Stefano Cazzella
Caccio's Blog Author

Last Tweet

Commenti

  • Azionifiat su Fiat Bravo Guerrilla Marketing
  • Amit su Business Intelligence Modeler (alpha version)
  • Stefano Cazzella su Dimensional Fact Model: dalla teoria alla pratica
  • Camillo su Dimensional Fact Model: dalla teoria alla pratica
  • Stefano Cazzella su Dimensional Fact Model

Tag Cloud

Archive for the ‘Analytics’ Category

Deep learning, what’s next?

Pubblicato il 03/08/2016 da Stefano Cazzella in Analytics

Quale sarà lo step evolutivo successivo al deep learning nella roadmap evolutiva delle tecniche di data analytics?

Con l’affermarsi in ambito industriale/commerciale delle tecniche di gestione ed analisi dei Big Data, i sistemi di apprendimento automatico di tipo cognitivo rappresentano la frontiera dell’innovazione e della ricerca applicata. Gli algoritmi e le tecnologie di deep learning rappresentano lo strumento attraverso cui tale ricerca viene condotta, con diverse applicazioni in contesti reali di business (e non solo) di oggi e di domani.

Ma i centri di ricerca più avanzati in tutto il mondo stanno già lavorando allo step evolutivo successivo, come ha avuto modo di ilustrare Riccardo Prodam durante l'evento di lancio del chapter romano di SingularityU tenutosi mercoledì scorso a Roma.

Riccardo Prodam @ SingularityU Rome

(continua…)

 

R vs Knime vs Azure Machine Learning

Pubblicato il 16/05/2016 da Stefano Cazzella in Analytics,Business Intelligence

I processi di digital transformation in atto in molti (tutti) settori di mercato stanno facendo crescere la febbre per il così detto “new oil”: i big data. Nell’ambito di tali processi di digitalizzazione svolge un ruolo sempre più centrale l’adozione di tecniche e tecnologie di machine learning per trasformare in business value la sempre crescente molte di dati a disposizione di imprese e istituzioni (argomento che merita maggiori approfondimenti; in tanto può valere la pena leggere questo best seller).

Prova ne è il proliferare di soluzioni di machine learning (molte offerte in modalità PaaS) che contribuiscono a “democratizzare” l’uso di tali tecnologie, ampliando la platea degli addetti ai lavori e aspiranti data scientist.

È quindi interessante mettere a confronto approcci tradizionali basati sull’utilizzo di ambienti di programmazione statistica come R (che richiede skill tecnici di tipo specialistico) con soluzioni di più immediato utilizzo, come Knime o Azure Machine Learning (la piattaforma cloud di ML targata Microsoft), che presentano una barriera all’ingresso decisamente inferiore (non fosse altro per gli ambienti visuali con cui si opera).

R Studio

R Studio

Knime

Knime

Azure Machine Learning Studio

Azure ML Studio

Seguono risultati del confronto

 

Customer profiling e digitalizzazione dei settori analogici

Pubblicato il 12/01/2015 da Stefano Cazzella in Analytics,Business Intelligence,Marketing,TV 2.0

La profilazione dei clienti, basata sulle scelte di consumo da essi effettuate, è ampiamente praticata da oltre un decennio in molteplici settori; lì dove è stato semplice associare i diversi eventi di consumo che si susseguono nel tempo ad un unico soggetto, è stato possibile ricostruire dei modelli di consumo che consentissero di ottimizzare ed innovare le strategie di business e le azioni di marketing.

Nel settore telefonico, ad esempio, l’identità dell’utente (il suo numero di telefono) è parte integrante del modello di business e tutte le compagnie tracciano le telefonate effettuate da ciascun utenza (se non fosse altro ai fini della fatturazione). Attraverso tali informazioni è possibile ricostruire un modello di consumo per ciascun utente che descriva il suo comportamento in maniera più precisa di quanto egli stesso sarebbe in grado di fare. Tali modelli vengono utilizzati (unitamente ad altre informazioni che descrivono il contesto del mercato) per progettare nuove offerte tariffarie, campagne di marketing e molto altro.

Un’altro settore in cui la profilazione dei consumi è stata applicata è quello della grande distribuzione. In questo caso per poter associare gli eventi di consumo ad un “utenza” sono state introdotte le “tessere fedeltà” (loyalty cards). Il meccanismo di accumulo di punti per ottenere sconti e/o premi ha reso abituale l’uso di tali cards attraverso cui è possibile mantenere la storia dei consumi di un nucleo familiare nel tempo. Tali informazioni vengono utilizzate per le previsioni di vendita dei diversi prodotti, l’ottimizzazione della loro disposizione nei diversi scaffali dello store e molto altro.

Vi sono settori in cui questi meccanismi non sono stati fino ad ora applicati/applicabili, sia per limiti tecnologici, sia per la difficoltà nell’individuare una personalizzazione del servizio offerto e probabilmente per altri motivi. Alcuni esempi sono rappresentati dal settore televisivo (dove l’Auditel, sotto questo aspetto, è assimilabile ad un sondaggio), dalla vendita al dettaglio (dove l’esperienza delle loyalty cards non è facilmente replicabile), dalla guida di autoveicoli.

Proprio in questi settori, la progressiva digitalizzazione del mercato sta ridisegnando i modelli di business anche intorno alla possibilità di profilare i consumatori al fine di offrire servizi/prodotti personalizzati, modelli di pricing competitivi, ottimizzare i processi di produzione, ecc.

(continua…)

 

Visualizing communities in dynamic networks

Pubblicato il 20/10/2013 da Stefano Cazzella in Analytics,Business Intelligence

Con il solito gruppo di amici abbiamo fatto qualche esperimento con le streaming api di Twitter per realizzare real-time analytics, utilizzando tecnologie on-the-edge quali MongoDB, Redis, Node.js, vari framework come Socket.IO o Bootstrap per creare single page application, l’immancabile R, d3.js e vari altri.

Il target dell’analisi erano le conversazioni generate su Twitter durante i talk show televisivi. Fra le questioni da affrontare è emersa la necessità di visualizzare in modo sintetico, immediato e dinamico i diversi gruppi di utenti/telespettatori che si aggregano intorno a temi comuni di discussione.

La soluzione individuata prevede di rappresentare graficamente ogni gruppo come un insieme di keyword (i principali temi discussi che caratterizzano la community) con ampiezza proporzionale al numero di utenti coinvolti nell’intervallo temporale di osservazione (numero riportato anche in alto, sopra le keyword).

La versione animata realizzata con D3.js non è supportata da Internet Explorer