People Analytics e Intelligenza Artificiale in continua espansione
La data science è sempre più incorporata nelle aziende, nei prodotti e - in generale - nella società. I casi in cui viene utilizzata diventano sempre più sofisticati e diffusi in tutti i settori. Ma qual è la differenza tra People Analytics e Intelligenza Artificiale (AI)?
Leggi anche: People Analytics. Cos'è e perché è un vantaggio per l'azienda?
People Analytics, alcune tecniche
Mentre i dati delle risorse umane sono in circolazione da molto tempo, i casi di People Analytics in cui sono utilizzate tecniche avanzate sono un fenomeno abbastanza recente. Inoltre, solo una manciata di aziende conducono effettivamente questo tipo di analisi. Vediamo alcune tecniche di People Analytics.
Regression Analysis
Si tratta di una delle analisi più comuni e viene utilizzata per visualizzare la relazione tra una o più variabili all'interno di un contesto. In questo caso, l'obiettivo è quello di prevedere lo sviluppo futuro in base ai valori di cui si è in possesso.C'è una differenza tra regressionelineare e logistica. La prima viene utilizzata nei casi in cui la variabile di risultato è di natura categoriale. La seconda, invece, viene utilizzata quando la variabile di risultato è continua.È importante specificare che nella regressione esiste un'ipotesi di effetto casuale a senso unico dalla variabile di contesto e dalla variabile di esito.Un aspetto comune e ricorrente sono le aziende che cercano di prevedere il customer churn (il tasso di abbandono del cliente). Detto anche attrition, è il tasso relativo al numero di individui (siano essi clienti o dipenenti) che abbandonano. L'obiettivo è chiaramente quello di far sì che loro non lo facciano. In altri casi, le aziende utilizzano la Regression Analysis per migliorare i propri servizi.
In che modo aiuta ad affrontare i problemi aziendali?
Un esempio lo si può avere studiando l'efficacia delle vendite. Può essere molto utile misurare la relazione tra i punteggi tramite questionari.In che modo i tratti della personalità (come i tratti Big-5) sono legati ai numeri di vendita? Le meta-analisi dimostrano che meticolosità ed estraversione sono predittive del successo delle vendite.A questo punto, occorre chiedersi: ci sono differenze nei mercati in cui operano i professionisti delle vendite? Utilizzando la Regression Analysis, è possibile scoprire se esiste una relazione e in che misura i tratti della personalità prevedono l'efficacia delle vendite.
Classification Analysis
È uno dei metodi più utilizzati e conosciuti. In parole povere, l'obiettivo è predire a quale categoria appartiene l'osservazione. In che modo? Analizzando le osservazioni storiche di cui è nota la categoria.Diversi modelli possono essere utilizzati per questo tipo di analisi; uno dei più conosciuti è un albero decisionale (decision tree). È un processo in cui vengono poste alcune domande utili a determinare la categoria.L'utilizzo di alberi decisionali su larga scala è anche noto come random forest technique. In questo caso, il metodo viene spesso utilizzato con dataset di grandi dimensioni.
È spesso utilizzato in combinazione con la regressione logistica per migliorare le prestazioni predittive del modello statistico in un metodo chiamato esemble learning (apprendimento dell'insieme).Questo tipo di analisi è utilizzato, ad esempio, nel settore sanitario. I dati storici dei pazienti sono utilizzati per analizzare i sintomi al fine di determinare le condizioni di un nuovo paziente. È già usato per prevedere malattie come il cancro e determinare i gruppi ad alto rischio.
Anche nel settore bancario è utilizzata questa tipologia di analisi. In questo caso, il cliente che richiede un prestito può essere classificato in base a determinati fattori come età e stipendio.Questo genere di attività è anche chiamato supervised learning (apprendimento supervisionato), perché è basato su un apprendimento precedente e su un modello già addestrato. Il modello di dati costruito potrà essere utilizzato per classificare nuovi dati di input.
In che modo aiuta ad affrontare le sfide organizzative con i dati delle persone?
Per esempio, con la previsione del tasso di successo di un team in basse alla sua composizione e alle variabili di contesto. Le aziende tendono a selezionare i team in base all'esperienza, alla disponibilità e alle prestazioni individuali passate.
Sarebbe estremamente utile fare luce sull'impatto di altri fattori quali preferenza di ruolo, stile di leadership, dinamiche di squadra... Ciò richiederebbe un enorme set di dati per addestrare il modello.Immagina l'impatto che potrebbe avere la capacità di essere in grado di prevedere quale squadra avrà più successo!
