Mai come in questi ultimi tempi le parole Artificial Intelligence (AI), Predictive Analytics e Machine Learning sono state così usate e inflazionate.
Una cosa però è certa: in pochi sanno veramente di cosa si tratta e, ancora meno, hanno provato a valutare gli impatti pratici del loro utilizzo sui processi previsionali del settore Retail e GDO.
Predictive Analytics: Artificial Intelligence e Machine Learning, capiamo meglio
Proviamo intanto a cercare di capire cosa sta sotto a questi termini.
L’Intelligenza Artificiale è un’area molto ampia che rappresenta l’abilità di una macchina di agire con capacità umane come: il ragionamento, l’apprendimento, la creatività e il prendere decisioni. I primi studi in questi ambiti risalgono agli anni ’70 ma la cosa non ebbe molto seguito a causa di due problemi: mancanza di dati e di potenza computazionale.
Tra le varie branche dell’AI troviamo il Machine Learning che prevede che la macchina impari a risolvere i problemi studiando dati relativi a situazioni analoghe accadute nel passato. Non è più il programmatore che scrive l’algoritmo ma è la macchina che deduce, in autonomia, la regola. Queste tecniche stanno venendo sempre più alla ribalta anche grazie ai Big Data: più informazioni posso dare alla macchina più questa riesce a capire e interpretare il passato in modo esaustivo. Il problema, piuttosto, è capire quali sono i dati utili da fornire alla macchina in modo da non generare ‘confusione’.
Come e perché ricorrere al Machine Learning nel Retail
Focalizzandoci sull’ambito Retail, una tipica applicazione del Machine Learning (ML) è nella predizione degli incassi futuri. E’ necessario fornire all’engine predittivo le vendite storiche e mappare gli eventi ritenuti significativi nel passato (e quindi anche nel futuro) quali, ad esempio: orari di apertura dei negozi, Effetto Calendario (festività come la Pasqua), inflazione (interna/esterna), particolari trend di mercato, promozioni o altri eventi (vedi COVID). Il tutto viene dato in pasto all’algoritmo di ML (ne esistono diversi in letteratura) in modo da fargli apprendere e dedurre in automatico le relazioni di causa–effetto che ciascun evento ha avuto sugli incassi passati.
Una volta terminata la fase di apprendimento la macchina è pronta ad applicare sul futuro l’esperienza fatta, basterà ipotizzare come questi eventi avverranno in futuro e l’algoritmo di ML definirà gli incassi.
Un progetto di questo tipo non è da definirsi “plug and play”: è necessario avere una profonda conoscenza del business e, al tempo stesso, delle tecniche di AI.
Sicuramente appoggiarsi a una società di consulenza che ha già maturato esperienze nel settore aiuta ma non banalizza la materia. Si procede con continui fine tuning al fine di individuare la strada che produce risultati migliori. Bisogna individuare il giusto dettaglio dimensionale da considerare (giorno, settimana o mese? Reparto di Dettaglio o Reparto Aggregato?) e la profondità storica da utilizzare nella fase di apprendimento (gli incassi di 20 anni fa probabilmente non sono significativi per predire il futuro). Inoltre tutti gli eventi che andiamo a mappare devono essere misurabili sia nel passato che nel futuro: ad esempio il meteo potrebbe essere un evento impattante (in un weekend piovoso le presenze in un centro commerciale aumentano) ma, al tempo stesso, è difficile fare previsioni di medio lungo periodo (pioverà tra 8 weekend?).
Human e Artificial Intelligence: la coppia del futuro
In conclusione, l’introduzione di queste nuove tecniche di elaborazione può portare sicuramente a dei vantaggi, quali:
- una capacità d’interpretazione più ‘imparziale’ e profonda dei dati del passato;
- una più rapida velocità di reazione e riprogrammazione (cosa molto importante nel mondo complesso in cui viviamo).
Il tutto, però, deve sempre essere fatto nell’ottica di fornire un aiuto e non di sostituire l’human intelligence.
È quindi importante che l’introduzione in azienda di queste tecniche vada di pari passo con la formazione culturale delle persone che devono utilizzarle, comprenderle e percepire l’AI come un aiuto e un valore aggiunto e non come una black box che, per magia, tira fuori dei numeri difficili da interpretare e spiegare.