{"id":3505,"date":"2025-10-23T07:39:58","date_gmt":"2025-10-23T07:39:58","guid":{"rendered":"https:\/\/eccellenzedimpresa.it\/magazine\/autodeterminazione-la-vera-chiave-per-liberare-il-potenziale-dei-dipendenti-copy\/"},"modified":"2026-04-21T10:00:04","modified_gmt":"2026-04-21T10:00:04","slug":"autodeterminazione-la-vera-chiave-per-liberare-il-potenziale-dei-dipendenti-copy","status":"publish","type":"cp_magazine","link":"https:\/\/eccellenzedimpresa.it\/cn\/magazine\/autodeterminazione-la-vera-chiave-per-liberare-il-potenziale-dei-dipendenti-copy\/","title":{"rendered":"Causal Machine Learning: la nuova frontiera del decision-making aziendale"},"content":{"rendered":"\n

Scoprire il nesso causa-effetto: le strategie per migliorare il processo decisionale e fare previsioni pi\u00f9 accurate<\/strong><\/h2>\n\n\n\n
<\/div>\n\n\n\n

Pubblicato su Mit Sloan Management Review Italia, Maggio\/Giugno\/Luglio 2025.<\/p>\n\n\n\n

<\/div>\n\n\n\n

L\u2019apprendimento automatico<\/strong> \u00e8 oggi ampiamente utilizzato per guidare le decisioni <\/strong>nei processi in cui \u00e8 sufficiente misurare la probabilit\u00e0 di un risultato specifico, per esempio, se un cliente rimborser\u00e0 un prestito. Tuttavia, poich\u00e9 la tecnologia, nella sua applicazione tradizionale, si basa su correlazioni per fare previsioni, le intuizioni che offre ai manager, nel migliore dei casi sono imperfette, quando si tratta di anticipare l\u2019impatto di scelte diverse sui risultati aziendali (Feuerriegel et al.<\/em>, 2022a).<\/strong><\/p>\n\n\n\n

Consideriamo i dirigenti di una grande azienda che devono decidere quanto investire in Ricerca & Sviluppo (R&S) nel prossimo anno. Utilizzando il metodo di analisi Machine Learning (ML)<\/strong> tradizionale, possono chiedersi cosa accadr\u00e0 quando aumenteranno la spesa. Potrebbero trovare una forte correlazione tra livelli di investimento pi\u00f9 elevati e ricavi pi\u00f9 alti quando l\u2019economia \u00e8 in crescita. E potrebbero concludere che, dal momento che le condizioni economiche sono favorevoli, dovrebbero aumentare il budget per la R&S.<\/p>\n\n\n\n

Ma dovrebbero davvero? E se s\u00ec, di quanto? Anche i fattori esterni, come i livelli di spesa dei consumatori, le ricadute tecnologiche dei concorrenti e i tassi di interesse influenzano la crescita dei ricavi. Confrontare il modo in cui diversi livelli di investimento potrebbero influire sui ricavi, tenendo conto di queste altre variabili, \u00e8 utile per il manager che cerca di determinare il budget per la R&S che porter\u00e0 i maggiori benefici all\u2019azienda.<\/p>\n\n\n\n

Il Causal ML, un\u2019area emergente dell\u2019apprendimento automatico,<\/strong> pu\u00f2 aiutare a rispondere a queste domande what if<\/em> <\/strong>attraverso l\u2019inferenza causale. Analogamente a come i marketer utilizzano i test A\/B per dedurre quale tra due annunci pubblicitari \u00e8 in grado di generare pi\u00f9 vendite, il Causal ML pu\u00f2 informare su cosa potrebbe accadere se i manager dovessero intraprendere una particolare azione<\/strong> (Feuerriegel et al.<\/em>, 2022b).<\/strong><\/p>\n\n\n\n

