Modello computazionale

Esponiamo ora il modello di funzionamento di AKIM nella sua forma più semplice ed essenziale.

Un predittore è un algoritmo che elabora un campione del dataset di clienti e crea una ipotesi. Una ipotesi contiene una regola per selezionare i clienti più promettenti. La forma concreta di una ipotesi può essere una query, un algoritmo di ranking (che induce un ordinamento parziale) o di scoring (che induce un ordinamento totale). Congiunta- mente ala regola di selezione dei clienti ce n’è un’altra per la selezione del catalogo di prodotti da proporre a ciascun cliente selezionato. Nel quadro teorico del capitolo 3, una ipotesi è un generatore di soluzioni candidate di un segmentation problem.

La sperimentazione di una ipotesi consiste nell’usarla per guidare una parte di una cam- pagna. Nell’esempio del telemarketing, si usa l’ipotesi per generare una serie di coppie

cliente-prodotto, ogni cliente viene chiamato automaticamente e “passato in cuffia” all’operatrice che sul monitor vede i dati del cliente e anche il prodotto da proporgli. La sperimentazione viene applicata a un campione che sia:

1. abbastanza grande da essere statisticamente significativo e consentire sia test stati- stici affidabili che efficace apprendimento automatico;

2. abbastanza piccolo da non sprecare troppo tempo su ipotesi inefficaci e da non “bru- ciare” troppi clienti con approcci sbagliati.

Trovare il trade-off tra le due esigenze e quindi la giusta dimensione è di per sé un com- pito complesso, che ricorda le tecniche di pianificazione degli esperimenti nella statisti- ca classica.

Sulla base degli esiti della sperimentazione si determina la performance del predittore. Il concetto di performance può essere secondo le applicazioni specifiche di tipo econo- mico (profitti delle vendite, costi dei contatti) o conoscitivo (conferma che l’ipotesi formulata dal predittore era giusta).

Al predittore è dunque associata una performance relativa a quella sperimentazione. A questo punto entra in gioco il processo di apprendimento guidato da evoluzione compe- titiva.

Nel sistema coesistono coesistono vari tipi di predittori: algoritmi di regressione, classi- ficatori bayesiani, reti neurali e così via. Per ogni tipo di predittore possono essere con- temporaneamente presenti varie istanza, che si distinguono per la scelta di certi parame- tri, come il vettore di pesi da attribuire agli attributi del cliente oppure al matrice di in- cidenza degli archi sui nodi di una rete.

Un motore di evoluzione competitiva si comporta secondo la logica della programma- zione evolutiva e degli algoritmi genetici:

3. sperimenta un certo insieme di predittori (intesi come istanze);

ƒ

registra la performance di ciascuno nel risolvere il problema di formulare ipotesi corrette sul comportamento dei clienti;

ƒ

con l’operatore di selezione sceglie i predittori con la migliore performance

ƒ

con gli operatori di incrocio e mutazione genera una nuova popolazione di preditto- ri.

Iterando il ciclo c’è la possibilità che le popolazioni di predittori siano sempre più abili nel risolvere il problema di segmentazione. Come per gli algoritmi genetici, la conver- genza verso soluzioni ottimali o quasi ottimali non è affatto garantita, problema che AKIM condivide con tutti i modelli ispirati a queste logiche di ottimizzazione.

Questo modello è stato sperimentato dapprima in modo artigianale e “manuale” nel con- testo della campagna di telemarketing di cui si è detto. In quel caso il ruolo del motore di apprendimento era svolto da esseri umani, per indagare le sue implicazioni teoriche, implementative e applicative.

Essendo i risultati promettenti, in un progetto di ricerca parzialmente finanziato si è rea- lizzato un sistema prototipale che poi è stato sperimentato su dataset sintetici creati con appositi generatori. I risultati hanno mostrato una incoraggiante capacità di AKIM di apprendere pattern nascosti nei dati, introdotti volutamente dagli sperimentatori. L’interesse della sperimentazione non stava tanto nella raffinatezza o originalità delle scoperte, pure alcune non banali, quanto nel processo autonomico che riusciva a costrui- re predittori più abili in modo non supervisionato.

L’uso di dataset sintetici anziché reali è stato imposto dalla delicatezza di una campagna di telemarketing, poiché un comportamento errato o anomalo del sistema avrebbe potuto provocare danni economici enormi. È ora in corso un ulteriore progetto di ricerca indu- striale per raffinare il sistema e applicarlo a reali campagne di direct mailing, nelle quali i rischi della sperimentazione sono invece controllabili.

