L’intelligenza artificiale negli ultimi anni è un po’ sulla bocca di tutti. Onestamente anche a sproposito.
In realtà l’ambito dell’intelligenza artificiale è vastissimo e spesso tocca ambiti e oggetti che utilizziamo tutti i giorni.
Hai presente FaceApp? L’applicazione per smartphone che prende il tuo viso e lo trasforma nell’altro sesso?
Questa è intelligenza artificiale.
Oppure quando compri qualcosa su Amazon ed escono le scritte “di solito chi ha acquistato questo oggetto compra anche i seguenti prodotti”?
Beh, questi prodotti vengono consigliati da un algoritmo, che appartiene ad una branca dell’intelligenza artificiale.
Oppure quando giochi ai videogiochi e i nemici si muovono sullo schermo in base a come muovi il personaggio? Intelligenza artificiale pure questa. E non è certo comparsa l’altro ieri, ma è da decenni che si creano videogiochi.
A te imprenditore probabilmente non interessano le migliaia di applicazioni dell’intelligenza artificiale, ma solo quelle che possono avere un impatto significativo sulla tua azienda e sui suoi numeri.
Quindi parliamo solo di una branca dell’intelligenza artificiale: il machine learning.
Che cos’è il machine learning?
Il principale scopo del machine learning è capire le relazioni presenti tra i dati e fare previsioni sul futuro.
Riassumendo si può dire che funzioni così:
- Si raccolgono i dati e si danno in pasto al computer, utilizzando specifici algoritmi in base alla situazione in cui ci si trova ed al risultato che si vuole ottenere
- Il computer studia i dati, impara le relazioni tra di essi (se ci sono) e fornisce previsioni
Con gli algoritmi di Machine Learning puoi:
- Prevedere le vendite future in base alle variazioni di prezzo o alle variazioni di spesa in pubblicità
- Prevedere le vendite future guardando l’andamento del passato
- Capire e prevedere il tasso di abbandono dei tuoi clienti (fondamentale se hai un business online come un ecommerce o se fornisci servizi ad abbonamento)
- Capire quali sono i prodotti che più spesso vengono comprati assieme e capire quali consigliare ai tuoi clienti futuri
- E molto altro..
Fai già queste cose senza nemmeno toccare la tastiera del computer?
Sicuramente sull’ultimo punto avrai pensato “Ma io so già cosa acquistano più spesso i miei clienti e cosa vogliono”.
Sei proprio sicuro? Posso giurarti che quando parlo con imprenditori o negozianti e raccogliamo un po’ di numeri sulle vendite, le sensazioni sono quasi sempre molto distanti dalla realtà.
Purtroppo la nostra mente è fallace e si lascia ingannare da numerosi tranelli psicologici.
Vuoi un esempio su tutti? Se c’è un prodotto a catalogo che ami particolarmente, sovrastimerai le vendite e i profitti di quel prodotto.
In realtà ci potrebbero essere altri prodotti che vengono comprati più spesso, che tu credi contribuiscano poco ai tuoi guadagni, ma che sono il vero sostentamento del tuo business.
Affidarsi all’intelligenza artificiale evita molti di questi tranelli. Il computer non ha sentimenti e ti aiuta nel prendere fredde decisioni.
Che sono quelle importanti e utili per la tua azienda.
Alcuni esempi di aziende che usano algoritmi con successo: Tannico ed Amazon
Ormai di aziende che usano il machine learning ce ne sono centinaia, eppure per il 99% delle aziende italiane è ancora un mistero. Nonostante sia tutt’altro che complicato.
Un esempio di azienda che utilizza questi metodi è Tannico, l’ecommerce di vino che è appena stato acquistato da Campari al 49% per 23 milioni. Uno dei fondatori, Marco Magnocavallo, ha raccontato in un’intervista che loro utilizzano molto gli algoritmi di machine learning. Sia per la gestione del magazzino che per fornire consigli personalizzati ai clienti in base ai loro gusti.
Una domanda giustissima dell’intervistatore è stata “sicuramente avrai un magazzino infinito, come scegli quante bottiglie comprare e di quale vino?”
La risposta è stata semplice e diretta: “Abbiamo algoritmi di machine learning che, in base alla stagionalità e alle vendite del passato prevedono la domanda e gli ordini vengono fatti automaticamente”.
Ma anche Amazon è un’azienda che sfrutta molto l’intelligenza artificiale: soprattutto quando cercano prodotti da consigliarti durante l’acquisto.
