Disponibile dall’inizio dell’autunno, Qlik AutoML è una piattaforma di machine learning automatizzato e no code per i team di analisi dei dati.
Lo strumento, afferma la società sviluppatrice, 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 – sottolinea Qlik – viene utilizzato in tutti i settori, ma la sua più ampia adozione e il suo valore sono sempre stati limitati dal divario tra risorse necessarie 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 incredibile potenzialità. 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?“, ha dichiarato Greg Oliven, CTO di Polygon Research.
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.
Josh Good, Vice President, Product Marketing di Qlik, ha dichiarato: “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.
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“.
