Tutte le attività che quotidianamente sono svolte sui dispositivi digitali producono dati. Si tratta di una grandissima quantità di informazioni che possono essere raccolte, analizzate e quindi anche valorizzate dal punto di vista economico. È l’era della big data analytics.
E il significato di big data e analytics è rispettivamente l’insieme di dati eterogenei, ossia ottenuti da molteplici fonti diverse. E la scoperta, l’interpretazione e la comunicazione di modelli significativi in tali dati al fine di avviare un processo decisionale maggiormente efficace. Ma procediamo con ordine.
Big data cosa sono
Che cosa sono dunque i big data?
La definizione big data nasce dal fatto che l’attuale già consistente quantità di dati andrà moltiplicandosi in futuro. Esempi di big data provengono dai dispositivi IoT – Internet of Things così come dalle smart car in circolazione, ma anche dall’utilizzo dei social network eccetera.
Le fonti di dati sono tantissime e in costante aumento e pertanto ciò che caratterizza i big data non è solo la quantità. I big data sono caratterizzati anche dalla complessità riconducibile alla loro varietà.
Il concetto di big data implica più fattori, dall’infrastruttura necessaria per raccoglierli e archiviarli, agli strumenti per analizzarli. Senza trascurare le competenze necessarie per gestirli, a partire dai big data analyst.
Big data analytics, definizione
Cos’è big data analytics? La definizione di big data analytics fa riferimento al processo che include la raccolta e l’analisi dei big data per ottenerne informazioni utili al business. Le tecniche di big data analytics consentono infatti di fornire alle aziende intuizioni originali, per esempio, sulla situazione del mercato. D’altra parte offrono idee sul comportamento dei clienti su come raffinare le strategie di customer experience e così via. Per compiere le attività tese a fornire queste e tante altre informazioni preziose per migliorare l’attività dell’impresa è necessario quanto segue.
- Software (dai database e strumenti utili per acquisire ed elaborare informazioni agli applicativi dedicati per specifici processi aziendali).
- Servizi (per esempio, per customizzare la tecnologie e integrarle con successo nei sistemi pre esistenti).
- Risorse infrastrutturali (capacità di calcolo, storage eccetera).
Come impostare un progetto in questo ambito
Impostare un progetto di analisi e gestione dei big data nella propria azienda significa affrontare molteplici aspetti. Non ci si può naturalmente limitare a quelli tecnologici, è necessario valutare le esigenze di business a cui si vuole rispondere. E porsi obiettivi precisi, coinvolgendo numerose competenze.
Definire e implementare una strategia di Big data analytics significa, infatti, avere la possibilità di trarre preziose informazioni per fare innovazione. Basti pensare al digital analysis marketing, ma bisogna saper partire con il piede giusto. In questo servizio, passo dopo passo, è indicato come realizzare un sistema completo di data management. Un sistema che sia in grado di garantire valore alle organizzazioni.
Il vero significato dei big data e come utilizzarli correttamente attraverso l’analisi dei dati
Sembrerà ovvio, ma poiché sono proprio le cose ovvie quelle alle quali si pensa meno, la prima questione da stabilire è a quale finalità di business dovrà servire il progetto di analisi dei big data. Se ciò non è chiaro da subito, il rischio, ed è un rischio elevato, è che il Cio e l’It vadano avanti per la loro strada realizzando una big data architecture che magari funziona benissimo, ma che poi non risulta allineata ai bisogni del business e dell’impresa. E questo perché ecco cos’è data analysis. L’analisi dei dati è il processo di ispezione, pulizia, trasformazione e modellazione di dati stessi con il fine di trarre informazioni che suggeriscano e supportino le decisioni strategiche aziendali.
I casi di utilizzo
I casi di utilizzo della big data analysis, secondo quanto dichiarato a Forrester dalle aziende utenti, rientrano in tre gruppi.
Efficienza e rischi operativi
Gran parte degli esempi di big data analytics realizzati o pianificati per esserlo a breve riguarda la riduzione del rischio nelle analisi finanziarie. Altri ambiti dove contano efficienza e risk reduction sono l’asset management (con una punta nell’analisi delle frodi), la gestione del personale e la supply chain, dove emergono le applicazioni big data per la manutenzione preventiva. Un approccio globale a questi problemi deve considerare la condivisione dei dati e lo scambio di idee con i business partner. Nonché il tracciamento dei risultati avuti dalle azioni prese in seguito a dette analisi, in modo da avviare un ciclo virtuoso.
