L’utilizzo dell’Advanced Business Intelligence

E’ impossibile parlare di Big Data senza parlare dell’Advanced Business Intelligence: il più grande impatto che i nuovi trend hanno avuto è proprio sulle nuove frontiere di analisi.

La parola chiave degli ultimi anni in ambito Business Intelligence è “modernizzazione”, sono emerse nuove tecnologie e nuove capabilities che hanno fatto evolvere il concetto stesso di BI consentendo l’ottenimento di risultato impensabili. La rivoluzione maggiore è stata quella subita dal Data Discovery a livello architetturale, con le nuove tecnologie si è resa molto più facile la consultazione di nuovi dati compresi quelli destrutturati, provenienti da diverse fonti, dando, inoltre, la possibilità di creare report interattivi e dinamici anche ad utenti che non possiedono un solido background di conoscenze informatiche.

Ciò che è considerato maggiormente rivoluzionario nelle nuove tecnologie è l’approccio al concetto di analisi dei dati, che diviene bottom-up. L’utente a stretto contatto con l’operatività aziendale è in grado autonomamente di creare report e analizzare dati in maniera semplice e intuitiva. L’analisi quindi parte a valle della gerarchia aziendale e non a monte, come tradizionalmente accade, date le competenze informatiche di base necessarie per una corretta gestione di strumenti tradizionali.

Gli analytics avanzati svolgono analisi attive sui dati, che permettono di estrapolare trend e previsioni di variabili future. Le funzionalità primarie sono sintetizzate di seguito.

Metodi estrapolativi di forecasting Si propongono di cogliere tendenza e

stagionalità di una serie storica di valori, che può rappresentare ad esempio le vendite di un prodotto, per prevedere la sua evoluzione futura.

Metodi predittivi di data mining Si propongono di identificare le relazioni tra

variabili esplicative e target, utilizzando tecniche diverse quali classificazione, regressione, clustering, regole associative, link analysis, web mining.

Modelli di ottimizzazione Permettono di identificare la decisione

migliore tra un insieme molto ampio, spesso infinito, di azioni alternative, massimizzando i ricavi o minimizzando i costi.

Tabella 4: Funzionalità delle principali tecniche di analisi avanzate

Nella ricerca di TDWI Research si esplicano le diverse tipologie di analisi avanzate effettuate. Nella stessa ricerca si evince come il 44 % delle aziende intervistate stia già utilizzando analisi avanzate mentre il 39 % pianifica di utilizzarli nei prossimi due anni.

Inoltre, il 33 % afferma di effettuare analisi sui Big Data, mentre un altro 33 % pianifica di utilizzarli nel prossimo anno o nei prossimi due.

Figura 22: Percentuale di utilizzo e previsioni future delle tipologie di analisi avanzate utilizzate nelle aziende

(TDWI Research, “Next-Generation Analytics and Platforms”, Luglio 2014)

Le analisi delle serie storiche, operational intelligence e il quality monitoring si classificano in cima alla lista degli advanced analytics in termini di uso corrente.

Più del 40% degli intervistati ha dichiarato di utilizzare ciascuna di queste tecnologie.

Operational intelligence e il quality monitoring sono correlati in quanto entrambi analizzano un flusso continuo di dati. Naturalmente, i dati potrebbero avere diverse frequenze temporali, non coincidendo con il breve periodo.

L’analisi delle serie storiche è stato utilizzato per molti anni, e alcune aziende lo userà anche per le previsioni, essendo sempre più popolari nelle analisi dei flussi di dati real time.

Tipicamente un flusso di dati arriva continuamente come una sequenza di istanze: alcuni dati potrebbero includere dati sensoriali, dati di social media, traffic feeds, o le transazioni finanziarie. Spesso, si ha l’esigenza di processarli immediatamente come nella rilevazione delle frodi.