Questo rende la tecnologia utile in molte<\/strong> delle stesse funzioni aziendali che utilizzano il ML tradizionale,<\/strong> tra cui lo sviluppo del prodotto, la produzione, la finanza, le Risorse Umane e il marketing (von Zahn et al.<\/em>, 2024). Il ML tradizionale <\/strong>\u00e8 ancora l\u2019approccio ideale <\/strong>quando l\u2019unico obiettivo \u00e8 quello di fare previsioni,<\/strong> come per esempio se i prezzi delle azioni aumenteranno o quali prodotti i clienti acquisteranno con maggiore probabilit\u00e0. Quando un\u2019azienda vuole prevedere<\/strong> cosa accadrebbe se prendesse una decisione rispetto a un\u2019altra, per esempio se \u00e8 pi\u00f9 probabile che uno sconto del 10% o nessuno induca un cliente a ripetere l\u2019acquisto, ha bisogno di un ML causale.<\/strong><\/p>\n\n\n\n

La nostra ricerca sull\u2019apprendimento automatico e sull\u2019AI e la nostra esperienza nell\u2019aiutare le aziende ad applicare il ML causale indicano un percorso per utilizzare con successo questa tecnologia<\/strong> (Box La ricerca). Le aziende avranno bisogno anche delle giuste competenze<\/strong> e dovranno aumentare l\u2019alfabetizzazione dei dipendenti in materia di ML causale.<\/strong><\/p>\n\n\n\n

<\/div>\n\n\n\n

Cosa pu\u00f2 e non pu\u00f2 fare il ML causale<\/strong><\/p>\n\n\n\n

Il ML causale \u00e8 uno strumento potente, ma i manager potrebbero trovare il nome fuorviante. L\u2019etichetta \u2018previsione controfattuale\u2019<\/strong> rifletterebbe pi\u00f9 accuratamente ci\u00f2 che fa: prevedere i risultati sulla base di azioni ipotetiche. <\/strong>La tecnologia \u00e8 meglio compresa come un modo per fare ipotesi migliori piuttosto che come una fonte di risposte definitive. Inquadrandola in questo modo, si pu\u00f2 ricordare ai manager di non sovrainterpretare i risultati.<\/strong><\/p>\n\n\n\n

Lo fa utilizzando l\u2019inferenza causale,<\/strong> che esamina i risultati passati per comprendere le relazioni di causa-effetto tra le variabili. Invece di concentrarsi sul motivo per cui qualcosa \u00e8 accaduto, il Causal ML applica queste relazioni per prevedere gli effetti degli interventi in contesti nuovi e orientati al futuro.<\/strong><\/p>\n\n\n\n

Tuttavia, il metodo non \u00e8 in grado di spiegare perch\u00e9 esista una relazione causale tra un particolare fattore e il risultato su cui influisce. Per esempio, un modello di Causal ML potrebbe prevedere che la riduzione di un budget per la R&S faccia diminuire le entrate, ma non spiegherebbe perch\u00e9 esiste questa relazione o se i fattori confondenti \u2013 che influenzano sia la decisione sia il risultato \u2013 potrebbero cambiare e invalidare la previsione. I manager dovrebbero utilizzare la loro esperienza<\/strong> nel settore per valutare se una determinata previsione ha senso. Questo approccio aiuta a garantire che le previsioni del modello siano interpretate correttamente e rimangano rilevanti per le decisioni del mondo reale. Come il Machine Learning tradizionale, il Causal ML \u00e8 pi\u00f9 efficace quando i manager dispongono di grandi volumi di dati,<\/strong> le opzioni sono chiaramente definite e il risultato desiderato \u00e8 ben compreso.<\/strong> In genere non \u00e8 adatto a decisioni una tantum<\/em> e a scenari che richiedono intuizione o creativit\u00e0.<\/p>\n\n\n\n

<\/div>\n\n\n\n

Scegliere il problema e i dati giusti<\/strong><\/p>\n\n\n\n

Il Causal ML \u00e8 pi\u00f9 adatto a prevedere gli esiti di decisioni semplici <\/strong>che sono supportate da ampi dati storici provenienti da fonti interne ed esterne. Le domande sulle operazioni possono essere buone candidate per l\u2019approccio, perch\u00e9 sono prese frequentemente e le aziende hanno molti dati a supporto (von Krogh, Ben-Menahem e Shrestha, 2021). Di seguito sono riportati alcuni esempi di utilizzo del Causal ML in questo contesto:<\/p>\n\n\n\n

