabiliti sono il requisito più importante per assicurare la bontà del progetto nel tempo.

    Sottofasi:

    • Determinare gli obiettivi di business

    Background
    Obiettivi di business
    Criteri di successo del business

    • Valutare la situazione

    Inventario delle risorse
    Requisiti, ipotesi e vincoli
    Rischi e imprevisti
    Terminologia
    Costi e benefici

    • Determinare gli obiettivi del data mining

    Obiettivi di data mining
    Criteri di successo del data mining

    • Produrre il piano del progetto

    Piano del progetto
    Valutazione iniziale di strumenti e tecniche

  • DATA UNDERSTANDING

    Scopo di questa fase è censire e raccogliere i dati, verificando quali sono realmente disponibili e assicurarsi la piena comprensione del loro significato. Si affrontano in questo momento le problematiche relative a:
    ● Natura e semantica del dato
    ● Esistenza
    ● Coding
    ● Affidabilità
    ● Persistenza

    Sottofasi:

    • Raccogliere i dati iniziali

    Report sulla raccolta dati iniziale

    • Descrivere i dati

    Report sulla descrizione dei dati

    • Esplorare i dati

    Report sull’esplorazione dei dati

    • Verificare la qualità dei dati

    Report sulla qualità dei dati

  • DATA PREPARATION

    Di solito suddividiamo questa fase in tre passi distinti e alquanto successivi:

    • Elaborazione dei Dati (può essere definita come Data Wrangling o Munging):
      • Raccoglie i dati dalle fonti
      • Trasforma i dati grezzi in informazioni utilizzabili
      • Pulisce dai valori imprecisi
      • Solidifica i domini variabili
      • Apporta miglioramenti sui dati
    • Feature Engineering, in cui i dati assumono la forma di indicatori analitici (propriamente denominati features), un insieme di riassunti delle informazioni disponibili:
      • Conserva quanta più informazione e variabilità possibile dai dati originali
      • Modella il mondo reale attraverso rappresentazioni numeriche
      • Racchiude la conoscenza del business acquisita dagli esperti
      • Presenta i dati per l’uso nei modelli analitici 
    • Trasformazione dei dati specifici del modello per l’utilizzo di uno specifico algoritmo, come:
      • Riempie i dati nulli con le costanti o le formule appropriate (o anche con i modelli predittivi)
      • Standardizza i dati
      • Codifica one-hot
      • Trasformazioni numeriche
      • Binning e altri mezzi di discretizzazione

    Dato che il modeling stesso è un processo iterativo con competizione su differenti approcci, le tre fasi di solito seguono un percorso ciclico e progressivo descritto dal grafico sottostante:

    Data Understanding Elaborazione dei Dati Feature Engineering Traformazione dei dati specifici Modeling
    Data Understanding
    Elaborazione dei dati
    Feature Engineering
    Trasformazione dei dati specifici
    Modeling

     

    Sottofasi:

    • Selezionare i dati

    Logiche per l’inclusione/esclusione

    • Pulire i dati

    Report sulla pulizia dei dati

    • Costruire i dati

    Attributi derivati
    Record generati

    • Integrare i dati
    • Formattare i dati
    • Set di dati

    Descrizione del set di dati

  • MODELING

    In questa fase, varie tecniche di modellazione sono selezionate e applicate, e i loro parametri sono adattati a trovare valori e prestazioni ottimali. Generalmente, ci sono diverse tecniche (algoritmi) per lo stesso tipo di problema di Data Science (es.: per classificazione, reti neurali, regressioni, alberi decisionali, discriminanti, ecc.). Alcune tecniche necessitano (o beneficiano di) particolari requisiti per quanto riguarda la forma/codifica dei dati. Quindi, ritornare alla fase di preparazione dei dati è spesso necessario.

  • EVALUATION

    In questa fase del progetto, sono presentati vari modelli per comprendere la prestazione e l’applicabilità del modello. Prima di procedure alla produzione finale del modello, è importante valutare chiaramente le misure adottate per crearlo, per essere certi che il modello sia preferibile ai suoi concorrenti e che raggiunga correttamente gli obiettivi di business. Inoltre, la diagnosi del modello stesso fornisce generalmente importanti indicazioni aziendali a un livello qualitativo spiegando le cause e le correlazioni dei fenomeni studiati.

    Sottofasi:

    • Selezionare le tecniche di modeling

    Tecnica di modeling
    Ipotesi di modeling

    • Generare un progetto di test
    • Costruire il modello

    Impostazioni dei parametri
    Modelli
    Descrizioni dei modelli

    • Valutare il modello

    Valutazione del modello
    Impostazioni dei parametri riviste

  • DEPLOYMENT

    La generazione e la selezione del modello non corrispondono alla fine del progetto. A volte, lo scopo del modello è solo quello di incrementare la conoscenza dei dati, in tal caso la conoscenza acquisita dovrà essere organizzata e presentata in una modalità fruibile.

    Più in generale, però, il deployment consiste nell’applicare modelli dal vivo all’interno dei processi decisionali di un’organizzazione, sia in modalità batch in modo che i punteggi siano aggiornati secondo una programmazione sia in applicazioni in tempo reale in cui sia necessario (di solito è necessario quando parte o tutti i dati sono acquisiti al momento della decisione).

    A seconda delle esigenze, la fase di deployment può essere semplice come la produzione di un report oppure complessa come l’applicazione di un processo di Data Science replicabile in tutta l’azienda e nel corso del tempo (per esempio perché è richiesto un riaddestramento automatico dei modelli, rendendoli auto-aggiornanti).

    Sottofasi:

    • Valutare i risultati

    Valutazione dei risultati di data mining rispetto ai criteri di successo del business
    Modelli approvati

    • Revisione del processo
    • Determinare i prossimi passi

    Elenco delle azioni possibili
    Decisione

Perché rivolgerti ai professionisti della Data Science?

Il problema non riguarda la tecnologia che stai utilizzando, ma la conoscenza a tua disposizione.

Le sfide e le situazioni sono molto diverse e dipendono da:

la tua industry di riferimento (retail, finance, manufacturing ecc.)

le dimensioni della tua azienda (enterprise o PMI)

la tipologia di processo (customer care, marketing, supply chain o risk management)

ANALYTICS APP STORE

Per rispondere a problematiche ricorrenti e standardizzate, nel corso degli anni abbiamo sviluppato una serie di app di Intelligenza Artificiale

SCOPRI LE APP
checkup

DATA SCIENCE AS A SERVICE

Richiedi un check up per individuare le soluzioni più adatte alla tua situazione aziendale e ai tuoi obiettivi di business

CONTATTACI

All’interno di ogni azienda i team possono avere dimensioni e preparazioni diverse… o non esistere proprio. Per questo motivo ciascuna realtà ha bisogno di strumenti e approcci differenti.

Data la nostra lunga e riconosciuta esperienza nel settore (testimoniata anche dalla collaborazione con Bologna Business School e con il Consorzio del Politecnico di Milano) abbiamo pensato a un’offerta in grado di adattarsi alle condizioni della tua azienda, dei tuoi progetti e delle tue persone, grazie a 4 formule diverse che possono essere alternative o complementari a seconda della situazione.

Come capire qual è quella giusta per la tua azienda?

Chiedici subito un check up: è il momento in cui verifichiamo insieme le condizioni
di partenza e ti aiutiamo a decidere che strada percorrere

Richiedi un check up per individuare quali dei  percorsi è il migliore per adottare la Data Science alla tua situazione aziendale.

By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close