Anche se solo il 20% degli intervistati ad oggi li stanno utilizzano, un ulteriore 40% prevede di usarli nei prossimi tre anni.

Le azienda sembrano anche molto interessate nelle tecnologie che includono ottimizzazione, analisi del rischio, analisi dei Weblog, analisi della geolocalizzazione. Ci si aspetta che l’utilizzo di queste tecnologie raddoppi nei prossimi tre anni.

L’ analisi predittiva ha una crescita significativa.

L’ analisi predittiva sta rapidamente guadagnando l'attenzione nel mercato, come risulta dalla percentuale di intervistati che utilizzano la tecnologia oggi. Il 39% degli intervistati sta attualmente utilizzando analisi predittive e un ulteriore 46% ha in programma di utilizzarle nei prossimi anni.

L’ analisi predittiva è spesso un primo passo importante per le aziende che intraprendono analisi di nuova generazione. È interessante notare che il 23% degli intervistati ha dichiarato di utilizzare

analisi prescrittive.

L’utilizzo degli Advanced Analytics nelle aziende italiane non è ancora diffuso: 35 % contro il 78 % dell’adozione dei sistemi di Performance Management & Basic Analytics.

Si prevede però, un aumento del loro utilizzo nel prossimo anno (13%).

Figura 23: L'adozione dei sistemi BDA & BI in Italia

L’interesse delle organizzazioni italiane verso i Big Data Analytics, però è in forte crescita: a fronte di un budget ICT stimato sostanzialmente stabile nel 2014, nel campione analizzato la spesa dedicata a soluzioni Big Data Analytics cresce infatti del 25%.

Sebbene nell’83% si tratti di spesa dedicata ancora a soluzioni di Performance Management & Basic Analytics e solo nel 17% dei casi dei soluzioni di Advanced Analytics, la parte di Advanced Analytics è maggiormente in crescita (+34%) rispetto a quella di Performance Management & Basic Analytics (+23%).

Figura 24: Percentuale di adozioni future delle soluzioni di Advanced Analytics e Performance Managment & Basic Analytics

(Osservatorio Big data & Business Intelligence del Politcnico di Milano)

Analizzeremo ora, lo stato dell’arte dell’offerta tecnologica

L’offerta tecnologica per la gestione dei big data ingloba moltissime realtà; essa si divide tra vendor che ricoprono in maniera ampia tutte le fasi del processo di lettura ed analisi dei dati, e altri specializzati solo in alcune fasi. È quindi concettualmente sbagliato vedere le tradizionali soluzioni transazionali come obsolete e considerare un progetto Big Data solo come installazione di un'unica tecnologia. Un progetto Big Data è principalmente un piano di business per riuscire ad estrarre valore dalla investigazione dei dati delineando quattro fasi (un progetto di Big Data è concettualmente un’implementazione di Business Intelligence):

ο Acquisizione dei dati: i dati vengono acquisiti da database interni, da risorse esterne, da macchine, da utenti con un portfolio completo di strumenti, con vincoli legali e di privacy;

ο Riordinamento dei dati: tutti i dati acquisiti devono essere riordinati o salvati in maniera adeguata per garantirne il riutilizzo;

ο Analisi: i dati vengono analizzati per poter estrarre informazioni anche in ottica predittiva; ο Azione: una volta estrapolate le informazioni, devono essere prese delle scelte per poter

avere un vantaggio economico concreto dalle possibilità offerte dalla conoscenza.

