Il curioso caso dei paradossi nell’analisi aziendale
I paradossi popolano tutti i tipi di applicazioni matematiche comuni e complesse, tra cui analisi di business, apprendimento automatico, modellazione econometrica, reporting statistico e processi di sviluppo strategico e inferenziale aziendale.
“Tutte le generalizzazioni sono false, compresa questa”, ha scritto Mark Twain. La mente umana ha la meta capacità di aggiogare due pensieri contraddittori per far nascere un paradosso. Ad esempio, semplici attività sulle macchine richiedono più calcoli. I computer possono superare in astuzia i grandi maestri di scacchi, ma non riescono comunque a svolgere compiti umani banali. Il paradosso di Moravec è tutto questo. “Il pensiero astratto, però, è un nuovo trucco, forse vecchio di meno di 100mila anni. Non l’abbiamo ancora imparato. Non è tutto così intrinsecamente difficile; sembra proprio così quando lo facciamo ”, ha osservato Moravec.
Al MLDS 2021, David Hauser, Chief Science Officer di Genpact, ha offerto una nuova prospettiva sui paradossi. Nella sua conferenza, intitolata “Paradoxes and Unexpected Counter-Intuition in Business Analytics and Mathematics” , ha offerto al pubblico un’anteprima di come il processo decisionale aziendale può essere fortemente influenzato dal pensiero controintuitivo.
Paradossi, analisi aziendale e matematica
Quando si tratta di paradossi, tendiamo a perdere gli alberi per la foresta. Più paradossi ci sono, minori sono le possibilità che vengano notati. E se vengono notati, la loro influenza sul risultato viene ignorata.
I paradossi popolano tutti i tipi di applicazioni matematiche comuni e complesse, tra cui analisi di business, apprendimento automatico, modellazione econometrica, reporting statistico e processi di sviluppo strategico e inferenziale aziendale. Alcuni paradossi sono comici, mentre altri sono strani e pochi altri sono altamente controintuitivi. Eppure tutti hanno enormi implicazioni. E in alcuni (molti) contesti, i paradossi possono portare a risultati diametralmente opposti rispetto a quanto previsto.
Più un modello è sofisticato e realistico, più diventa una scatola nera. “
-Il paradosso di Bonini
Man mano che un sistema complesso cresce in raffinatezza e completezza, meno diventa comprensibile. Man mano che un modello diventa più realistico, diventa più difficile da capire. I clienti vogliono che il modello sia comprensibile e realistico. Quindi, ecco un paradosso con cui un data scientist deve convivere. Hauser ha anche sottolineato come rendere intuitive le soluzioni significhi rinunciare alla precisione (es .: sfoltire la rete). Nel momento in cui introduciamo non linearità o interazioni, le risposte diventano meno intuitive. Le decisioni aziendali consistono nel fare le scelte giuste. Ma viviamo in un mondo di abbondanza. Ci sono così tanti strumenti e servizi tra cui scegliere. Su linee simili, il paradosso di Fredkin afferma che più due alternative sembrano simili, più è difficile scegliere e maggiore è il tempo / impegno richiesto per decidere. Hauser ha presentato al pubblico due scenari:
dove due variabili sono altamente correlate in un modello
molte variabili esplicative sono altamente correlate in un modello
Se il paradosso di Fredkin non viene affrontato, l’organizzazione guarderebbe a un potenziale “rimorso dell’acquirente” poiché più tempo viene sprecato in decisioni prive di significato e differenze non importanti diventano più critiche.
Nell’intelligenza artificiale, più facile è il compito, maggiore è lo sforzo computazionale richiesto. Un’azienda che cerca di implementare l’IA di solito raccoglie progetti complessi che lavorano per obiettivi più semplici. Ad esempio, i motori di ricerca AI, le auto senza conducente sono compiti complessi, mentre la corrispondenza di set di dati disparati e il rilevamento dei valori anomali in tempo reale sono il tipo facile. Un’altra premessa di un processo decisionale inadeguato nell’analisi aziendale è il problema dell’eccessiva fiducia in se stessi:
Troppo sicuro di sé che alcune funzionalità siano sbagliate.
Troppo sicuro di sé che alcune funzionalità siano corrette.
“C’è più vantaggio nell’investire nel servizio clienti che nella riduzione del rischio di fallimento.”
In entrambi i casi, il data scientist rischia di perdere molte informazioni. A volte domini diversi possono presentarsi aperti con variabili quasi identiche. Questo è il motivo per cui Hauser sottolinea l’importanza di catturare perfettamente la matematica sottostante dell’analisi aziendale. Hauser ha anche sostenuto la necessità di mettere in discussione oggettivamente e sfidare ipotesi sui dati. “C’è bisogno di Analytic Literacy”, afferma Hauser. Alla fine tutto si riduce a una cosa: l’implementazione. Alcuni modelli ML potrebbero sembrare fantastici per un team di data scientist, ma i risultati di un modello sub standard potrebbero impressionare il cliente e questo è tutto ciò di cui si avrebbe bisogno; questa è la soluzione paradosso!
