Disponibile dall’inizio dell’autunno, Qlik AutoML è stato scelto da un numero crescente di organizzazioni di tutti i settori, con l’obiettivo di incrementare il proprio processo decisionale grazie alla potenza dell’analisi predittiva per il 90% dei casi d’uso che non richiedono la profonda competenza di data scientist professionisti.
Il Machine Learning viene utilizzato in tutti i settori, ma la sua più ampia adozione e il suo valore sono sempre stati limitati dal divario tra risorse necessaire e disponibilità effettive dei data scientist. Qlik AutoML colma questa lacuna offrendo agli utenti e ai team di analisi un modo semplice e privo di codice per sfruttare l’apprendimento automatico per impostare modelli, fare previsioni e pianificare decisioni sui casi d’uso attuali dell’analisi. Inoltre, grazie a Qlik Sense, i team di tutta l’organizzazione possono esplorare i dati predittivi e testare gli scenari “what-if” direttamente all’interno della piattaforma Qlik Sense, che può quindi attivare avvisi e automazioni per l’azione in tutta l’azienda.
Aziende come Chef Works, RevLocal e Bentley Systems stanno adottando Qlik AutoML con l’intento di prevedere meglio il turn over, migliorare l’efficienza, coinvolgere e fidelizzare i clienti lavorando sui risultati probabili e modificando le strategie in base alle previsioni.
Un altro esempio è Polygon Research, che mette l’actionable intelligence a disposizione del settore dei mutui ipotecari. Polygon utilizza Qlik AutoML per fare previsioni in aree come i rimborsi dei mutui, con l’obiettivo di supportare gli istituti di credito a intervenire in modo appropriato offrendo opzioni di rifinanziamento o di modifica dei mutui.
“È qui che AutoML mostra la sua potenzialità”, ha dichiarato Greg Oliven, CTO di Polygon Research. “Si può scendere fino ai singoli prestiti, osservare le percentuali su ogni singola variabile e poi analizzare la decisione cumulativa: questo mutuatario pagherà in anticipo o no? Qual è la previsione? E qual è la forza di questa previsione?“.
Inoltre, ci sono casi di utilizzo di AutoML comuni a tutti i reparti di un’organizzazione. Per esempio per gli utenti Sales (previsioni, rendimento e fidelizzazione), Marketing (customer lifetime value e previsione della domanda), Finance (gestione del rischio e ottimizzazione degli investimenti), HR (fidelizzazione, soddisfazione, reclutamento dei dipendenti) e Supply Chain (previsione delle scorte, dei possibili rallentamenti e ottimizzazione dei trasporti). Per ciascuno di loro è possibile trarre vantaggio da previsioni migliori che favoriscono un impegno proattivo.
“Le analytics moderne, se integrate con il machine learning, possono aiutare i decision maker a capire quello che probabilmente accadrà, perché è probabile che accada e, soprattutto, quali cambiamenti influenzeranno il risultato“, ha dichiarato Josh Good, Vice President, Product Marketing di Qlik. “Qlik AutoML consente alle aziende di ricavare più valore dai loro dati e a mettere i team di lavoro nelle condizione di valutare meglio la situazione attuale e le rispettive variabili prima di prendere decisioni che avranno un impatto sui risultati“.