Big Data Analytics

Indice:

1. Big Data cosa sono

2. Il progetto di Big Data Analytics

3. Come utilizzare l’analisi dei dati

4. Gestione dei Big Data

5. Il valore del mercato Analytics

6. Applicazione per analisi dei dati

7. I vantaggi dei Big Data nel business

 

1. Big Data cosa sono

I Big Data sono costituiti da una quantità di informazioni che la nuova economia sta creando e facendo circolare dentro e fuori dalle aziende. I Big Data, ad esempio, vengono alimentati dai sensori integrati in migliaia di oggetti che, collegati alla Rete, oggi chiamiamo Internet of Things; secondo il McKinsey Global Institute oggi sono già più di 30 milioni, collegati in rete e utilizzati nel settore automobilistico, industriale, nei servizi pubblici, o nella vendita al dettaglio e il numero ogni anno lievita del 30%.

Alimentati quindi dai flussi di dati prodotti dai sistemi informatici e dalle infrastrutture a supporto della produzione, della distribuzione e dell’erogazione dei servizi, i Big Data sono un fenomeno associato a un’evoluzione sempre più diffusa degli usi e delle abitudini delle persone. Ogni volta che usiamo un computer, accendiamo lo smartphone o apriamo una app sul tablet, sempre e comunque lasciamo una nostra impronta digitale costituita da dati.

 

2. Il progetto di Big Data Analytics

Implementare un progetto di analisi e gestione dei Big Data nella propria azienda significa affrontare numerosi aspetti, non solo tecnologici; è necessario valutare le proprie esigenze di business e porsi obiettivi precisi. Definire e implementare una strategia di Big Data Analytics ha l’obiettivo principale quello di trarre preziose informazioni per aumentare l’efficacia del modello di business della propria attività come ad esempio implementando il modello di digital analysis marketing.

 

3. Come utilizzare l’analisi dei dati

Il primo passo è stabilire a quale finalità di business dovrà servire il progetto di analisi dei Big Data. Se l’obiettivo non è chiaro da subito si corre il rischio che i responsabili IT (impostino un progetto realizzando una Big Data architecture che potrebbe funzionare benissimo in linea teorica, ma che non risulta allineata ai bisogni del business e dell’impresa.

È necessaria quindi un solido progetto iniziale che preveda il corretto utilizzo dei dati scegliendo quelli di maggiore importanza per raggiungere l’obiettivo realizzando un progetto di modellazione dei dati stessi con il fine di trarre informazioni che suggeriscano e supportino le decisioni strategiche aziendali.

I casi di utilizzo della Big Data analysis, rientrano principalmente in questi gruppi:

1. Efficienza e gestione dei rischi operativi. Gran parte degli esempi di Big Data Analytics realizzati riguardano la riduzione del rischio nelle analisi finanziarie.

Gli ambiti applicativi sono l’asset management in particolare nel settore prevenzioni frodi; la gestione del personale e la supply chain in particolare nell’azione di manutenzione preventiva degli impianti. L’approccio globale in questi ambiti non può prescindere dalla condivisione dei dati e il confronto di idee con i business partner (fornitori o più in generale tutti gli stakeholders). L’obiettivo finale è l’attivazione di un circuito informativo che permetterà di monitorare i risultati raggiunti in base alle azioni intraprese e procedere con un progressivo affinamento.

2. Sicurezza e performance applicative. L’analisi predittiva e la manutenzione del modello di analisi sono utilizzati per prevenire problemi nella erogazione dei servizi. Tali modelli sono condivisi con i responsabili della sicurezza, utilizzano i data-log generati da server predisposti a tale scopo, disponibili in rete, per valutare i livelli di prestazione, eliminare i colli di bottiglia.
3. Conoscenza e servizio ai clienti. Le soluzioni e le applicazioni per la Big Data analysis sono utilizzati per progetti marketing, vendite, per lo sviluppo dei prodotti, ma anche per l’ottimizzazione della “esperienza digitale” che rappresenta quella parte della tecnologia che permette alle aziende di creare servizi che sono possibili solo grazie ad Internet e ad altre tecnologie digitali.

Si compongono di due componenti chiave: utilizzano le tecnologie digitali e forniscono la possibilità di interazione tra un singolo utente e un'organizzazione, normalmente un'azienda. Le applicazioni mobili, i siti web ed i dispositivi smart forniscono tutte le esperienze digitali ai clienti, ai partner o ai dipendenti che le utilizzano per interagire con le imprese.