    \n
  • Booking.com raccoglie i dati di migliaia di prenotazioni alberghiere ogni ora. I marketer dell\u2019azienda utilizzano il metodo di analisi causale<\/strong> per determinare non solo se concedere sconti,<\/strong> ma anche quali clienti dovrebbero ottenerli.<\/strong><\/li>\n\n\n\n
  • Il produttore di cioccolato Lindt dispone di numerosi dati sulle condizioni ambientali, sulle attrezzature, sul confezionamento e su altri fattori che influenzano la qualit\u00e0 dei suoi tartufi, famosi in tutto il mondo. I responsabili della produzione utilizzano il Causal ML<\/strong> per aiutarli a mettere a punto parametri come la temperatura delle macchine<\/strong> e le configurazioni degli stampi<\/strong> per tartufi (ETH AI Center, 2023).<\/li>\n\n\n\n
  • Hitachi ABB Power Grids si \u00e8 affidata al metodo di Causal ML per ridurre i tassi di guasto nel suo processo di produzione di semiconduttori, utilizzando i dati sulle prestazioni delle macchine. \u00c8 riuscita a dimezzare la perdita di rendimento identificando la combinazione di macchine che produceva costantemente i chip di qualit\u00e0 migliore (Senoner, Netland e Feuerriegel, 2022).<\/li>\n<\/ul>\n\n\n\n

    Presso Novartis, i manager istruiti sulle capacit\u00e0 dei diversi tipi di ML sono stati in grado di identificare diverse attivit\u00e0 decisionali in cui la sostituzione di quello tradizionale con il Causal ML offriva vantaggi significativi. Avevano chiesto a un modello di ML tradizionale se l\u2019aumento del budget di marketing avrebbe aumentato le vendite, ma le sue previsioni non li aiutavano a decidere come allocare tale budget. Hanno deciso di utilizzare il Causal ML per valutare come diverse campagne promozionali avrebbero potuto influire sulle vendite future. Hanno utilizzato le previsioni per distribuire le risorse alle campagne che probabilmente sarebbero state pi\u00f9 efficaci.<\/p>\n\n\n\n

    Una decisione adatta al Causal ML pu\u00f2 essere espressa come un numero o una scelta binaria<\/strong> (per esempio, un importo di ricavi o un acquisto\/possesso). Pu\u00f2 anche essere formulata come una domanda su quale azione intraprendere: stanziare un budget di marketing di 10mila o 15mila dollari per il prossimo trimestre, oppure offrire uno sconto del 10% o nessuno su un prodotto (Wasserbacher e Spindler, 2022).<\/p>\n\n\n\n

    Inoltre, il metodo Causal ML non pu\u00f2 affrontare efficacemente tutti i potenziali casi d\u2019uso<\/strong>, anche se in apparenza sembra adatto a questo scopo. I confondenti<\/strong> \u2013 le variabili che influenzano sia l\u2019esito sia la decisione \u2013 introducono distorsioni che influenzano le previsioni<\/strong> e devono essere tenuti in considerazione. Possono essere difficili o impossibili da testare e influenzano l\u2019accuratezza delle previsioni. Se, per esempio, i dati sono disponibili solo per le vendite di prodotti durante una fase di crescita economica, le previsioni sulle vendite di prodotti durante una fase di contrazione saranno meno affidabili.<\/p>\n\n\n\n

    Quando i manager hanno determinato ci\u00f2 che vogliono decidere, identificato il modo in cui misureranno il risultato e affermato di avere dati sufficienti, possono iniziare a lavorare con i data scientist per assemblare e categorizzare i dati per costruire il loro modello di Causal ML. I leader aziendali e altre persone con conoscenze di dominio sono partner essenziali dei data scientist e degli esperti di ML nella costruzione di modelli di ML causale che forniscano risultati affidabili.<\/p>\n\n\n\n