Il “Magic Quadrant” di Gartner ci permette di analizzare i principali vendor presenti sul mercato. La classificazione dei vendor operanti in un determinato settore avviene incrociando due assi: nelle ascisse è riportata la visione futura del vendor relativamente alla tecnologia trattata (completness of vision); mentre sulle ordinate i vendor sono classificati in base alla loro “capacità di eseguire” (ability to execute);

I quattro quadranti risultanti dall’incrocio degli assi determinano la classificazione dei vendor. I quattro quadranti sono i seguenti:

Leaders: sono i produttori leader del mercato. Hanno ottime performance ed una visione del futuro nonché progetti futuri allineati con l’evoluzione del mercato;

Visionaires: gli attori inseriti in questo segmento attualmente non sono perfettamente allineati al

mercato, ma hanno una visione del mercato corretta e hanno ottime potenzialità di poter emergere nel prossimo futuro;

Niche players: a prima vista sembrerebbe il segmento peggiore, in realtà fanno parte di questo

segmento due categorie: la prima, considera attori che sono molto focalizzati su una singola attività rendendoli nel complesso meno performanti di altri, ma fortissimi nella loro specializzazione. Si parla di vendor di piccole dimensioni che comunque ottengono ottimi risultati su una piccola porzione dell’intero mercato. La seconda categoria, invece, ingloba quegli attori che non stanno performando adeguatamente e, allo stesso tempo, hanno perso di vista la rotta intrapresa dal mercato.

Challengers: sono coloro i quali attualmente lavorano con un prodotto molto performante e di

Figura 25: Magic Quadrant di Gartner, delle principali piattaforme della Business Intelligence a Analytics

(Gartner, 2016)

In figura 25 si riporta il Magic Quadrant for Business Intelligence e Analytics Platform pubblicato nel Febbraio del 2016. Esso riporta un quadro dei vendor operanti nel settore della BI.

Il posizionamento di ogni attore all’interno del modello riportato è stato definito dagli analisti valutando tredici capabilities suddivise in tre macro-categorie come di seguito riportato:

o FUNZIONALITÀ DELLE PIATTAFORME BI E ANALYTICS

▪ Business User Data Mashup and Modeling ▪ Internal Platform Integration

▪ BI Platform Administration ▪ Metadata Management ▪ Cloud Deployment

▪ Development and Integration

o PRODUCE

▪ Free-Form Interactive Exploration ▪ Analytic Dashboards and Content ▪ IT-Developed Reporting and Dashboards ▪ Traditional Styles of Analysis

o CONSUME

▪ Mobile

▪ Collaboration and Social Integration ▪ Embedded BI

Indubbiamente, per quote di mercato28 _{e gamma di servizi, il Leader del settore è IBM che tra}

componenti sviluppate internamente e acquisizioni dispone di una grande varietà di strumenti, corredati da una consistente presenza anche sul lato servizi. IBM infatti vanta una vasta gamma di prodotti BI. Tuttavia, a causa dello spostamento di messa a fuoco per le piattaforme business user- centric, la valutazione del prodotto per questo Magic Quadrant è focalizzata sulla Watson Analytics, che è stato introdotto sul mercato nel dicembre 2014. Watson Analytics combina analisi avanzate, query e la generazione in un unico prodotto in cloud.

Tableau si posiziona come leader sul mercato. Tableau offre prodotti di data discovery altamente interattivi e intuitivi che consentono agli utenti aziendali di accedere facilmente, preparare e analizzare i propri dati senza la necessità di una particolare codifica.

Tableau tenta di differenziarsi dagli altri competitors migliorando l’esperienza lavorativa degli utenti. Esso, attraverso una facilità di utilizzo, rende le ricerche più complesse al pari di semplici ricerche. Infine, gli strumenti offerti sono tra i più economici del mercato ed offrono un servizio al

cliente eccellente. Tableau offre però ancora poche soluzioni di Advanced Analytics: prodotti limitati e poco incentrati sul “Data Discover”.

Il portfolio applicativo di SAS comprende BI, gestione delle performance, data warehousing, database in-memory, integrazione di dati ecc. con una particolare attenzione agli Advanced Analytics.

SAS è considerato tra i migliori all’interno del Magic Quadrant per quanto concerne la gestione di analisi complesse. Come detto, infatti, SAS punta la propria strategia su Advanced Analytics volendo differenziarsi dai diretti concorrenti.