Hai presente quando compare la classica frase “le persone hanno comprato anche questo?”.
Queste associazioni provengono da algoritmi che aiutano l’azienda a capire i gusti dei clienti e presentarti prodotti che potrebbero piacerti.
Sì, Amazon ti conosce e non poco!
Vediamo gli esempi più utili ed importanti di algoritmi da utilizzare in azienda
Ovviamente stiamo parlando di un ambito incredibilmente esteso.
Ci sono però alcuni algoritmi relativamente facili da applicare e utilizzabili qualsiasi azienda.
L’algoritmo di regressione lineare
Tramite questo algoritmo puoi:
- Capire quanto varia la quantità di prodotto venduto in seguito a una variazione del prezzo
- Fare previsioni sulle vendite in base alle decisioni di prezzo che hai intenzione di fare nel futuro
- Capire quanto potresti vendere in caso di un aumento nel budget di marketing
- Trovare relazioni tra variabili aziendali che pensavi neppure esistessero
Iniziamo quindi il viaggio nel machine learning partendo proprio da questo algoritmo.
Let’s go!
Come funziona un algoritmo di Regressione Lineare
Generalmente, se mettiamo in relazione ad esempio le spese di marketing e le vendite il grafico dovrebbe presentarsi più o meno così.
Sull’asse X si trova la nostra variabile indipendente, cioè il budget di pubblicità.
Si dice indipendente perchè il suo valore lo decidi tu, e non dipende da altri fattori.
Nell’asse Y si trovano le vendite, questa è la nostra variabile dipendente, perchè le vendite dovrebbero (si spera) dipendere da quanto si spende in pubblicità.
Qui si vede come all’aumentare del valore sull’asse X (quindi della pubblicità) corrisponda un aumento del valore sull’asse Y (le vendite).
In questo caso la frase “Più spendo, più vendo” sembra essere vera e le variabili si definiscono correlate positivamente.
Per un imprenditore o per un manager, già avere un’informazione di questo tipo può essere di vitale importanza.
Molte volte infatti si rischia di prendere decisioni credendo che una variabile possa influenzare l’altra, ma in realtà questo poi non è vero e i risultati sperati potrebbero non arrivare mai.
Hai presente quando vedi le pubblicità sulle TV locali di aziende medio/piccole della zona? Si spera (purtroppo quasi mai succede) che le aziende poi creino un grafico come quello sopra, per capire se la TV ha portato effettivamente ad un aumento delle vendite.
Purtroppo molto spesso non è così e i soldi finiscono per essere buttati inutilmente.
A questo punto ci si si inizia a porre domande come:
Quanto devo spendere in marketing per vendere di più?
La fatidica domanda di qualsiasi dirigente aziendale! se hai già lavorato nel marketing non puoi non averla già sentita, e magari l’hanno rivolta proprio a te!
Vediamo come cercare di rispondere introducendo la linea di regressione lineare
Come vedi nel grafico qui sopra c’è una retta a puntini che sembra “interpretare” abbastanza fedelmente l’andamento dei punti.
L’equazione di questa retta è Y = aX + b
dove:
Y = è la variabile dipendente, quindi le vendite
a = è un coefficiente che ti dice quanto Y aumenta all’aumentare di X. Se a è 0,05 vuol dire che se aumento di 1 Euro il budget marketing (cioè X), le vendite (Y) aumenteranno di circa 0,05 * 1 Euro = 0,05 Unità.
Nel grafico a è uguale a 0,0749. Questo significa che con 1 Euro in più di spesa in marketing le vendite aumentano di circa 0,08 unità.
Ecco la risposta! Adesso sappiamo che aumentando il budget ad esempio di 1000 Euro la quantità venduta dovrebbe aumentare di 0,08 * 1000 = 80.
Dico dovrebbe perchè in realtà non aumenterà mai esattamente in 80 unità, ma va considerata una percentuale di errore che può essere più o meno grande in base a quanto forte è la relazione tra le variabili.
Non c’è da preoccuparsi troppo comunque, in casi come questo in cui la retta è poco distante dai punti del grafico l’errore è decisamente basso.
E per calcolare l’elasticità del prezzo?
Alt! Se non sai cos’è l’elasticità del prezzo ti consiglio di leggere questo articolo in cui la descrivo in dettaglio.
Meglio rinfrescare il concetto in ogni caso. Con elasticità del prezzo si intende quanto varia la quantità venduta di un prodotto in base a una variazione di prezzo.