    Per addestrare il modello a cogliere relazioni complesse di causa-effetto<\/strong> sono necessari i dati di almeno alcune decine, e idealmente centinaia o migliaia, di decisioni storiche. Con una quantit\u00e0 massiccia di dati,<\/strong> il modello pu\u00f2 scoprire connessioni tra variabili che potrebbero essere sconosciute ai manager o difficili da quantificare. Meno dati portano a previsioni meno accurate.<\/p>\n\n\n\n

    In linea di massima, il metodo di analisi causale richiede tre categorie di dati <\/strong>a cui si \u00e8 accennato in precedenza: decisioni, esiti e fattori confondenti. <\/strong>I dati sulle decisioni comprendono ci\u00f2 che i manager hanno fatto in passato, come i livelli di personale o i budget stabiliti, gli sconti offerti, gli investimenti effettuati o i processi modificati. I dati sui risultati possono includere qualsiasi risultato aziendale misurabile, come il volume delle vendite, la crescita dei ricavi, le metriche di qualit\u00e0 o la produttivit\u00e0.<\/p>\n\n\n\n

    I fattori confondenti possono provenire da fonti interne o esterne. Possono includere le condizioni economiche, la composizione della forza lavoro e il comportamento dei concorrenti, e possono variare a seconda della decisione da prendere. Per una decisione di marketing, il tipo di dispositivo utilizzato dai clienti pu\u00f2 essere un fattore di confondimento, perch\u00e9 chi possiede uno smartphone pi\u00f9 costoso pu\u00f2 tendere a spendere di pi\u00f9, indipendentemente dal fatto che risponda o meno a un incentivo.<\/p>\n\n\n\n

    Per esempio, la Neue Z\u00fcrcher Zeitung, un\u2019azienda mediatica internazionale che pubblica il quotidiano a maggiore tiratura della Svizzera, ha implementato il Causal ML per migliorare l\u2019efficacia delle decisioni di promozione dei contenuti da parte dei redattori. La variabile decisionale era la promozione di un articolo online su una delle due prime pagine che erano servite ai lettori. La variabile di risultato era un punteggio di performance che combinava il traffico del sito web, il coinvolgimento dei lettori e le sottoscrizioni di abbonamenti. I fattori di confondimento includevano fattori temporali (come l\u2019ora del giorno), caratteristiche del contenuto (come il formato dell\u2019articolo), indicatori di performance passati (inclusi i clic) e decisioni di promozione passate (incluso se l\u2019articolo era stato promosso altrove).<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Identificare i possibili fattori causali<\/strong><\/p>\n\n\n\n

    Una lezione preziosa del nostro lavoro \u00e8 stata l\u2019utilit\u00e0 di abbozzare un grafico causale <\/strong>su una lavagna che illustri le relazioni previste tra l\u2019esito, la decisione e i fattori confondenti all\u2019inizio del processo di sviluppo del modello. La conoscenza e l\u2019esperienza dei manager sono essenziali in questo caso, perch\u00e9 hanno preso ripetutamente decisioni e imparato ad anticipare certi risultati.<\/p>\n\n\n\n

    Il grafico causale indica agli scienziati dei dati (che dovrebbero essere esperti di inferenza causale) se trattare una variabile come causa o come effetto nel modello. <\/strong>In questo modo, il team pu\u00f2 escludere errori di causalit\u00e0 inversa. In altre parole, pu\u00f2 assicurarsi che il modello non interpreti erroneamente una variabile come causa di un\u2019altra quando, in realt\u00e0, l\u2019effetto \u00e8 opposto.<\/p>\n\n\n\n

