Come l'intelligenza artificiale supporterà la Data Literacy in azienda
Come le moderne tecnologie di intelligenza artificiale possono potenziare la competenza dei dipendenti nella gestione e nell'analisi dei dati aziendali.
Ogni giorno siamo sommersi da nuove notizie relative all'intelligenza artificiale: le big tech sono impegnate a raccontarci le fantasmagoriche capacità dei nuovi LLM come ChatGPT, Gemini, Claude, e altri. Proprio in questi giorni è uscito un paper di alcuni ricercatori Apple che evidenzia i limiti degli LLM: questi modelli non hanno una reale comprensione del contesto matematico, ma calcolano semplicemente la risposta con la più alta probabilità di essere corretta. In questa situazione, è facile trarli in inganno: basta cambiare pochi elementi del contesto per ottenere risposte diverse e spesso non corrette
.
Siamo quindi distanti dall'intelligenza come viene intesa comunemente, ma questo non diminuisce la potenza di questi strumenti. Tuttavia, è chiaro che per ora il controllo umano è strettamente necessario per evitare errori grossolani, oltre a dover scrivere prompt corretti per ottenere risultati accurati.
È quindi importante analizzare dove l'intelligenza artificiale può realmente supportare la gestione dei dati.
Che cos'è la Data Literacy
Secondo Jordan Morrow, la data literacy è la capacità di comprendere, utilizzare, analizzare e comunicare efficacemente attraverso i dati. Questa definizione — evoluta da quella originale dell'Università Emerson e del MIT — sottolinea l'importanza di comunicare attraverso i dati, un aspetto essenziale per un'azienda moderna.
I Quattro Livelli dell'Analisi dei Dati
Prima di analizzare come l'intelligenza artificiale possa supportare la data literacy, è utile rivedere i quattro livelli dell'analisi dei dati:
Descriptive Analytics: è la capacità di mostrare cosa è successo nel passato al nostro business attraverso i dati e l'analisi. Ad esempio, osservando i dati di un e-commerce, potremmo notare che il carrello medio è storicamente più basso durante i saldi. La Descriptive Analytics racconta il dato, ma non si interroga sul perché qualcosa sia accaduto.
Diagnostic Analytics: Dopo aver descritto un evento, ci chiediamo perché sia accaduto. Ad esempio, potremmo scoprire che il carrello medio è più basso durante i saldi perché, nonostante i prezzi più bassi, gli utenti non comprano più prodotti: il numero medio di articoli nel carrello rimane lo stesso, portando a un valore totale inferiore.
Predictive Analytics: Questo livello consente di prevedere cosa accadrà in futuro in base a specifiche azioni o dati. Ad esempio, un sistema di predictive analytics potrebbe predire il fatturato futuro e ottimizzare il magazzino a seconda delle diverse fasce di sconto per il periodo dei saldi.
Prescriptive Analytics: È la capacità di consigliare quali decisioni di business prendere in base ai dati e alle analisi. La prescriptive analytics è uno strumento per potenziare l'elemento umano, poiché la tecnologia è in grado di analizzare e filtrare enormi quantità di dati, accelerando il processo analitico e riducendo il rischio di errore umano. Tuttavia, spetta all'essere umano utilizzare le informazioni generate per prendere decisioni informate.
Il Ruolo dell'Intelligenza Artificiale nella Data Literacy
È chiaro dove l'intelligenza artificiale entra in gioco: nei livelli di Predictive e Prescriptive Analytics, dove i modelli hanno raggiunto performance incredibili. Ad esempio, i modelli di bidding delle diverse piattaforme di advertising sono diventati sempre più avanzati negli ultimi anni. Inoltre, i modelli di raccomandazione suggeriscono quali prodotti inviare e come presentarli al meglio.
Tuttavia, gli LLM (Large Language Models) trovano il loro ruolo anche nel primo livello dell'analisi, la Descriptive Analytics. Questi modelli possono analizzare grandi quantità di dati e descrivere in modo semplice ed efficace cosa è successo, evidenziando i cambiamenti più significativi da approfondire. Inoltre, gli LLM possono tradurre il linguaggio naturale in query per estrarre i dati necessari, rendendo più accessibile l'analisi anche a chi non ha competenze tecniche avanzate. Successivamente, l'analista umano può proseguire il percorso diagnostico, supportato dall'IA, per analizzare dati più specifici e ipotizzare le motivazioni del cambiamento. L'elemento umano resta fondamentale per comprendere se il contesto è corretto e adatto all'azienda.
La maggior parte delle aziende si ferma spesso alla Descriptive Analytics senza entrare negli step successivi. Questo limita la loro capacità di comprendere a fondo i dati e trarre informazioni utili per decisioni strategiche. L'intelligenza artificiale può invece facilitare il percorso, potenziando lo step della Diagnostic Analytics e aiutando a identificare le cause degli eventi in modo più efficace e veloce, supportando anche la transizione verso gli step più avanzati di Predictive e Prescriptive Analytics, velocizzando i processi e abbassando i costi. È importante padroneggiare i primi due step per poter affrontare con successo questi ultimi.
Conclusione
L'intelligenza artificiale rappresenta uno strumento potente per migliorare la data literacy aziendale. Tuttavia, il controllo e l'intuizione umana restano essenziali per evitare errori, interpretare correttamente i risultati e comunicare efficacemente i dati. In futuro, con lo sviluppo continuo dell'IA, il supporto di questi strumenti nella gestione e comunicazione dei dati diventerà sempre più rilevante, ma la chiave sarà sempre mantenere un equilibrio tra automazione e supervisione umana.
Dove sarò nelle prossime settimane
29 Ottobre 2024 webinar Makingscience: Black Friday e Peak Season. Come massimizzare i risultati grazie alla misurazione: incrementality, attribution e MMM.
11-12 Dicembre 2024 Search Marketing Connect