Prodotti con un’alta elasticità sono prodotti con una forte concorrenza. Al supermercato è pieno di prodotti perfettamente sostituibili uno con l’altro, in questo caso aumentare il prezzo potrebbe diminuire le vendite in favore del concorrente.
Al contrario prodotti inelastici sono quelli che vengono consumati comunque anche se il prezzo varia, un esempio su tutti è la benzina.
Il consumo di benzina infatti non varia esponenzialmente in base al prezzo.
Ma cosa c’entra la regressione lineare con l’elasticità del prezzo? Beh il concetto è esattamente come quello visto poco sopra.
Una variabile sarà il prezzo, e l’altra saranno le vendite. Se c’è una relazione tra le due sarà immediatamente visibile dal grafico.
Una situazione reale in un mercato concorrenziale dovrebbe essere estremamente simile al grafico qui sotto.
Per capire meglio questa retta, puoi immaginare che rappresenti un prodotto che hai in vendita da un bel po’ di tempo e che ha subito numerose variazioni di prezzo.
Quando è stato venduto a 170 euro le unità vendute sono state circa 30. Mentre quando il prezzo è calato fino a 120 Euro (magari a causa di offerte speciali) le unità vendute sono state circa 50.
Come predire la quantità venduta se si varia il prezzo
È arrivato il momento di fare previsioni del futuro che neanche Nostradamus nei tempi migliori.
È a questo punto che entra in gioco l’intelligenza artificiale.
Se si lascia fare la previsione all’algoritmo, come descrivo all’interno dell’articolo tutorial per la regressione lineare in Python, il risultato viene calcolato dal computer in automatico.
Il vantaggio enorme è che il computer può macinare una grande mole di dati e offrire in pochi secondi un alto numero di scenari possibili.
Ma se non ti interessa programmare, non c’è problema, basta carta e penna, o forse almeno Excel 🙂
Prendiamo l’equazione generata dal grafico qui sopra:
L’equazione, come si vede dal grafico. è Y = -0,7 * X + 147
Questo significa che:
– Al variare di una unità di X (cioè se aumento il prezzo di 1 Euro) la quantità venduta cala di circa 0,7 unità
Per prevedere quanto si venderà fissando un determinato prezzo basta semplicemente sostituire il prezzo nell’equazione, e il gioco è fatto.
Supponiamo tu voglia vendere questo prodotto a 115 Euro.
La quantità venduta (Y) sarà: Y = -0,7 * 115 + 147. Quindi 67 unità.
Come prima, non saranno mai esattamente 67 unità, ma ci sarà sempre un margine di errore.
L’importanza di prevedere i risultati anzichè sperare nel meglio dopo aver cambiato i prezzi
Probabilmente hai già capito quanto può essere potente avere uno strumento del genere all’interno della gestione commerciale della tua azienda.
Poter stimare la quantità venduta di un prodotto in base al prezzo e ai dati storici è una fortissima arma di marketing. Alcuni dei vantaggi che puoi avere sono:
– Prevedere l’aumento di fatturato in seguito ad uno sconto o a una promozione commerciale, per decidere se ne valga la pena oppure no
– Capire come reagiscono i clienti alle variazioni dei tuoi prezzi. Questo è particolarmente importante perchè se noti che all’aumentare del prezzo la quantità venduta cala drasticamente probabilmente operi in un mercato molto concorrenziale
– Al contrario, se punti a una strategia di aumento dei prezzi (come spiego nell’articolo dell’effetto prestigio) e vedi che all’aumento del prezzo il fatturato aumenta e la quantità venduta non cala così velocemente, probabilmente sei sulla strada giusta.
Se poi le cose dovessero andare per il verso sbagliato, l’algoritmo di regressione lineare potrà aiutarti nel prevedere i risultati di un eventuale cambio di strategia ancora prima di attuarlo.
Correlazione non è causalità!
Prima ho introdotto brevemente il concetto di correlazione. Se hai fatto statistica all’università, ma non l’hai mai digerita e alla terza formula volevi scappare, ti capisco perchè anche io l’ho odiata.
Eppure c’è un concetto semplicissimo ed utilissimo anche nella vita di tutti giorni, quello della correlazione tra variabili.
Prendiamo il primo grafico: vendite e marketing.
In questo caso all’aumentare di una, aumenta anche l’altra. Le due variabili si dicono correlate positivamente.
Al contrario nella situazione dei prezzi, all’aumentare dei prezzi diminuisce la quantità venduta. Le variabili quindi sono correlate negativamente.
