Il valore dell’intelligenza artificiale causale nel retail

L’intelligenza artificiale (AI) causale, o inferenza causale, è la nuova ed entusiasmante teoria di causa ed effetto, che consente alle aziende di comprendere e servire i clienti nel modo più efficace, efficiente e trasparente possibile.

Le relazioni di causa ed effetto sono ovunque intorno a noi. Quando succede qualcosa, che si tratti di una bottiglia che si rompe sul pavimento o di un razzo lanciato nello spazio, è perché uno o più fattori hanno causato quell’evento.

Anche nel retail i rapporti di causa ed effetto sono ovunque. Infatti, in questo ambito è comune porsi domande come:

• Perché un consumatore sceglie la marca A anziché la marca B?
• Perché le vendite di un prodotto sono diminuite?
• Qual è l’efficacia di un certo investimento in qualche iniziativa o campagna?

La causalità è da sempre un argomento centrale per filosofi e scienziati, e recentemente ci sono stati importanti progressi scientifici in questo campo. Infatti, oggigiorno disponiamo di strumenti scientifici in grado di portarci dalla mera correlazione statistica alla causalità, consentendoci di distinguere e misurare accuratamente gli effetti di cause diverse.

Nel retail, questo è fondamentale, in modo che le informazioni basate sui dati siano più accurate e portino alla azione. E l’intelligenza artificiale causale può farlo su larga scala, per problemi ampi e complessi del mondo reale, in modo robusto e trasparente.

Dalla correlazione alla causalità

Senza il giusto approccio, diventa molto facile trarre conclusioni sbagliate su causa ed effetto.

Un esempio noto è il seguente: uno studio ha trovato una correlazione tra il consumo di cioccolato e il numero di premi Nobel vinti pro capite per paese. Questo significa che mangiare più cioccolato aumenta le probabilità di vincere un Nobel? Ciò non sembra molto plausibile. In effetti, facendo un passo indietro per considerare altre variabili, ulteriori studi hanno scoperto che il reddito è una causa comune del consumo di cioccolato e delle vittorie Nobel:

• Un reddito pro capite elevato significa che le persone possono permettersi prelibatezze come il cioccolato e
• Significa anche che un paese genera più entrate, che possono poi essere investite nell’istruzione e nella ricerca, aumentando le probabilità di vincere il premio Nobel

Questa correlazione cioccolato-Nobel è un esempio di “correlazione spuria”: una relazione statistica tra due variabili, che non indica un collegamento causale tra una variabile e l’altra. Dando uno sguardo più ampio alla situazione, scopriamo che la correlazione è spiegata da qualcos’altro che sta accadendo (il reddito, in questo esempio).

Sfortunatamente, i metodi statistici, di data science e di machine learning comunemente utilizzati oggi sui Big Data possono solo restituirci delle correlazioni e non delle causalità, lasciandoci esposti a correlazioni spurie. È qui che entra in gioco l’approccio dell’inferenza causale.

IA causale per ottenere insight utili sul retail

Gli insight della scienza dei dati nel retail devono fornire una previsione accurata degli effetti causati dalle azioni, in modo che, sulla base di queste intuizioni, i decision maker possano scegliere l’azione giusta da intraprendere successivamente.

Ciò significa che le informazioni basate sulle correlazioni non saranno sufficienti: non vogliamo uno scenario in cui investiamo in qualcosa basato su una correlazione, solo per scoprire che era falso e che l’investimento era fuori luogo o sprecato.

Consideriamo un altro esempio: inviare coupon promozionali ai clienti esistenti di un prodotto (già fedeli). Possiamo trovare una forte relazione positiva tra la ricezione di coupon e gli acquisti futuri; quindi, potremmo considerare di investire di più in questa iniziativa di coupon. Tuttavia, la fedeltà è una causa comune sia della ricezione di un buono che dell’acquisto di un prodotto in futuro, indipendentemente dal fatto che il buono sia stato ricevuto. Il risultato contiene una correlazione spuria, poiché gli effetti del buono e della fedeltà precedente sono intrecciati insieme. Se ci basiamo sulla fedeltà, l'effetto del buono risulta molto più debole: questa iniziativa porta poche nuove entrate, poiché molte persone comprerebbero comunque il prodotto a causa della fedeltà preesistente. Quindi, dopotutto, investire di più in questa iniziativa potrebbe non valere la pena.

Più in generale, le domande che richiedono intuizioni predittive sugli effetti delle azioni sono onnipresenti nel retail e, indipendentemente da ciò che si vuole sapere, per rispondere accuratamente a una domanda causale, occorre utilizzare metodi causali.

La realtà è complessa: bisogna considerare molteplici fattori causali

Gli esempi del Nobel e del coupon erano semplici illustrazioni dell’approccio dell’inferenza causale. Per andare oltre le correlazioni, dobbiamo considerare il quadro più ampio dei vari fattori causali e delle relazioni sottostanti in gioco nel mondo reale, e tenerne adeguatamente conto.

Se volessimo comprendere l'impatto della pubblicità di un prodotto sulle sue vendite totali, ad esempio, esisterebbe una serie di variabili a cui potremmo adeguarci, come:

• il prodotto stesso (prezzo, qualità);
• la categoria del prodotto;
• i prodotti concorrenti;
• i retailer concorrenti;
• il periodo dell'anno ed eventi stagionali;
• lo stato dell'economia;
• le preferenze e comportamenti dei consumatori

Chiaramente, ci sono molti fattori da considerare qui. Dovremmo adattarci a tutti loro? Solo ad alcuni? Se sì, quali dovremmo includere? Quali dovremmo tralasciare? Si tratta di una questione critica e complessa. Fortunatamente, l’intelligenza artificiale causale fornisce la soluzione, poiché può determinare automaticamente il giusto insieme di variabili a cui adattarsi in un dato contesto.

Utilizzare l’intelligenza artificiale causale significa passare dalla tradizionale data science, che si basa interamente sulle correlazioni, a quella causale, in cui i tradizionali metodi di data science sono ancora presenti ma sono solo una fase del processo.

Tuttavia, lo sfruttamento di questi metodi causali avanzati presenta diverse complessità, per cui sono necessarie competenze ad hoc. E noi di dunnhumby stiamo lavorando attivamente per sfruttare l'intelligenza artificiale causale in un'ampia gamma di problemi nel retail.