I metodi usati per realizzare il processo di apprendimento sono molto interessanti sotto il profilo scientifico e tecnologico ma che non riguardano direttamente questo lavoro. Invece è interessante notare che la valutazione della performance in AKIM segue un approccio microeconomico come quello descritto nel capitolo 4 e che l’ottimizzazione dei predittori ha anche degli aspetti simili a quelli descritti nello stesso capitolo 4 discu- tendo dei modi per ottimizzare il processo analitico-decisionale. La performance richie-

sta a un predittore usato in campagne di vendita telefonica dipende dalla sua utilità in senso economico più che dalla sua correttezza conoscitiva, o per meglio dire la corret- tezza è strumentale alla utilità, che costituisce la vera funzione obiettivo da ottimizza- re.Un aspetto interessante anche sotto il profilo teorico è che la funzione basilare di A- KIM non è la segmentazione in senso classico, perché non opera solo sui clienti, e non è neanche la recommendation in senso classico, perché non sceglie il prodotto migliore per un cliente assegnato. Invece questa funzione è l’esplorazione dello spazio di ricerca delle decisioni, intese come accoppiamenti di cataloghi a segmenti di clienti, per otti- mizzare l’utilità mediante euristiche non predefinite ma apprese autonomamente.

Bibliografia

Adamson C., Venerable M. [1998] Data Warehouse Design Solutions John Wiley & Sons

Alon N., Sudakov B. [1999] On Two Segmentation Problems Journal of Algorithms 33:173--184 Amram M., Kulatilaka N. [2000]

Real options. Strategie di investimento in un mondo dominato dall’incertezza Etas ed.

Barney J.B. [1991]

Firm Resources and Sustained Competitive Advantage Journal of Management 17: 99-120

Blattberg R., Deighton J. [1996]

Manage Marketing by Customer Equity Test Harvard Business Review July-August

Blattberg R., Getz G., Jacquelyn Thomas J. [2001] Customer Equity

Harvard Business Press Costabile M. [2001] Il capitale relazionale Mc Graw-Hill ed. Costabile M. [2003]

Il capitale relazionale negli ambienti digitali

in W.G.Scott (a cura di) Il management dell'impresa nell'economia digitale Il Sole 24 Ore ed.

Ford D. [1980]

The Development of Buyer-Seller Relationships European Journal of Marketing, vol. 14

Ford D., Gadde L., Hakansson H., Lundgren A., Snehota I., Turnbull P., Wilson D. [1998]

Managing Business Relationships Wiley ed.

Han J.W., Kamber M. [2001]

Data Mining: Concepts and Techniques Morgan Kaufmann Publishers

Kimball R., Ross M. [2002]

The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling John Wiley & Sons ed.

Kleinberg J., Papadimitriou C., Raghavan P. [1998] A Microeconomic View of Data Mining

Journal of Data Mining and Knowledge Discovery 2, 4, 311–324. Kleinberg J., Papadimitriou C., Raghavan P. [2004]

Segmentation Problems

Journal of the ACM, 51: 2, 263-280 Livingston, G.R. [2000]

A Framework for Autonomously Performing Knowledge Discovery in Databases PhD Thesis, University of Pittsburgh

Livingston, G. R., Rosenberg, J. M., Buchanan, B. G. [2001a]

Closing the Loop: An Agenda- and Justification-Based Framework for Selecting the Next Discovery Task to Perform

Proceedings of the 2001 IEEE International Conference on Data Mining, San Jose, CA. IEEE Computer Society Press.

Livingston, G. R., Rosenberg, J. M., Buchanan, B. G. [2001b] Closing the Loop: Heuristics for Autonomous Discovery

Proceedings of the 2001 IEEE International Conference on Data Mining, San Jose, CA. IEEE Computer Society Press.

Marzo G., Turatto R. [2003] Alle radici del valore

TPoint, vol. 3/2003 Pels J. [1992]

Identification and Management of Key Clients European Journal of Marketing, 5: 5-20 Peteraf M. [1993]

The Cornerstones of Competitive Advantage: A Resource-Based View Strategic Management Journal 14: 179-191.

Rust R., Lemon K., Zeithaml V. [2001]

Driving Customer Equity: Linking Customer Lifetime Value to Strategic marketing De- cisions

Report 01-108 Marketing Science Institute Working Paper Series Valdani E. [2000]

L’impresa pro-attiva McGraw-Hill ed.

Wayland R., Cole P. [1997] Customer Connections

Harvard Business School Press Wilson D. [1995]

An Integrated Model of Buyer-Seller Relationship Journal of the Academy of Marketing Science, vol. 4

Nel documento Business intelligence nell'impresa proattiva (pagine 123-130)