Business Analytics e Outbound OI

Alla base dell’innovazione nei settori ad alta intesità di conoscenza c’è l’informazione. Ma per usare le informazioni al fine di migliorare il processo decisionale e stimolare l’innovazione, bisogna convertirle in conoscenza (Hair Jr, 2007). Ciò che distingue le aziende nei mercati altamente competitivi di oggi è la loro capacità di prendere decisioni accurate, tempestive ed efficaci a tutti i livelli - operative, tattiche e strategiche - per soddisfare le preferenze e le priorità dei loro clienti. Gli strumenti di analytics, in quest’ottica, consentono alle aziende di analizzare i loro dati (sia strutturati che non strutturati), combinando informazioni su circostanze passate ed eventi presenti al fine di prevedere azioni future. Incorporando questi strumenti nelle loro attività, le organizzazioni possono eseguire con più efficacia i loro processi decisionali finalizzati al raggiungimento degli obiettivi di business (Bose, 2012).

Con Business Analytics si intende quindi un gruppo di strumenti che vengono utilizzati in combinazione tra loro per ottenere informazioni, analizzare tali informazioni ed effettuare previsioni che influenzano il processo decisionale. Sono pertanto strumenti che aiutano le aziende nella ricerca, nella raccolta, nell’estrapolazione, nell’interpretazione e nell’analisi di informazioni durante i loro processi decisionali. Queste teconologie possono gestire grandi quantità di dati strutturati e non strutturati e aiutano le aziende ad identificare, sviluppare e creare nuove opportunità di business strategiche. Gli analytics possono essere utilizzati dalle aziende per supportare un'ampia gamma di decisioni aziendali che vanno da quelle operative a quelle strategiche, combinando dati derivanti sia dall’esterno che dall’interno dell’azienda.

Alla base dei Business Analytics ci sono i predictive analytics e il data ming. Talvolta questi due strumenti sono considerati come la stessa cosa, anche se in realtà sono processi di interazione separati. I predictive analytics utilizzano relazioni confermate tra variabili esplicative e criteri per prevedere tendenze, eventi e modelli di comportamento futuri. Le previsioni sono spesso valori che

147

suggeriscono la probabilità che un determinato comportamento o evento si svolgerà in futuro. Il data mining ricerca invece modelli di dati e identifica le relazioni promettenti. Il data mining opera in due fasi. Nella prima fase esplorativa scopre relazioni interessanti e non ovvie tra le informazioni che hanno un alto potenziale per la creazione della conoscenza e per il processo decisionale. Si tratta di un processo automatizzato che utilizza medoti di “machine-learning” per identificare pattern di informazioni nei dati. Molti dei metodi, come i neural networks, sono emersi dall'intelligenza artificiale e vengono utilizzati perché sono efficienti nell'esplorazione di database di grandi dimensioni. La seconda fase del data mining consiste nel testare e confermare le relazioni rilevate attraverso la precedente fase. Si tratta di un processo semi-automatico, di "human-learning" in contrapposizione a un approccio "machine-learning". Vengono valutate le ipotesi sviluppate nella fase iniziale di scoperta. Anche le relazioni deboli o non ben comprese possono essere esaminate, riviste, confermate o respinte. Quando le relazioni vengono identificate e confermate attraverso il data mining, possono essere utilizzate dai predictive analytics per effettuare previsioni (Hair Jr, 2007). Il data mining utilizza vari metodi per estrarre pattern dai dati. Questi metodi possono avere obiettivi diversi, in base al risultato previsto del processo complessivo di data mining. La maggior parte degli obiettivi di data mining rientrano nelle seguenti categorie: elaborazione dei dati; predizione; regressione; classificazione; clustering; analisi di link (associazioni); model visualization ed exploratory data analysis. È utile qualsiasi metodo di data mining che aiuti a ottenere più informazioni dai dati. Diversi metodi hanno scopi diversi, ognuno offre i propri vantaggi e svantaggi. I metodi più comunemente utilizzati per il data mining possono essere classificati nei seguenti gruppi: statistical methods; case- based reasoning; neural networks; decision trees; rule induction; Bayesian belief networks; genetic algorithms/evolutionary programming; fuzzy sets e rough sets. Diverse combinazioni di obiettivi e metodi di data mining vengono utilizzati per garantire flessibilità e la massima precisione possibile nel processo (Bose, 2012). I recenti progressi hanno portato allo sviluppo di altre tecnologie di data mining: text mining e web mining. Il text mining applica le stesse funzioni analitiche di data mining al dominio delle informazioni testuali, basandosi su sofisticate tecniche di