 

4. Gestione dei Big Data

Il Data Management non può essere gestito solo tecnicamente sotto l’aspetto IT concentrato sulla fruizione da parte di utenti ristretti (direzione, responsabili di area). Gli scenari sono più globali e la corretta strategia di Data Management dovrebbe tenere conto di alcune importanti considerazioni:

• le fonti di Big Data si evolvono e crescono: sempre più nuovi dati continuano a essere generati non solo dalle app aziendali interne, ma da risorse pubbliche (come per esempio il web e i social media), piattaforme mobile, data services e, sempre di più, da cose e sensori (Internet of Things).

Non è solo questione di volumi crescenti di informazioni disponibili, per le aziende è necessario riuscire a identificare le nuove fonti e ad incorporarle nel proprio modello di Data Management.

• Acquisire gestire ed archiviare tutti i dati aziendali per storicizzarne storia e contesto: I dati raccolti e privati del contesto risultano inutilizzabili e poco intellegibili. L’analisi dei Big Data non può prescindere dalla loro valutazione “storica”, ovvero del contesto per cui sono stati raccolti ed archiviati. Una campagna di marketing o promozionale, letta ed analizzata dopo qualche tempo ha significato solo se è possibile collocarla nel momento storico, ovvero nell’ambito del contesto (sociale, economico, emotivo). È fondamentale per attribuire il significato dei dati raccolti per poi includerli in successive analisi in un tempo successivo. Fino a qualche anno fa gli sforzi e i costi per riuscire a catturare e mantenere tutti questi dati erano eccessivi, ma oggi tecnologie innovative e a basso costo come Apache Hadoop hanno reso possibile tale approccio. Tale piattaforma è un framework software concepito per scrivere facilmente applicazioni che elaborano grandi quantità di dati in parallelo, su cluster di grandi dimensioni (costituiti da migliaia di nodi) assicurando un’elevata affidabilità e disponibilità (fault-tolerant)

• Analizzare scientificamente i dati: l’obiettivo dei progetti di Big Data Analytics non è generare report su ciò che è accaduto ma comprendere come questo possa aiutare a prendere decisioni migliori oggi e nel futuro. Il modello di data analisys prevede un approccio utile all’analisi predittiva in grado di generare “conoscenza” utile ai processi decisionali (ad esempio anticipando i bisogni del cliente conoscendone in tempo reale preferenze ed abitudini). Il prodotto e/o servizio deve essere proposto al cliente prima che questi ne senta il bisogno e ne faccia esplicita richiesta: è il vero vantaggio competitivo che le aziende dovrebbero perseguire.
• Rendere fruibili i dati a tutti coloro che hanno necessità: In azienda il modello di raccolta dati spesso è del tipo “silos”. Grandi quantità di informazioni stoccate in database non condivisi e difficili da integrare nella quotidianità. Per superare questa difficoltà è necessario dotare la piattaforma di gestione dei Big Data di funzionalità specifiche che le rendano disponibili ed accessibili a tutti i livelli aziendali. È opportuno considerare che in futuro le informazioni disponibili in azienda siano dei veri e propri assetts che incrementano il valore dell’azienda stessa.

 

5. Il valore del mercato Analytics

• Secondo l’Osservatorio Big Data Analytics e Business Intelligence del Politecnico di Milano  il valore del mercato Analytics nel 2019 è 1,7 miliardi di euro, un dato in aumento del 23% rispetto allo scorso anno e che segna un incremento di oltre il doppio rispetto soli a 5 anni fa (nel 2015 le revenue erano pari a 790 milioni), periodo in cui il tasso medio annuo di crescita è stato del 21,3%.
• Nel fatturato totale la principale voce di spesa è relativa ai software (47%). In tale ambito i tool per la visualizzazione e analisi dei dati pesano per il 53%, mentre il 47% è costituito da strumenti di ingestion dei dati, integrazione, preparazione e governance.
• Il 20% della spesa è dedicato a risorse infrastrutturali, le soluzioni per abilitare gli Analytics e fornire capacità di calcolo e storage ai sistemi aziendali, primo fra tutti il cloud.
• Il 33% degli investimenti è stato destinato a servizi per la personalizzazione del software, l’integrazione con i sistemi aziendali e la consulenza per la riprogettazione dei processi.
• Tra i settori che si sono distinti nell’impegno su questo fronte, le banche si collocano il primo posto per quote di mercato con il 28% della spesa, seguite da manifatturiero (24%), telco e media (14%), servizi, GDO e retail (8%), assicurazioni (6%), utility (6%) e PA e sanità (5%).
• Resta il divario fra le imprese di grandi dimensioni e le PMI in termini di investimenti e competenze di Data Science. Il 93% delle grandi imprese investe in progetti di Analytics, contro il 62% delle PMI.
• Per quanto riguarda i trend identificati dall’Osservatorio si nota prima di tutto un ripensamento da parte delle aziende della business intelligence orientato all’implementazione di iniziative avanzate.
• In secondo luogo, si guarda sempre più a software che promuovano interazione e coinvolgimento di attori differenti dai soli responsabili IT per introdurre in azienda il concetto di collaborative data science.

