Estrarre l’emozione dal dato (e non solo)? Si può, grazie alle nuove soluzioni di Analytics

Abbiamo già parlato del SAS Forum Milan all’interno dell’articolo-intervista a Marco Icardi, (Regional Vice President, SAS): si tratta dell’evento organizzato da SAS Italy giunto ormai alla dodicesima edizione, che raccoglie annualmente tutti i principali stakeholder – clienti, partner, etc. – uniti dall’interesse verso i temi di frontiera in ambito advanced analytics, digital transformation e artificial intelligence. E vi avevo anche anticipato di non avere ancora finito con i contenuti esclusivi 😉

Detto, fatto. Durante la conferenza dell’11 aprile 2017 ho infatti avuto anche il piacere di seguire il panel di Federico Alberto Pozzi, Senior Solutions Specialist – IMM & Analytics SAS, dal titolo molto attraente: “Wearable e IoT: con gli analytics, i dati si trasformano in emozione”.

Analytics ed emozioni, possibile? Si tratta naturalmente di una dimostrazione, una provocazione di dove i modelli analitici possono arrivare… che ha avuto effetto! Il passo dall’intervista che è nata successivamente, è stato infatti molto breve 🙂 Buona lettura!

Come è nata l’idea di questo speech, e in generale della progettazione del modello che rende possibile l’emotion detection & recognition in tempo reale attraverso gli analytics?

L’idea è nata dalla volontà di portare a clienti e partner output tangibili e prototipali rispetto ai materiali più “classici” e tradizionali, al fine di rispondere alla domanda che chiunque si pone: come funzionano realmente le cose, al di là delle slide?

Abbiamo iniziato allora a lavorare su diversi prototipi, tra cui quello che ho mostrato oggi legato a un wearable device. Abbiamo così creato un’infrastruttura che raccoglie dati in streaming da un wearable, i quali vengono successivamente elaborati sia attraverso calcoli di tipo deterministico (media, applicazione di regole, etc.) che tramite l’applicazione di modelli analitici. Rispetto all’ “esercizio” proposto al SAS Forum Milan relativamente agli analytics delle emozioni, sono per esempio acquisiti dal modello dati come la temperatura della pelle (skin temperature) e il volume del flusso sanguigno (blood volume pulse): la soluzione SAS riceve 104 metriche al secondo su cui applica diverse azioni (pulizia del dato, filtro, etc.) e che vengono integrate in caso di necessità anche con altri fattori esogeni. È come se i dati stessi nascondessero già le emozioni, ma solo grazie a un modello capace di trovare i pattern nascosti è possibile riconoscerle.

Abbiamo poi sviluppato una dashboard user-friendly che mostra gli output in tempo reale, riconoscendo l’emozione positiva o negativa rispetto a ciò di cui il soggetto sta facendo esperienza.

Indipendentemente dall’esempio delle emozioni, come funziona il modello di fondo?

Esiste un’infrastruttura che raccoglie misure fisiologiche attraverso un dispositivo connesso, integrandole eventualmente con ulteriori fattori esterni. SAS raccoglie il dato, elabora informazioni sia deterministiche che analitiche e le mette a disposizione in un formato facilmente comprensibile al decision maker finale. Il valore aggiunto (e quindi l’accento) è sugli analytics: solo in tal modo è possibile fornire servizi personalizzati, dunque altamente rilevanti per coloro che ne fruiranno.

Per esempio, il modello può capire anche il movimento di una persona che cade per terra, etc.

Quali sono i potenziali ambiti di applicazione di un’innovazione di questo tipo?

In primis, nel retail: una persona vede una borsa, le piace e le arriva subito un’offerta legata a un prodotto correlato. La dinamica è simile alla seguente: un utente entra in uno store, i suoi dati sono raccolti grazie al wearable (o a qualsiasi altro device capace di registrare eventi e mandare misure) e analizzati attraverso SAS integrando anche eventuali fonte esterne; l’emozione verso lo specifico prodotto viene infine letta e riconosciuta ed è proposta un’offerta ad hoc. Al di là dell’aspetto commerciale, tali dinamiche permettono anche di fare revisione del prodotto (potrei per esempio accorgermi che una borsa esposta in vetrina ha un colore particolare che suscita nel 93% delle donne una emozione negativa) o riposizionamento dello stesso prodotto (cerco di capire quali sono i prodotti che suscitano più emozioni positive, spostandoli in vetrina).

Un altro ambito di applicazione interessante è quello dell’education: soluzioni di questo tipo permettono infatti di comprendere e agire sulla curva di apprendimento degli individui.

Ancora, l’ambito banking potrebbe trarne benefici concreti: se una persona che sta prelevando è vittima di una rapina e il device riconosce un alto indice di stress, esso potrebbe attivare sistemi di controllo puntuali (telecamera del POS, etc.).

Pensiamo inoltre all’integrazione con la realtà aumentata: un presentatore o uno speaker parla e nel frattempo vede sopra le teste delle persone presenti una grafica virtuale che mostra le emozioni positive o negative suscitate in loro dall’intervento, magari integrate anche con una media globale dell’intera platea. Stessa logica può valere nel contesto delle sfilate di moda, sempre al fine di rilevare le emozioni in modalità unsolicited. Un risultato ben differente dalle classiche survey!

Ma è forse il settore della salute quello più virtuoso e in cui tale modello è immediatamente applicabile, perché capace di risolvere bisogni importanti delle persone: esistono già soluzioni che si basano sulle emozioni per generare qualche conseguenza positiva come la pet teraphy o la music teraphy. Ci sono sistemi – per esempio, basati su immagini – che riconoscono emozioni sulla base delle espressioni facciali, ma per malattie come la sclerosi multipla sarebbe possibile solo l’utilizzo degli analytics proposti dalla nostra soluzione.

Quali sono le caratteristiche peculiari e distintive di questa soluzione?

• È possibile calcolare espressioni matematichecomplesse in tempo reale.
• È possibile eseguire running query, ovvero ripetere e aggiornare l’intero processo ogni volta che un nuovo dato viene generato, anche ogni milli-secondo.
• È possibile eseguire operazioni come filtri, etc. nonché visionare flussi in maniera grafica grazie a una UI composta da blocchi, ognuno dei quali svolge un’operazione sul dato (pulizia, filtro, etc.).
• È una soluzione multi-thread e scalabile.

Grazie Federico per l’intervista, in bocca al lupo per gli sviluppi del modello!

Ninja, avreste creduto in questo enorme potere e potenziale degli analytics? Io, sinceramente, no 🙂 alla prossima, appuntamento al prossimo #SASForumMilan!