Tutto qua, semplice no? Da questo concetto nasce anche il consiglio di diversificare il portafoglio degli investimenti.
Puoi capire infatti che se in portafoglio hai due titoli che si muovono uguali, quindi correlati positivamente, cioè che se sale uno anche l’altro sale. Quando le cose vanno bene, vanno bene per entrambi. Ma quando le cose vanno male vanno male per entrambi! E non avrai nessun cuscino di sicurezza.
Se pensi che domani ti basti entrare in ufficio e urlare al miracolo alla prima correlazione tra variabili, sappi che in realtà ci sono alcune trappole in cui si rischia facilmente di cadere.
Un esempio è credere che se due variabili sono molto correlate, allora poter agire su quella che chiamiamo variabile indipendente (come il prezzo) causerà necessariamente una variazione della variabile dipendente (la quantità).
Il problema è che due variabili possono essere correlate per numerosi motivi, anche completamente casuali, e non è detto che una necessariamente sia la causa delle variazioni dell’altra.
Guarda questo grafico:
In questo grafico si mostra come il consumo pro capite di formaggio sia fortemente correlato al numero di persone decedute strangolate dalle lenzuola del letto.
Non credo che la soluzione sia applicare dazi sul Grana Padano per impedire che la gente si soffochi a letto durante la notte giusto?:)
Ovviamente queste due variabili non c’entrano niente una con l’altra, ma una correlazione alta viene quasi sempre vista come un rapporto di causalità.
Il grafico sotto invece mostra come i punti segnati dalla squadra perdente del superbowl (un evento di Football americano) siano correlati con le morti per ragni velenosi (correlazione e decessi sembrano essere due temi amati in statistica)
Penso tu abbia compreso il concetto. Cadere in queste trappole è comune anche in ambiente aziendale, che tu lo creda o no.
Prendiamo un grafo ipotetico che mostri una relazione simile a quella tra prezzo e quantità che abbiamo visto all’inizio, ma con intervalli temporali mensili.
In questo caso quando il prezzo sale la quantità venduta scende e viceversa.
Supponiamo tu venda però un prodotto con una forte stagionalità mensile, cioè che ogni mese i clienti acquistino da te e dai tuoi concorrenti per abitudine in modo diverso spontaneamente
Un andamento ipotetico del valore totale del fatturato del mercato di ogni mese potrebbe essere questo, ti ricorda qualcosa?
Proviamo a metterlo assieme all’andamento della quantità venduta.
Come si vede dal grafico, è vero che al calare del prezzo aumenta la quantità acquistata, ma è anche vero che quando la stagionalità ha i suoi picchi o cala drasticamente (come nei periodi estivi) così fanno anche le vendite.
Cosa fa aumentare di più le vendite in questo caso, la stagionalità o la spesa in marketing? Beh possono essere entrambi i fattori oppure solo uno dei due.
Purtroppo non esiste una risposta definitiva a questa domanda, ma bisogna per forza fare dei test.
In ambito marketing un esempio di test potrebbe essere:
– Tenere il budget marketing fisso per alcuni mesi e vedere quanto varia la quantità, così da capire se effettivamente esiste una relazione tra uno e l’altro
– Oppure tenere i prezzi fissi e vedere come reagiscono i clienti, teoricamente non ci dovrebbero essere grosse variazioni. Nel caso ci fossero variazioni sensibili e queste avvenissero sempre negli stessi periodi, beh in questo caso probabilmente è la stagionalità a farla da padrone.
Ricapitoliamo brevemente..
Abbiamo visto:
– Come vedere le relazioni tra una variabile e l’altra, semplicemente creando un grafico con le due variabili, per capire se si muovono assieme
– “Prevedere il futuro” con un algoritmo di regressione lineare
Se ti sta interessando questo argomento, ma non sapresti da dove partire con i dati della tua azienda, non ti preoccupare! Se vuoi contattarmi per una consulenza puoi farlo tranquillamente:
1) Tramite questo modulo di contatto
2) Scrivendo un’ email a info@francescorettondini.it
2) Con un semplice messaggio whatsapp dalla pagina Smart Price (clicchi qui e poi premi il pulsante per avviare una chat di whatsapp)
Vuoi saperne di più sulle possibile implementazioni di intelligenza artificiale?
Se ti appassiona l’argomento clicca sul pulsante qui sotto e proseguiamo scoprendo come prevedere il futuro utilizzando i numeri del passato!