Clustering Analysis
Il clustering è una tecnica che descrive i dati. Si utilizza nei casi in cui i dati a disposizione non sono etichettati in modo ambiguo e funzionano rilevando osservazioni simili tra loro.Le osservazioni sono, quindi, "raggruppate", di conseguenza i gruppi possono essere etichettati e classificati. Il clustering è simile alla classification: mira a categorizzare gruppi specifici di interesse. Tuttavia, non ha un risultato prestabilito; cerca, piuttosto, elementi comuni nei dati.Nel marketing, questa tecnica viene utilizzata per raggruppare i clienti con esigenze simili. In politica, ad esempio, il clustering è utilizzato per identificare specifici gruppi di elettori per rivolgere a loro messaggi mirati. Ecco come Barack Obama ha realizzato una campagna basata in parte sulla data analysis.
In che modo aiuta ad affrontare le sfide organizzative con i dati delle persone?
Le aziende vogliono sapere quali dipendenti abbinare ai rispettivi clienti, per aumentarne la soddisfazione. Quest'ultimo aspetto è un risultato aziendale molto spesso critico. Sarebbe di grande aiuto conoscere i dipendenti più adatti ad approcciarsi con determinati clienti.
Leggi anche: Employee engagement: cos'è e perché è fondamentale
Association Analysis
È una tecnica che consente ad un ricercatore di dati di trovare modelli all'interno di ampie raccolte di dati. Crea valore scoprendo associazioni rilevanti tra diverse variabili in un database su larga scala.L'interpretazione dei modelli non è facile in quanto vi è un numero enorme di modelli possibile. Aiuta a limitare gli algoritmi in anticipo in modo che il "rumore" dei dati sia ridotto il più possibile.Esempi comuni provengono da catene di supermercati che utilizzano queste tecniche per creare la planimetria seguendo modelli trovati analizzando i comportamenti dei clienti.
Per esempio:N% delle persone che hanno acquistato il succo del marchio A hanno anche comprato il cioccolato del marchio B, quindi posizioniamo gli articoli nello stesso corridoio alla stessa altezzaSulla base delle regole generate, il responsabile del negozio può posizionare strategicamente i prodotti, determinando una crescita delle vendite. Nel settore bancario sono utilizzate tecniche molto simili con lo scopo di offrire prodotti ai clienti che seguono un determinato modello di acquisto.
In che modo aiuta ad affrontare le sfide organizzative con i dati delle persone?
Questa tecnica potrebbe essere utilizzata per identificare i modelli nelle pratiche HR come onboarding, percorsi di carriera, educazione e gestione di talenti. Successivamente, può essere utilizzata per determinare quali modelli sono associati a dipendenti felici e produttivi.
Quindi, questa tecnica potrebbe essere utilizzata per il feedback a un sistema HR per contenuti personalizzati. Molto simile al modo in cui Amazon e Netflix ci offrono contenuti personalizzati come consumatori.
Anomaly Detection Analysis
L'individuazione di anomalie è un metodo focalizzato sul riconoscimento di modelli inattesi o devianti. Si tratta di tecniche in grado di etichettare le nuove situazioni come "devianti" basate su dati storici.Nel settore finanziario, il rilevamento delle anomalie è solitamente utilizzato per identificare frodi o transazioni insolite. Gli avvisi di transizioni sospette sono spesso frutto del lavoro di un algoritmo di rilevamento di anomalie.Per fare un altro esempio, consideriamo la necessaria manutenzione nelle centrali nucleari. Eventuali condizioni considerate non normali devono essere segnalate immediatamente. Ciò consente di analizzare la cospicua quantità di dati presente negli impianti.
In che modo aiuta ad affrontare le sfide organizzative con i dati delle persone?
Gli incidenti sul lavoro sono spesso causati da turni lavorativi esaustivi. Una ricerca ha dimostrato che i dipendenti che lavorano più di 12 ore al giorno hanno un rischio di infortunio maggiore del 38% rispetto ai dipendenti che lavorano 8 ore. Lavorare 10 ore al giorno aumenta il rischio di incidenti del 15%.In questo caso, l'analisi potrebbe aiutare a identificare i dipendenti che lavorano più a lungo della soglia consigliata, soprattutto in settori ad alto rischio quali edilizia, produzione, ingegneria. Potrebbe essere un valido assistente per ridurre incidenti sul lavoro.
In conclusione
Solitamente, si inizia con una sfida aziendale e si sceglie un'analisi adatta. Tuttavia, a volte è utile guardare altri settori per trovare l'ispirazione.I data scientist tendono a sperimentare molto con tecniche diverse per generare un modello accurato. Spesso non è possibile prevedere con precisione quale tecnica sarà la migliore.
Ecco perché è importante, per un data scientist, conoscere molte tecniche diverse.