Il Data mining a supporto dei processi decisionali in azienda

Esistono due stili di DM: supervisionato e non supervisionato. Il DM supervisionato è un approccio top down, applicabile quando sappiamo cosa stiamo cercando, e assume spesso la forma di modelli previsionali (in cui è chiaro l’ obiettivo da prevedere).

I modelli DM supervisionato sono utilizzati quando si sa cosa cercare e si indirizzano gli sforzi del DM verso un obiettivo specifico. In genere si utilizzano dati già noti (possibili clienti futuri che hanno risposto positivamente o negativamente a una campagna d’ offerte) e si applicano le informazioni così ottenute a casi non noti (possibili clienti futuri che non sono stati ancora contattati).

Il modello è rappresentato da una scatola nera che vuol indicare che non interessano i meccanismi di funzionamento del modello ma ciò che conta è il risultato più preciso possibile. Si tratta dei cosiddetti modelli previsionali, in quanto generano previsioni su esempi non noti. In questi casi è fondamentale avere a disposizione una quantità sufficiente di dati in cui l’ esito sia già noto per preparare il modello.

Il DM non supervisionato è, invece, un approccio bottom up, vale a dire in cui si lascia che i dati stessi indichino un risultato: una volta individuati i modelli, dipende dall’utente stabilirne l’importanza.

Questo ha come obiettivo l’ individuazione di nuovi pattern, perché offrono nuovi punti di vista che a loro volta si possono rivelare molto utili. Questo approccio è simboleggiato da una scatola semitrasparente: infatti, a differenza del DM supervisionato, vogliamo sapere quali sono i meccanismi di funzionamento e il modo in cui viene generata una risposta.

L’ approccio non supervisionato spesso è applicato nella fase esplorativa. Diciamo, comunque che non si tratta di due approcci che si escludono a vicenda, anzi in molti casi è necessario ricorrere ad ambedue. Anche volendo costruire un modello previsionale vale sempre la pena cercare di individuare modelli e andamenti utilizzando tecniche non supervisionate. In questo modo infatti si possono individuare nuovi segmenti di clientela e trarne suggerimenti utili per migliorare i risultati dei modelli supervisionati.