Sicurezza e performance applicative
Predictive analytics e analisi dei big data sul funzionamento dell’It servono a prevenire problemi nell’erogazione dei servizi. E a monitorare gli eventi per potervi rispondere in tempo reale. I modelli d’analisi, che vanno discussi con i responsabili della sicurezza e dei servizi, si servono dei data-log generati da server e dispositivi di rete. Essi sono infatti utili per valutare i livelli prestazionali, trovare i colli di bottiglia e quant’altro.
Conoscenza e servizio ai clienti
Soluzioni e applicazioni per la big data analysis sono utilizzati per progetti marketing e vendite, per lo sviluppo dei prodotti, ma anche per l’ottimizzazione della digital experience.
Quali sono le priorità da tener presenti per una gestione dei big data ottimale
Il Data Management non può essere approcciato come in passato, quando le priorità si ‘riducevano’ a una governance del dato a livello It e alla sua fruizione da parte di alcuni utenti ‘ristretti’. Oggi gli scenari sono cambiati e la definizione corretta strategia di Data Management, dovrebbe tenere conto delle seguenti considerazioni.
Le fonti di big data continuano ad evolvere e crescere
‘Ondate’ di nuovi dati continuano a essere generate 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). Secondo gli analisti esperti in questo ambito, la strategia di un data analyst non può non tenere conto di questi aspetti Aspetti spesso ricondotti alle caratteristiche di volume, velocità e varietà dei Big data in continua crescita ed evoluzione. Per le aziende diventa fondamentale riuscire, secondo una logica di continuous improvement, a identificare le nuove fonti e incorporarle nelle piattaforme di Data Management.
Catturare, gestire e archiviare tutti i dati aziendali per preservare storia e contesto
I dati depauperati del contesto servirebbero a poco, nell’era della gestione dei big data diventa quindi fondamentale riuscire a ‘catturare’ ed archiviare tutti i dati utili all’azienda e poiché la loro utilità spesso non è valutabile a priori, diventa una sfida riuscire ad averli tutti a disposizione e poi, appunto, trarre il significato dei big data raccolti. 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.
Analizzare scientificamente i dati per ‘arricchirli’ di senso utile e ‘non ovvio’
L’obiettivo dei progetti di analytics big data non è generare report su ciò che è accaduto ma comprendere come questo possa aiutare a prendere decisioni migliori. Ciò significa cambiare il modello di data analysis dei dati optando per approcci cosiddetti ‘descrittivi’, ‘predittivi’, ‘prescrittivi’, ossia sfruttando applicazioni di big data analytics attraverso le quali generare ‘insights’, conoscenza utile ai processi decisionali (anticipando per esempio i bisogni del cliente conoscendone in real-time preferenze ed abitudini). Riuscire in questo obiettivo richiede nuove competenze. I data scientist, in particolare, utilizzano ‘machine learning algorithms’ e ‘advanced visualization tools’. E possono generare informazioni utili e ‘non scontate’ a sostegno della competitività e redditività aziendali.
Rilasciare dati velocemente e liberamente a tutti coloro che hanno necessità
Può sembrare un’ovvietà ma sappiamo bene come la storia dell’It abbia dimostrato quanto l’approccio ‘a silos’ valga anche per i dati. Sono molteplici gli esempi di big data risiedenti in database non condivisi e difficili da integrare. Per superare tali barriere, sarà sempre più necessario dotare le piattaforma di gestione dei big data di funzionalità innovative. Funzionalità per poter rendere disponibili e accessibili i dati lungo tutti i livelli aziendali
Il valore del mercato Analytics, ecco cos’è successo negli scorsi mesi
1,7 miliardi di euro era il valore del mercato Analytics nel 2019, secondo l’Osservatorio Big Data Analytics e Business Intelligence 2019. Un dato che era in aumento del 23% rispetto all’anno precedente. E che segnava un incremento di oltre il doppio rispetto a soli 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 era relativa ai software (47%). In tale ambito i tool per la visualizzazione e analisi dei dati pesavano per il 53%. Mentre il 47% era costituito da strumenti di ingestion dei dati, integrazione, preparazione e governance.
Il 20% della spesa era dedicato a risorse infrastrutturali, soluzioni per abilitare gli Analytics e fornire capacità di calcolo e storage ai sistemi, primo fra tutti il cloud.
Il 33% degli investimenti era destinato a servizi per la personalizzazione del software, l’integrazione e la consulenza per la riprogettazione dei processi.
Tra i settori che si sono distinti nell’impegno su questo fronte, le banche si collocavano al 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%).
