Data science applicata

Cosa facciamo

Prevediamo quello che ti serve per pianificare. La domanda per il magazzino, il fatturato per il budget, la capacità di server o persone. Confrontiamo metodi semplici e metodi più complessi sul tuo storico e teniamo quello più preciso. Ricevi un intervallo con uno scenario basso e uno alto, e un controllo mensile rispetto a quello che è successo davvero.

Capiamo i tuoi clienti. Segmentazione basata su quello che i clienti fanno, non solo su chi sono. Analisi di churn e retention per coorte, per vedere se i clienti più recenti restano più a lungo di quelli vecchi e cosa hanno in comune quelli che se ne vanno. Il risultato è un breve elenco di evidenze su cui i tuoi team possono agire, con le query che ci stanno dietro.

Esperimenti di cui ti puoi fidare. Ti aiutiamo a progettare gli A/B test prima che partano: la metrica, la dimensione del campione, l’effetto minimo che vale la pena rilevare e la durata. Poi leggiamo i risultati con una statistica onesta, anche quando la risposta è “nessuna differenza misurabile”. Un test che ti dice che non è cambiato niente è comunque utile.

Mettiamo i modelli in produzione, e li teniamo d’occhio. Quando un modello batte chiaramente un buon grafico o una regola semplice, lo rilasciamo come si deve: codice versionato, un job di scoring schedulato o via API, e monitoraggio del drift sui dati in ingresso e dell’accuratezza nel tempo. Un modello che peggiora in silenzio è peggio di nessun modello, quindi ha i suoi alert come qualsiasi altro servizio di produzione.

Ti diciamo quando non hai bisogno di noi. Tante domande vendute come data science sono in realtà un problema di reportistica: i dati ci sono, ma nessuno li ha messi in un posto solo o li ha definiti con chiarezza. In quel caso te lo diciamo e ti indirizziamo verso una dashboard o una query SQL. Costa meno, si fa prima ed è più facile da gestire per il tuo team.

Come lavoriamo di solito

Il primo passo di solito è il check-up dei dati di due settimane. Un modello vale quanto i dati da cui impara, quindi prima seguiamo gli input e troviamo dove si discostano, si duplicano o si perdono. A volte questo basta già a rispondere alla domanda di partenza.

Poi affrontiamo una domanda alla volta, ci mettiamo d’accordo su come misurare il successo e consegniamo l’analisi o il modello in due-quattro settimane. Il codice finisce nei tuoi repository, scritto perché il tuo team possa rilanciarlo ed estenderlo.