    Immaginate una celebrit\u00e0 con milioni di follower sui social media. Se non sappiamo molto sui social media o sulla celebrit\u00e0, potremmo concludere che la fama deriva dall\u2019avere un alto numero di follower. \u00c8 pi\u00f9 probabile che sia vero il contrario. Come ha osservato anche un adolescente medio, per far s\u00ec che milioni di sconosciuti seguano i loro account sui social media, devono prima fare qualcosa che li faccia notare. Nel caso della nostra domanda sulla spesa in R&S, il budget influenza le entrate, non il contrario.<\/strong> Nel frattempo, fattori confondenti come il clima economico, le tendenze del mercato o la competenza del team sono riconosciuti come fattori che guidano sia la decisione di budget sia i risultati aziendali, ma non sono influenzati da nessuno dei due. Il modello terrebbe conto di tutto questo (Figura 1).<\/p>\n\n\n\n

    <\/div>\n\n\n\n
    \"\"<\/figure>\n\n\n\n

    Scegliere l\u2019uscita<\/strong><\/p>\n\n\n\n

    Successivamente, i manager devono scegliere il tipo di risposta<\/strong> che il modello deve fornire in risposta alla domanda (in statistica, l\u2019output o stima): pu\u00f2 prevedere il risultato finale di una decisione o il beneficio relativo di un\u2019alternativa rispetto a un\u2019altra.<\/p>\n\n\n\n

    Ognuno di questi risultati pu\u00f2 essere utile, a seconda del modo in cui il manager sta pensando a una decisione. Concentrarsi sui risultati finali,<\/strong> come i ricavi potenziali in diversi scenari di budget o gli incentivi personalizzati per i singoli clienti, aiuta nella pianificazione strategica. Tuttavia, confrontare gli effetti incrementali di diverse decisioni \u00e8 spesso sufficiente per prenderne una: se un manager vuole sapere quale di due annunci pubblicitari \u00e8 in grado di incrementare le vendite in modo pi\u00f9 efficace, non ha necessariamente bisogno di prevedere l\u2019entit\u00e0 dei ricavi che ciascuna variante potrebbe generare. Ha solo bisogno di sapere il beneficio relativo: che un annuncio \u00e8 in grado di generare tre volte pi\u00f9 entrate dell\u2019altro. Inoltre, concentrarsi sui benefici<\/strong> relativi genera previsioni pi\u00f9 affidabili che concentrarsi sui risultati finali. Raccomandiamo di perseguire solo la granularit\u00e0 necessaria.<\/p>\n\n\n\n

    I redattori della Neue Z\u00fcrcher Zeitung erano interessati a prevedere le percentuali di clic effettive per ogni articolo promosso, ma l\u2019azienda ha scelto invece di prevedere il probabile guadagno netto di prestazioni derivante dalla promozione di un articolo. Questo approccio ha permesso al Causal ML di fare previsioni pi\u00f9 accurate su quali contenuti, se promossi, avrebbero aumentato i clic e gli abbonamenti. I redattori hanno imparato che la promozione di articoli scritti dal caporedattore aumentava significativamente entrambi i risultati (Persson, Feuerriegel e Kadar, 2023). I redattori avevano promosso con parsimonia gli articoli del caporedattore e i risultati sono serviti come punto di partenza per rivedere la loro strategia promozionale.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Addestramento, test e validazione del modello<\/strong><\/p>\n\n\n\n

    Una volta che i manager hanno definito<\/strong> la decisione che vogliono prendere<\/strong> e il tipo di output che preferiscono, gli scienziati dei dati e dell\u2019apprendimento automatico possono scegliere il modello di Causal ML pi\u00f9 adatto al lavoro.<\/strong> Una volta implementato il modello, gli ingegneri dell\u2019apprendimento automatico lo addestreranno utilizzando i dati precedentemente categorizzati.<\/p>\n\n\n\n

    La fase finale consiste nel testare e convalidare il modello di Causal ML nella pratica<\/strong>, per garantire che sia affidabile e che le sue previsioni si traducano in migliori prestazioni aziendali. La convalida offre anche l\u2019opportunit\u00e0 ai responsabili delle decisioni, compresi i dirigenti, di ottenere fiducia nelle sue previsioni. Iniziare con problemi relativamente semplici e lineari, in cui \u00e8 possibile identificare e valutare alternative decisionali chiare, rende questa fase pi\u00f9 facile da realizzare.<\/p>\n\n\n\n