Restava 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.
L’analytics in Italia nel 2020
Nel 2020 il valore del mercato analytics in Italia è cresciuto del 6% arrivando a valere 1,815 miliardi di euro. Secondo gli ultimi dati dell’Osservatorio Big data & Business analytics 2020 della School Management del Politecnico di Milano, la maggior parte di questa spesa si concentra sui software (52%, +16% rispetto al 2019), in particolare per intelligenza artificiale e Data Science Platform.
Seguono i servizi (28%) e le risorse infrastrutturali (20%, +7%), necessari per abilitare gli analytics (capacità di calcolo e di storage). L’investimento in Analytics in cloud cresce del +24% arrivando a pesare il 19% della spesa (+2% rispetto al 2019).
Le banche sono il primo settore per quota di mercato (28%), seguono manifattura (24%), telco e media (14%), servizi (8%), Gdo e retail (7,5%), assicurazioni (7%), utility (6.5%), PA e sanità (5%).
Approccio data driven, cosa dice l’Osservatorio 2021
Incremento a doppia cifra: è il risultato messo a segno dal mercato Big Data & Business Analytics 2021 secondo l’Osservatorio del Politecnico di Milano. La cifra generata da soluzioni in questo campo è superiore ai 2 miliardi di dollari.
Tra i dati si legge che il 78% del campione sta lavorando alla data integration di informazioni provenienti da una pluralità di fonti.
D’altra parte, poco più della metà delle aziende grandi risulta immatura nella proprio capacità di gestire i dati.
In pratica, solo il 27% delle aziende intervistate è definibile data science driven e il 14% si trova in una fase sperimentale a questo proposito.
Quanto sono mature le aziende italiane nella gestione dei dati? Ecco cosa dice il Data Strategy Index 2022
Si premette che il mercato riconducibile a prodotti e servizi per Data Management e Analytics nel 2022 ha incrementato il suo ritmo di crescita registrando +20% rispetto al 2021 e realizzando 2,41 miliardi di euro. Resta, però, l’interrogativo relativo alla maturità delle aziende italiane in questi ambiti.
In base al Data Stragy Index inaugurato dagli studiosi dell’Osservatorio Big Data & Business Analytics 2022 le aziende che al momento dell’uscita dello studio potevano definirsi “avanzate” erano solo il 15%.
L’indice suddivide le aziende del campione in 4 categorie. In tale categorizzazione si evince che sono “solo” il 18% le immature e il 15 quelle ai primi passi. Tutte le altre sono giudicate intraprendenti, cioè che stanno già facendo esperienze di Advanced Analytics.
I problemi di chi è più indietro, spiegano gli uomini del Politecnico, riguardano il consolidamento delle attività di business intelligence.
Applicazioni per analisi dei dati e data mining: tre macro aree d’offerta
È possibile dividere gli strumenti di Analytics disponibili nelle seguenti classi.
Aggregatori
Raccolgono e organizzano i dati, sia aziendali sia provenienti da fonti esterne, in modo che possano essere usati dagli utenti business per il loro lavoro. Molti fornitori vi aggiungono anche servizi di data management, pulizia e arricchimento. Queste soluzioni sono soprattutto necessarie per le aziende che vogliono entrare in mercati nuovi o sconosciuti, hanno bisogno di gestire varie tipologie di big data per esempio dati interni ‘sporchi’ (ridondanti, equivoci, incerti…), o la cui struttura dati sulla clientela presenta aree scoperte.
Arricchitori
Potenziano e completano il monte-dati relativo alle attività di marketing e vendita con elementi di diversa fonte, principalmente feed e clickstream raccolti dal Web e dai social network. Molti strumenti pre-elaborano i dati per trarne informazioni mirate ai bisogni dell’azienda-utente e tendono ad entrare nel campo delle vere e proprie analisi. Questi tool vanno considerati da chi vuole affinare la segmentazione del mercato, fare marketing diretto con messaggi personalizzati e (nel business-to-business) interagire con specifici clienti.
Modellatori
Applicano ai dati algoritmi che ne evidenziano gli schemi e li confrontano a criteri di probabilità (le regole in base alle quali si stima che un evento possa accadere) in modo da poter costruire modelli di previsione. Il problema di queste soluzioni è che spesso sono realizzate da start-up la cui tecnologia (e le cui stessa sorte) può cambiare nel breve termine. Sono quindi adatte a società già abbastanza esperte nel data analysis marketing digitale che debbano colmare dei vuoti nel loro demand management.
