Massimo Caliman
Massimo Caliman
1 min read

Modified

Categories

  • Data Science

Tags

  • Data Science

Languages

  • Italian

Lo scopo dell’analisi dei dati è quello di ridurre l’incertezza. Riducendo l’incertezza gli esseri umani possono prendere decisioni sagge. Nel mondo degli affari (e non solo), le decisioni informate sono basate sull’analisi di opportune attività che sono misurabili. Lo scopo di queste attività è quello di cercare di aumentare i ricavi, massimizzare la redditività e ridurre i rischi

Tutti siamo avversi all’incertezza.

Quando dobbiamo prendere una decisione, per quanto riguarda una particolare azione, se abbiamo la possibilità di prenderla con maggiore o minore incertezza,scegliamo di prenderla con minore incertezza.

Ovviamente nel mondo degli affari come nella vita, quasi tutte le più importanti decisioni devono comunque essere effettuate in condizioni di parziale incertezza.

Questo è normale, è la natura della vita e della leadership.

Anche se noi tutti vorremmo essere certi, accettando una parziale ignoranza, riconosciamo a noi stessi quanto non sappiamo, questa è una forma di consapevolezza che porta a migliorare il processo decisionale.

In realtà, l’incertezza è essenziale per evitare rischi eccessivi.

Sopravvalutare l’incertezza può portare a ritardi, in alcuni casi alla paralisi, mentre sottovalutare l’incertezza…beh…è decisamente più pericoloso.

l’incertezza va ridotta il più possibile

Come creature razionali dobbiamo sempre chiederci: l’attuale riduzione dell’incertezza è sufficienti per procedere in questo momento con una decisione? O dobbiamo aspettare e raccogliere più dati?

I metodi per quantificare l’incertezza sono ben definiti nella teoria dell’informazione.

Tali metodi esistono per essere applicati con rigore a problemi di inferenza attraverso il campo noto come analisi bayesiana.

Questi metodi di analisi dei dati sono stati in gran parte sviluppati da fisici, sulla base della definizione fondamentale di Claude Shannon dell’informazione.

Le idee di base possono essere fatte risalire al lavoro pionieristico di ET Jaynes, Phil Gregory, David Mackay e Devinderjit Sivia.

Il lavoro di questi pionieri è stato il fondamento per lo sviluppo dell’apprendimento automatico delle macchine (Machine Learning) e l’intelligenza artificiale (AI).

Le aziende più sofisticate, come Amazon e Google, stanno facendo machine learning come realizzazione pratica di questi metodi.

Il loro livello informativo è una delle ragioni per il loro spettacolare successo rispetto ai loro concorrenti che sono meno ben informati.