    I test e la convalida richiedono attenzione<\/strong> perch\u00e9 i manager possono osservare solo il risultato della decisione presa nel mondo reale. Non hanno modo di sapere quale sarebbe stato il risultato se fosse stata presa una decisione diversa. Due strategie, human in the loop<\/em> e il noto approccio dei test A\/B,<\/strong> si sono dimostrate vincenti.<\/p>\n\n\n\n

    Neue Z\u00fcrcher Zeitung ha scelto di integrare le raccomandazioni del modello con i processi decisionali umani (Ibidem<\/em>). Il modello di Causal ML raccomanda quali contenuti promuovere, ma sono i redattori a prendere le decisioni finali. Il modello si basa sulle stesse informazioni che i redattori usavano in precedenza per prendere le loro decisioni di promozione; quindi, possono fidarsi che il modello non manchi di elementi chiave. Le raccomandazioni del modello di Causal ML corrispondono in genere alle sensazioni dei redattori, il che d\u00e0 loro la certezza dell\u2019affidabilit\u00e0 del modello.<\/p>\n\n\n\n

    Alcune decisioni sono difficili e i redattori sanno che il loro giudizio non \u00e8 perfetto. Nei casi in cui Causal ML raccomanda una decisione diversa da quella che avrebbero preso loro, i redattori possono testare la raccomandazione e vedere il risultato. Con il tempo, dovrebbero vedere che il metodo Causal ML \u00e8 in grado di fornire raccomandazioni affidabili in situazioni ambigue. <\/strong>A quel punto, potranno seguire pi\u00f9 spesso le raccomandazioni di Causal ML invece del loro istinto.<\/p>\n\n\n\n

    Hitachi ABB ha utilizzato i test A\/B per convalidare i modelli di Causal ML costruiti per migliorare la qualit\u00e0 della produzione. In un\u2019applicazione, i manager hanno utilizzato il modello per prevedere quale macchina, tra le varie, avrebbe prodotto la migliore qualit\u00e0 nelle fasi di incisione e impiantazione del processo di fabbricazione dei semiconduttori, contribuendo alla produzione di qualit\u00e0 pi\u00f9 elevata in generale.Per confermare l\u2019affidabilit\u00e0 delle previsioni, i manager hanno condotto un esperimento controllato in cui hanno cambiato la macchina utilizzata per l\u2019incisione e l\u2019impianto, mantenendo invariate le macchine utilizzate per gli altri processi. Hanno scoperto che la macchina migliore per l\u2019incisione e l\u2019impianto era la stessa che il modello di ML causale aveva previsto. Grazie al Causal ML, i manager sono stati in grado di trovare e risolvere la fonte dei problemi di produzione in modo pi\u00f9 efficiente di quanto avrebbero potuto fare con i metodi manuali o con il ML tradizionale (Senoner et al.<\/em>, 2021).<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Preparare l\u2019organizzazione<\/strong><\/p>\n\n\n\n

    Sebbene il Causal ML abbia il potenziale per migliorare le decisioni, l\u2019implementazione di questi sistemi richiede un alto livello di alfabetizzazione all\u2019AI nella forza lavoro,<\/strong> competenze tecniche specializzate e pazienza, perch\u00e9 lo sviluppo di questi progetti pu\u00f2 richiedere pi\u00f9 tempo rispetto alle applicazioni di ML tradizionali.<\/strong> I manager possono preparare le loro organizzazioni istruendo se stessi e la loro forza lavoro sull\u2019AI causale e costruendo i team interdisciplinari necessari per sviluppare le applicazioni.<\/p>\n\n\n\n

    Molte aziende oggi investono molto nella formazione dei dipendenti sui modelli tradizionali di ML e di AI Generativa (come ChatGpt) per rimanere competitive e innovative. Se l\u2019organizzazione intende utilizzare il Causal ML, deve includere questa tecnologia nei suoi sforzi di alfabetizzazione all\u2019AI. <\/strong>I dipendenti attenti ai punti di forza e ai limiti dei diversi approcci all\u2019AI saranno in grado di trovare le opportunit\u00e0 per utilizzarli in modo efficace.<\/p>\n\n\n\n