 

6. Applicazione per analisi dei dati

Le caratteristiche di tali strumenti son principalmente quelle di aggregazione dati utilizzate per raccogliere e classificare i dati raccolti sia all’interno dell’azienda sia da ambienti esterni (web; e-commerce, social). Questa caratteristica è utilizzata in fase di studio del mercato in cui si vuole entrare per studiare la clientela e le potenziali aree scoperte. Altra caratteristica è quella dell’arricchimento dei dati. Consiste nella preelaborazione per trarne informazioni specifiche utili all’azienda. In genere questi tools sono utili per chi desidera affinare la classificazione del segmento di mercato interessato utilizzando una comunicazione fatta di messaggi personalizzati che permettono una interazione diretta con i clienti (acquisiti o potenziali). Ultima caratteristica è quella della modellazione. In questo caso è possibile utilizzare specifici algoritmi che confrontano i dati con criteri di probabilità in modo da costruire scenari di vendita previsionali. Sono utilizzate in genere da aziende già esperte nel data analisys che intendano arricchire la loro offerta di prodotti/servizi.

 

7. I vantaggi dei Big Data nel business

I benefici che l’analisi Big Data può dare sono molti. Considerando che il significato di analisi Big Data è la capacità di analizzare, estrapolare e mettere poi in relazione una grande quantità di dati eterogenei strutturati o meno per scoprire legami e correlazione tra fenomeni e addirittura arrivare a prevederli.

• Aumentare il fatturato. Spesso i dati già in possesso dell’azienda, se ben selezionati e sintetizzati in una semplice analisi quantitativa sono sufficienti per far crescere il volume di vendita. Valutare la dimensione di un mercato, arricchire un profilo-cliente, affinare la gestione di un account.
• Prevedere lo sviluppo della domanda. Valutare il comportamento e le abitudini dei clienti per definire la propensione all’acquisto è un rischio per la variabilità dei comportamenti e delle abitudini medesime. L’analisi di Big Data estranei a ciò che riguarda la vendita dei brand e dei prodotti dell’azienda può invece rivelare intenti e interessi dei potenziali clienti non altrimenti evidenti e permette di valutare l’efficacia dell’offerta. Abbinare le informazioni certe su ciò che è noto in azienda sul ciclo di rapporto commerciale rilevato intrattenuto col cliente con le informazioni che vengono acquisite permette di aprire nuove opportunità in ambito di nuove proposte o miglioramento dell’offerta esistente.
• Analizzare le interazioni tra venditori e clienti integrandole con informazioni su ciò che fanno i clienti al di fuori del rapporto di business (fusioni, acquisizioni, finanziamenti, assunzioni, questioni legali…) permette di meglio focalizzare la relazione B2B sui reciproci obiettivi, servendo meglio il cliente e aiutando gli account manager a ottimizzare il loro lavoro.
• Precedere le esigenze del cliente. Integrare le informazioni del mondo B2B con quanto accade nel B2C integrando le informazioni sulle vendita dirette con promozioni mirate. Mediante, per esempio, il data analysis marketing si utilizza la mole di dati interni ed esterni al rapporto di vendita per trovarsi pronti a soddisfare una richiesta o meglio ancora a prevenirla con un’offerta adatta.
• Nuove opportunità di business. Utilizzato spesso per chi voglia allargare il mercato puntando su clienti relativamente nuovi. Caso tipico: l’azienda attiva sui grandi utenti che intenda rivolgersi alle piccole imprese e debba quindi studiare un diverso business model calibrato sulle Pmi