Se fino a qualche anno fa gli algoritmi previsionali erano focalizzati in campi specifici per lo più scientifici, con il successo degli algoritmi alla base del funzionamento di Google molto è cambiato. L'algoritmo alla base del gigante di Mountain View, oltre a funzionare egregiamente, ha dimostrato ad addetti ai lavori e ai profani che formule matematiche complesse possono essere molto utili per intepretare la realtà che ci circonda e contribuire attivamente nella soluzione di problematiche di svariata natura.
Tra i principali beneficiari, si pensi in primis al marketing che in pochi anni ha praticamente cambiato gran parte della proprio DNA originale.
Oggi non si opera più su -gruppi target- ma a livello di singolo utente. Il tutto grazie all'incredibile quantità di dati da interpretare messa a disposizione da internet attraverso cookie, tracker, super-cookie e geolocation. Una delle ultime "nuove" frontiere è in corso di sperimentazione finale da parte di Amazon.com. La società di Seattle ha sviluppato un algoritmo in grado di mostrare graficamente, attraverso alcuni semplici comandi grafici gestibili anche da non esperti, le abitudini dei propri clienti basandosi sui dati storici dei precedenti acquisti. Partendo da questi dati, l'algoritmo genera delle "previsioni" sull'andamento delle sequenze dei dati analizzati.
In altre parole, partendo dai dati storici delle precedenti vendite on-line di un determinato bene in un'area geografica (ad es.
città), l'algoritmo è in grado di prevedere quanti esemplari di quel bene saranno comprati nel corso dell'anno successivo. Il tutto ad un costo molto basso se si pensa che, da quanto riportato dal Wall Street Journal, si pagherà 10 (dieci) centesimi di dollaro statunitense ogni 1.000 (mille) previsioni utilizzate.
Al di là da ogni possibile ipotesi sulla composizione del paniere completo dei parametri (probabilmente anche sociali, politici ed economici) che l'algoritmo terrà in considerazione, dal punto di vista tecnico-informatico le chiavi di volta del sistema previsionale sembrano essere principalmente due.
La prima è relativa alla capacità di "autoapprendimento" dell'algoritmo stesso che, sulla base dei dati storici delle precedenti vendite on-line e della corrispondenza tra i propri precedenti risultati previsionali e la realtà dei risultati reali delle vendite on-line, è in grado di autoraffinare i propri calcoli migliorandone costantemente l'esattezza.
La seconda chiave di volta è determinata dalla capacità dell'algoritmo di calcolare le probabilità che un determinato utente, (ben) profilato e (ben) localizzato geograficamente (anche se tecnicamente anonimo), "clicchi" sopra un determinato bene e di stabilire anticipatamente a quanto ammontino la possibilità che l'acquisto si concluda realmente. Questo tipo di previsioni di acquisto, al momento incentrate sui beni di consumo del settore "moda" (principalmente scarpe e abbigliamento), è destinato ad assumere un ruolo sempre più strategico nel marketing delle aziende (anche piccole se si considera i bassi costi di acquisizione delle previsioni generate) qualora si dimostrassero veramente attendibili anche in serie storica.
Va infatti considerato che in questo ultimo caso le aziende non solo potranno conoscere in anticipo quali prodotti maggiormente promuovere con migliori possibilità successo presso i consumatori ma anche adattare di conseguenza la produzione con un indiscutibile potenziale abbattimento dei costi e un miglioramento in termini di efficienza della produzione.
Certamente non si può ancora parlare di "intelligenza artificiale" ma il grado di raffinatezza della formula alla base di questo algoritmo, -qualora nel tempo se ne dimostri un'affidabilità concreta- è tale da far pensare che un ulteriore passo in avanti in questa direzione sia stato fatto.