    Abbiamo scoperto che per eccellere nell\u2019utilizzo del Causal ML, i team hanno bisogno di una forte esperienza nella scienza dei dati e nell\u2019apprendimento automatico,<\/strong> oltre che di conoscenze di settore. Tuttavia, la creazione di questi team pu\u00f2 essere costosa, soprattutto quando le aziende devono assumere data scientist o rivolgersi a consulenti e partner esterni.<\/p>\n\n\n\n

    Inoltre, i data scientist e gli ingegneri dell\u2019apprendimento automatico sono tipicamente assegnati a team diversi. Devono lavorare a stretto contatto durante lo sviluppo e l\u2019implementazione di modelli di Causal ML e avere un forte impegno con gli stakeholder aziendali che hanno conoscenze di dominio. (La conoscenza del dominio \u00e8 essenziale anche nell\u2019apprendimento automatico tradizionale, ma spesso \u00e8 applicata in modo meno rigoroso perch\u00e9 i team non considerano a fondo le relazioni sottostanti tra le variabili quando costruiscono i modelli).<\/p>\n\n\n\n

    Per esempio, alla Neue Z\u00fcrcher Zeitung, le conoscenze dei redattori e degli addetti al marketing sui processi editoriali, sulle preferenze dei clienti e sugli obiettivi a lungo termine del marchio aiutano i data scientist a definire le variabili che misurano questi fattori. In Hitachi ABB, gli ingegneri forniscono le informazioni necessarie per definire le variabili di produzione da includere nei modelli.<\/p>\n\n\n\n

    I team interdisciplinari sono spesso afflitti dalla mancanza di comprensione, vocabolario e modalit\u00e0 di lavoro comuni. I manager devono promuovere un ambiente in cui la collaborazione interfunzionale possa prosperare<\/strong> e in cui tutte le parti interessate siano coinvolte nel processo di sviluppo del modello. Workshop, riunioni e sessioni di formazione regolari in cui data scientist, ingegneri dell\u2019apprendimento automatico ed esperti di dominio esplorano insieme i problemi, perfezionano i modelli e discutono insieme le implicazioni dei risultati possono favorire un ambiente in cui la collaborazione interfunzionale prospera.<\/p>\n\n\n\n

    L\u2019apprendimento automatico<\/strong> ha cambiato il modo in cui numerose organizzazioni prendono le decisioni; <\/strong>il Causal ML pu\u00f2 approfondire ulteriormente le conoscenze prevedendo gli effetti delle diverse scelte sui risultati aziendali. Le aziende hanno maggiori probabilit\u00e0 di trarre vantaggio dall\u2019apprendimento automatico quando i responsabili delle decisioni si fidano dei risultati. Sapere cosa pu\u00f2 fare il Causal ML e come si confronta con il ML tradizionale pu\u00f2 aiutare a scegliere i progetti giusti per ogni tecnologia e ad aumentare i tassi di successo.<\/p>\n\n\n\n

    Quando i manager utilizzano la Causal ML in modo prudente per esplorare le opzioni per le decisioni pi\u00f9 semplici, possono migliorare significativamente le loro operazioni e, in ultima analisi, i loro risultati finanziari.<\/p>\n\n\n\n

    <\/div>\n\n\n\n
    \"\"<\/figure>\n\n\n\n
    <\/div>\n\n\n\n

    Bibliografia<\/strong><\/p>\n\n\n\n

    S. Feuerriegel, Y.R. Shrestha, G. von Krogh, et al., \u201cBringing Artificial Intelligence to Business Management\u201d, Nature Machine Intelligence 4, no. 7 (luglio 2022): 611-613; e P. H\u00fcnermund, J. Kaminski, and C. Schmitt, \u201cCausal Machine Learning and Business Decision-Making<\/a>\u201c, SSRN, aggiornato al 19 febbraio 2022, https:\/\/ssrn.com<\/a>.<\/p>\n\n\n\n