148

analisi del testo che estrapolano le informazioni dai documenti a testo libero. Il processo di text mining include, in genere, le seguenti fasi: (1) preelaborazione dei dati nel formato richiesto per ulteriori analisi (data preprocessing); (2) estrazione di concetti e termini importanti attraverso l'analisi iniziale del testo (concept extraction); (3) scrittura di un'analisi narrativa per identificare schemi e co- occorrenze di concetti identificati (narrative analysis); (4) sviluppo di una soluzione automatizzata (automatic categorization); e (5) costruire una tassonomia (taxonomy building). Il text mining analizza quei dati aziendali che di solito vengono trascurati quali: lettere di clienti, email, corrispondenze, registrazioni di telefonate con clienti, contratti, documentazioni tecniche e brevetti al fine di scoprire nuove informazioni e conoscenze rilevanti (Bose, 2012).

Il Web mining utilizza le tecniche di data mining per estrarre pattern interessanti ed informazioni potenzialmente utili dal web. È un metodo per comprendere il comportamento degli utenti in relazione all'uso dei siti web. I risultati del web mining possono essere utilizzati per fornire metriche sull'efficacia del sito web di un'azienda o sul successo di una particolare campagna pubblicitaria (Bose, 2012). Gli analytics sono diventati sempre più popolari nelle aziende a causa dei notevoli contributi che possono dare nel controllo nei costi e nell’aumento delle entrate. Il marketing è tra le applicazioni più frequenti di tali tecnologie, Molte imprese utilizzano gli analytics per facilitare la gestione di tutte le fasi del ciclo di vita del cliente, tra cui l’acquisizione di nuovi clienti, l’aumento delle entrate da parte dei clienti esistenti, e il mantenimento della fidelizzazione del cliente. Grazie agli analytics le aziende possono facilmente profilare i loro clienti e focalizzare l’attenzione su quella fascia di potenziale clientela non ancora raggiunta dal loro mercato (Hair Jr, 2007). Gli analytics aiutano a comprendere meglio il comportamento dei clienti e a prevedere futuri modelli di acquisto. In questo modo, anche l’efficacia delle campagne pubblicitarie viene incrementata. Le preziose informazioni sui clienti rilevate dagli analytics, infatti, consentono alle aziende di creare messaggi personalizzati per le varie tipologie di clienti al fine di attirare maggiormente la loro attenzione. Gli analytics risultano essere quindi, un’opportunità per comunicare meglio con il mercato, costruire la consapevolezza del marchio ed incrementare le relazioni con gli stakeholders (Hair Jr, 2007).

149

Gli analytics possono offrire un valido contributo anche nel processo di OI. L’Open Innovation richiede l’analisi delle preferenze del consumatore, delle tendenze del mercato e delle manovre della concorrenza. Richiede l’integrazione di conoscenze esterne con quelle interne e la rilevazione di informazioni utili. In quest’ottica gli analytics possono essere utilizzati per raccogliere, misurare ed analizzare dati derivanti dalle tecnologie attualmente di fondamentale importanza per le imprese: i social media. L’applicazione degli analytics ai social media consente alle aziende di ottenere preziose informazioni riguardanti i mercati, le esigenze, i gusti e le preferenze dei consumatori, le tendenze di mercato, i concorrenti e le loro manovre (Li e Li, 2014). In base a ciò si può dedurre il forte supporto di tali strumenti nel processo di Outbound Open Innovation. In particolare, nella fase di Esplorazione dei mercati e delle tecnologie aiutano nelle seguenti attività:

 Acquisire informazioni su tecnologie e mercati

 Comprendere l’evoluzione delle tecnologie nel tempo

 Prevedere la risposta di clienti, concorrenti e fornitori a tale evoluzione  Ricercare potenziali clienti e comprendere le relative esigenze.

La fase di Valutazione del portafoglio tecnologico aziendale è completamente supportata da questi strumenti, data la loro importanza nel processo decisionale. Fondamentale in questa fase risulta la funzionalità di text mining applicata per l’analisi dei brevetti.

Nella fase di trasferimento della tecnologia aiuta ad ottenere informazioni presiose utili per la promozione della tecnologia.