Cos'è la prescriptive analytics?

La prescriptive analytics è il livello più avanzato nel modello di maturità dell'analisi dei dati, dopo l'analisi descrittiva (cosa è successo), quella diagnostica (perché è successo) e la predictive analytics (cosa succederà probabilmente). Non si ferma a prevedere un esito: raccomanda l'azione specifica da intraprendere per ottenere il risultato desiderato, spesso attraverso tecniche di ottimizzazione matematica o simulazione. È la differenza tra sapere e agire, ed è anche il motivo per cui questo livello resta il meno diffuso nelle aziende: richiede non solo un modello predittivo affidabile, ma anche una formalizzazione esplicita degli obiettivi e dei vincoli del business, un lavoro spesso più organizzativo che tecnico. Le tecniche usate sono soprattutto l'ottimizzazione matematica, per trovare la soluzione migliore dato un insieme di vincoli, e la simulazione, per testare come si comporta una decisione prima di metterla in pratica: strumenti nati nella ricerca operativa, oggi applicati a decisioni operative quotidiane come quale turno assegnare o quale prezzo impostare in un dato momento.

La differenza chiave dalla predictive analytics

Un modello predittivo dice "la domanda del prodotto X la prossima settimana sarà probabilmente Y unità". Un sistema prescriptive va oltre e dice "quindi ordina Z unità dal fornitore A entro martedì, è la scelta che minimizza il costo totale dato il vincolo di magazzino disponibile". La previsione, in questo schema, è un input, non l'output finale: il valore aggiunto sta nel tradurla in una decisione operativa concreta, già valutata rispetto ai vincoli reali dell'azienda.

Le tecniche tipiche

Il cuore della prescriptive analytics è l'ottimizzazione matematica, programmazione lineare o non lineare, usata per trovare la soluzione migliore dato un insieme di vincoli espliciti (capacità di magazzino, budget, contratti con i fornitori). Accanto a questa, la simulazione, per esempio la simulazione Monte Carlo, permette di testare come si comporta una decisione sotto diversi scenari di incertezza prima di metterla in pratica. Infine, gli stessi principi alimentano sistemi di raccomandazione applicati a decisioni operative, non solo ai classici consigli di prodotto: quale turno assegnare, quale percorso di consegna scegliere, quale prezzo impostare in un dato momento.

Il collegamento con la Decision Intelligence

La prescriptive analytics è la tecnica specifica di ottimizzazione o simulazione. La Decision Intelligence è la disciplina più ampia che combina questa tecnica con il giudizio umano e il contesto organizzativo per arrivare a una decisione presa davvero, non solo a un numero calcolato. In altre parole, un motore di ottimizzazione può proporre la sequenza di consegne a costo minimo, ma è la Decision Intelligence a decidere se, quando e come quella raccomandazione entra nel processo operativo, e a misurare cosa succede dopo.

Il limite onesto

Un sistema prescriptive è affidabile quanto i vincoli e gli obiettivi che gli sono stati dati: se il modello di ottimizzazione non include un vincolo reale del business, per esempio un limite contrattuale con un fornitore, la raccomandazione può essere matematicamente ottima ma operativamente sbagliata. Formalizzare correttamente vincoli e obiettivi è quasi sempre il lavoro più difficile, molto più della costruzione dell'algoritmo di ottimizzazione in sé.

Perché conta per la tua azienda

Il salto da "sappiamo cosa succederà", il territorio della predictive analytics, a "sappiamo cosa fare al riguardo" è dove l'analisi dei dati genera valore economico diretto, non solo insight da leggere su un report. Un'azienda che si ferma alla previsione lascia comunque a una persona il compito di tradurla in decisione, con tutti i limiti di tempo e di capacità di calcolo che questo comporta; un'azienda che arriva alla prescriptive analytics automatizza quella traduzione, riservando il giudizio umano ai casi che davvero lo richiedono.