    S. Feuerriegel, D. Frauen, V. Melnychuk, et al., \u201cCausal Machine Learning for Predicting Treatment Outcomes\u201d, Nature Medicine 30 (aprile 2024): 958-968; V. Chernozhukov, C. Hansen, N. Kallus, et al, \u201cApplied Causal Inference Powered by ML and AI\u201d, file PDF (pubblicato dagli autori il 28 luglio 2024), https:causalml-book.org<\/a>; e C. Fern\u00e1ndez-Lor\u00eda e F. Provost, \u201cCausal Decision-Making and Causal Effect Estimation Are Not the Same … and Why It Matters\u201d, Informs Journal on Data Science 1, no. 1 (aprile-giugno 2022): 4-16.<\/p>\n\n\n\n

    M. von Zahn, K. Bauer, C. Mihale-Wilson, et al., \u201cSmart Green Nudging: Reducing Product Returns Through Digital Footprints and Causal Machine Learning\u201d, Marketing Science, Articles in Advance, pubblicato online l\u20198 agosto 2024; E. Ascarza, \u201cRetention Futility: Targeting High-Risk Customers Might Be Ineffective\u201d, Journal of Marketing Research 55, no. 1 (febbraio 2018): 80-98; J. Yang, D. Eckles, P. Dhillon, et al., \u201cTargeting for Long-Term Outcomes\u201d, Management Science 70, no. 6 (giugno 2024): 3841-3855; e M. Kraus, S. Feuerriegel e M. Saar-Tsechansky, \u201cData-Driven Allocation of Preventive Care With Application to Diabetes Mellitus Type II\u201d, Manufacturing & Service Operations Management 26, no. 1 (gennaio-febbraio 2024): 137-153.<\/p>\n\n\n\n

    G. von Krogh, S.M. Ben-Menahem e Y.R. Shrestha, \u201cArtificial Intelligence in Strategizing: Prospects and Challenges\u201d, in \u201cStrategic Management: State of the Field and Its Future\u201d, eds. I.M. Duhaime, M.A. Hitt e M.A. Lyles. (New York: Oxford University Press, 2021), 625-646.<\/p>\n\n\n\n

    \u201cPerfezionata la produzione di cioccolato premium: AI\u2019s Role in Quality Excellence\u201d, ETH AI Center, 11 dicembre 2023, https:\/\/ai.ethz.ch<\/a>.<\/p>\n\n\n\n

    J. Senoner, T. Netland e S. Feuerriegel, \u201cUsing Explainable Artificial Intelligence to Improve Process Quality: Evidence From Semiconductor Manufacturing\u201d, Management Science 68, no. 8 (agosto 2022): 5704-5723.<\/p>\n\n\n\n

    H. Wasserbacher e M. Spindler, \u201cMachine Learning for Financial Forecasting, Planning and Analysis: Recent Developments and Pitfalls\u201d, Digital Finance 4 (marzo 2022): 63-88.<\/p>\n\n\n\n

    J. Persson, S. Feuerriegel e C. Kadar, \u201cOff-Policy Learning for Audience-Wide Content Promotions<\/a>\u201c, documento di lavoro, 2023.<\/p>\n\n\n\n

    Senoner et al., \u201cUsing Explainable Artificial Intelligence\u201d, 5704-5723.<\/p>\n","protected":false},"template":"","meta":{"_acf_changed":true},"acf":[],"_links":{"self":[{"href":"https:\/\/eccellenzedimpresa.it\/cn\/wp-json\/wp\/v2\/cp_magazine\/3505"}],"collection":[{"href":"https:\/\/eccellenzedimpresa.it\/cn\/wp-json\/wp\/v2\/cp_magazine"}],"about":[{"href":"https:\/\/eccellenzedimpresa.it\/cn\/wp-json\/wp\/v2\/types\/cp_magazine"}],"wp:attachment":[{"href":"https:\/\/eccellenzedimpresa.it\/cn\/wp-json\/wp\/v2\/media?parent=3505"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}