Antonio Canale, Mariangela Guidolin, Bruno Scarpa
Dipartimento di Scienze Statistiche, Università degli Studi di Padova
Il mercato è da sempre caratterizzato da una componente di incertezza: non sappiamo se i clienti rimarranno fedeli, se i costi delle materie prime aumenteranno, se i concorrenti ruberanno quote di mercato, se un nuovo prodotto avrà successo.
Questo scenario, noto a chi opera nel mercato da sempre, si cala nell’epoca storica che stiamo vivendo: l’era dei big data. Qualsiasi realtà imprenditoriale sia multinazionale che di piccole o medie dimensioni può contare su un grosso patrimonio di dati aziendali ed ha a disposizione una gran mole di altri dati: generati da attività collaterali legate all’impresa, o da fonti esterne come i social network.
Ma quantità di dati non è sinonimo di qualità dell’informazione: ecco perché la professionalità dell’esperto in analisi statistiche o del data scientist è essenziale per qualunque settore. I big data non sono solo “big”– al punto da richiedere nuove metodologie per la loro analisi, ma sono anche complessi. È perciò evidente che gli strumenti e i modelli che le aziende hanno usato per anni non sono più sufficienti e che è cruciale un confronto tra mercato e ricerca, tra imprese e università.
La necessità di questo confronto è fortemente avvertita dalle imprese, e anche in Italia ciò è emerso in diverse occasioni nell’ultima decade, ad esempio ricordiamo il convegno “Statistica in azienda, statistici in azienda” (http://sa.stat.unipd.it) che già nel 2010 aveva raccolto un gran numero di statistici che lavorano nelle più varie realtà aziendali, e più recentemente nel convegno “Statistica e Data Science per il business” (http://stat4business.stat.unipd.it/), al quale ha partecipato un grandissimo numero di aziende di tutte le dimensioni.
Anche nel mondo dell’università e della ricerca sono molti i ricercatori che svolgono la propria attività motivati da problematiche di tipo aziendale e industriale. La sessione Data Science for Marketing and Business del convegno SIS2017 ha ospitato tre contributi di questo tipo.
Sally Paganin dell’Università di Padova nel suo contributo “Modelling of complex network data for targeted marketing” ha affrontato la complessità del tipo di dati ad oggi disponibili. Misure ripetute di reti, siano esse di clienti, aziende o prodotti come nel caso discusso e analizzato statisticamente da Paganin, sono infatti sempre più presenti in molti settori. Tommaso Proietti dell’Università di Roma-Tor Vergata nel suo contributo “A generalized exponential time series regression model for electricity prices” ha discusso come anche le situazioni più classiche della statistica economica, come l’analisi delle serie storiche dei prezzi energetici, presentino una notevole complessità dovuta questa volta all’estrema dinamicità dei mercati analizzati, e richiedano quindi specifici (e complicati, seppure spiegati in maniera semplice e chiara) strumenti di analisi. Concetti simili sono stati ribaditi anche da Steve Scott, senior data scientist a Google nel suo contributo “Industrial applications of Bayesian structural time series” sottolineando in particolare come un approccio bayesiano all’analisi dei dati logitudinali possa portare benefici sotto molti punti di vista.
Per quanto differenti in termini di tematiche trattate e metodologie utilizzate, i tre contributi sono accomunati dalla necessità di fornire risposte e previsioni in mercati in rapida evoluzione e caratterizzati da dati di sempre maggior complessità. Ed è proprio per affrontare e vincere le sfide di questi mercati che è indispensabile sviluppare una nuova cassetta degli attrezzi di analisi dei dati per il marketing e il business.