I vantaggi dei big data analytics: come e perché possono aiutare il business
I benefici che l’analisi big data può dare sono parecchi. Si ricorda 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. Questo per scoprire legami e correlazione tra fenomeni e addirittura arrivare a prevederli. Ne ricordiamo i principali, citandoli in ordine di profittabilità per il business.
Aumentare il fatturato
A volte bastano i soli dati, se sono quelli giusti, sintetizzati in una semplice analisi quantitativa per far crescere una vendita. Così come per valutare la dimensione di un mercato, arricchire un profilo-cliente, calibrare la gestione di un account.
Rendere prevedibile lo sviluppo della domanda
Basarsi sul comportamento dei clienti come specchio della propensione all’acquisto è un rischio. Chi mai può dire che faranno domani ciò che oggi fanno? La definizione di big data analysis e, più nello specifico, 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 la ‘fitness’ dell’offerta, ossia il grado con cui si accoppiano le cose che sappiamo sul ciclo di vita del cliente con quelle scoperte.
Dare più valore all’account management
Analizzando le operazioni tra venditori e clienti e integrandole con informazioni su ciò che fanno i clienti al di fuori del rapporto di business (fusioni, acquisizioni, finanziamenti, assunzioni, questioni legali…) si può focalizzare la relazione B2B sui reciproci obiettivi, servendo meglio il cliente. E aiutando gli account manager a ottimizzare il loro lavoro.
Prevedere ciò che è meglio fare per un qualsiasi cliente
Si tratta di utilizzare applicazioni per la big data predictive analytics per l’account management. In pratica, si porta nel B2B ciò che fanno nel B2C le aziende di vendita diretta con le 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. E vi sono molteplici esempi di big data analysis in questo senso.
Aprire nuove opportunità di business
Se ne parla spesso riferendosi a nuovi prodotti o servizi che l’analisi dei big data suggerisce di fare. Ma il discorso vale anche, ed è un caso più frequente, 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 quindi studiare un diverso business model.
Le competenze necessarie per gestire un progetto di big data, l’importanza di data scientist, data engineer e data analyst
Nell’edizione 2018 dell’Osservatorio ci si è focalizzati sulle competenze, in quanto la mancanza di skill rimaneva l’elemento di freno allo sviluppo di progettualità di Big Data Analytics. In generale, un analista big data è colui che si occupa di esplorare, analizzare e quindi capire i dati che vengono raccolti per trarne informazioni utili.
“La scarsità di competenze nell’ambito della Data Science – ha ricordato Alessandro Piva, Responsabile della Ricerca – e più in generale nella capacità di manipolazione dei dati, caratterizza il fenomeno dei Big Data fin dagli albori”. A dimostrazione di ciò, il 77% delle grandi aziende dichiarava un sottodimensionamento in termini di risorse umane dedicate alla Data Science.
Le figure professionali
“Oltre al disequilibrio tra domanda e offerta, le aziende si scontrano con la ricerca di ruoli poco standardizzati, dei quali non si conoscono le core skills. Per questo motivo, la Ricerca 2018 – ha spiegato Piva – ha approfondito il tema delle figure professionali. E questo non soltanto attraverso i dati di diffusione, ma anche mediante l’analisi delle offerte di lavoro su Linkedin, per ottenere insight più qualitativi sulle competenze e attività svolte”. Queste le principali evidenze emerse.
Data Scientist. La figura del Data Scientist sta entrando nel concreto dell’attività quotidiana di molte aziende. Nel 2018, il dato sulla diffusione di questo ruolo all’interno delle grandi organizzazioni registrava un incremento. Le grandi aziende che avevano, formalizzata o meno, almeno una figura di Data Scientist erano il 46%. (+1% rispetto al 2017)
Data Engineer. L’estrazione e la consegna degli insight sono vincolate ad attività preliminari che consistono nella progettazione dell’infrastruttura e nella costruzione e manutenzione della data pipeline. Tali operazioni sono responsabilità del Data Engineer, ruolo di assoluta rilevanza, a lungo sottovalutato a favore del Data Scientist. Nel 2018, il 42% delle grandi aziende italiane dichiarava avere un Data Engineer.
Data Analyst. Il Data Analyst, che si occupa di ricercare evidenze quantitative all’interno di grandi moli di dati, supportando in tal mondo le decisioni di business. Era presente nel 56% delle grandi aziende italiane e circa la metà (44%) delle aziende che non avevano ancora questa figura intendevano inserirla.
