Tendenze in atto

Il fenomeno Big Data si è sviluppato grazie alla convergenza di numerosi fattori. Di seguito accenneremo ad alcuni di loro.

Nuove fonti informative: sebbene al termine Big Data si associno oggi accezioni di diverso tipo, l’elemento di novità incontrovertibile risiede nell’esplosione dei dati stessi, che hanno origine principalmente da tre fonti: i messaggi e le interazioni provenienti dalle reti Social e dal Web; le transazioni che si generano grazie all’utilizzo di dispositivi da parte di individui (carte di credito, smartphone, tablet, carte fedeltà, …); i dati provenienti dagli innumerevoli sensori presenti negli oggetti che utilizziamo quotidianamente.

Volendo tentare di categorizzarle sulla base della tipologia di interazione sottostante, si distinguono le People to people, che includono le comunicazioni sul web e sui social network, le

People to machine, ovvero le transazioni su dispositivi da parte dell’individuo (es. e-commerce,

Near-Field-Communication…) e le Machine to machine (dispositivi intelligenti sono in grado di raccogliere ed elaborare i dati autonomamente e di comunicare reciprocamente).

Nuovi modelli di governance: la crescita esponenziale di dati potenzialmente utilizzabili dalle aziende e scenari di mercato sempre più dinamici e complessi, richiedono nuove figure e modelli organizzativi per la gestione degli analytics.

Per questa ragione sono sempre più le organizzazioni che introducono nuovi ruoli di governance, come il Chief Data Officer, e nuove figure professionali come il Data Scientist.

Il Chief Data Officer è tipicamente un membro dell’executive management team e si occupa principalmente della gestione delle funzioni aziendali correlate alla gestione e alla valorizzazione dei dati come asset strategico aziendale, attraverso la guida di un team multi-funzionale. Il Chief Data Officer possiede un insieme di competenze tecniche, di business e soft skills.

Il Data Scientist, invece, è una figura professionale interdisciplinare che ha il compito di estrarre informazioni dai dati, di modellizzare problemi complessi e di identificare opportunità di business. Oltre alla conoscenza dei sistemi di Advanced Analytics, nel Data Scientist sono presenti competenze informatiche, matematico-statistiche e di business.

Da una ricerca dell’Osservatorio del Politecnico di Milano si evince che tali figure a livello internazionale risultano presenti ed in aumento già da qualche anno, in Italia, invece, sono ancora poco diffuse. Infatti il responsabile delle attività di controllo e gestione dei sistemi di BDA&BI è il CIO nel 47% delle organizzazioni del campione della Ricerca, nel 24% non esiste un referente formalizzato, mentre nel 23% dei casi è il Business Intelligence Manager.

Il Chief Data Officer e il Data Scientist risultano invece essere presenti solamente nel 13% e 17% delle aziende italiane, anche se solamente nel 2% e 3%, rispettivamente, sono figure presenti con ruolo e responsabilità ben definiti. Dalla Ricerca emerge che le motivazioni di questa assenza vanno ricercate prevalentemente nella difficoltà a inquadrarne organizzativamente il ruolo e nel conoscerne le competenze distintive.

L’importanza di queste figure emerge anche dall’analisi empirica, che evidenzia come una delle principali cause del limitato utilizzo di tutti i dati a disposizione delle organizzazioni sia proprio la mancanza di professionalità adeguate (per il 46% delle aziende del campione).

Figura 20: Presenza del Chief Data Officer e Data Scientist nelle organizzazioni italiane (Osservatorio Big data & Business Intelligence del Politecnico di Milano)

Mobile BI: è un sistema che fornisce informazioni sia storiche che real-time ai propri utenti per

poter effettuare analisi su dispositivi mobili quali smartphone o tablet, fornendo supporto nei processi decisionali, con alti livelli di efficacia ed efficienza.

Da uno studio di TDWI research emerge che attualmente solo il 20% delle aziende ha adottato applicazioni di Business Intelligence in mobile. Ma l’utilizzo di piattaforme mobile è destinato a raddoppiare nei prossimi tre anni.

Figura 21: Percentuale di utilizzo e previsioni future sulle tipologie di dati analizzati nelle aziende (TDWI Research, “Next-Generation Analytics and Platforms”, Luglio 2014)

Competenze innovative: la presenza di fonti informative eterogenee offre l’opportunità di

sviluppare progettualità complesse, che superano la logica dei silos applicativi, per coinvolgere un numero crescente di processi aziendali.

L’acquisizione delle nuove skill di analisi sono al top della lista delle sfide della nuova generazione di piattaforme analytics.

Cloud Computing: la spinta ai Big Data Analytics viene alimentata dalla diffusione sempre più

massiccia di tecnologie abilitanti quali ad esempio il Cloud Computing.

Si tratta di soluzioni altamente scalabili, che garantiscono l’accesso ai dati e la loro elaborazione in tempi rapidi. Le organizzazioni possono quindi sfruttare le risorse che il Cloud offre loro, in

modalità on demand e pagandole secondo il principio pay-as-you-go: in questo modo è possibile variabilizzare i costi, rimunerando solo ciò di cui effettivamente si necessita.

Esistono varie soluzioni di cloud: pubblico, privato o ibrido. Inoltre, gli analytics possono essere erogati as-a-Service (aaS), sfruttando le risorse che il Cloud offre in termini di infrastrutture (IaaS), piattaforme di sviluppo (PaaS) o applicazioni software (SaaS).

Social network analysis: l’analisi delle interazioni tra utenti, siti web e aziende apre nuovi scenari nella segmentazione della customer base, permettendo di cogliere la nascita di nuove tendenze o l’abbandono di prodotti o servizi offerti da un’azienda. Inoltre, grazie all’estrema diffusione di dispositivi mobili continuamente connessi, si hanno a disposizione dati sempre più geo-localizzati, che permettono, per esempio, di effettuare azioni di marketing specifiche e più mirate.

I Social Analytics rappresentano uno dei principali ambiti di investimento e di interesse per i CMO e i Responsabili Web e Digital italiani per via delle enormi potenzialità offerte dal mondo social. Essi ritengono i Social Media una componente importante per il Marketing (41%) e addirittura un supporto agli obiettivi e alla strategia complessiva dell’organizzazione (23%), mentre solo un 4% li ritiene un elemento “tattico” e un altro 4% mostra disinteresse, tuttavia il 28% segnala difficoltà nel quantificarne i benefici.

Le motivazioni che spingono le organizzazioni a intraprendere iniziative di Marketing Analytics sono sia nella direzione di acquisire nuovi clienti (per il 65% del campione), sia in quella di una migliore gestione della relazione con i clienti attuali e la loro fidelizzazione (85%).

Sentiment analysis: rappresenta un’applicazione di data mining per i social network che permette

di individuare e caratterizzare le reazioni emotive dei consumatori rispetto a specifiche iniziative intraprese dalle aziende, fornendo per esempio informazioni sulla reputazione del brand o sul gradimento di determinati prodotti o servizi.

Real-time operational intelligence: i sistemi real-time operational intelligence permettono di

intraprendere azioni tempestive che migliorano l’efficienza e l’efficacia delle operations aziendali, attraverso l’attivazione automatica di trigger di business.

Analytics in-memory: le architetture analytics in-memory permettono di effettuare veloci

elaborazioni su grandi volumi di dati senza necessità di costruire manualmente aggregati relazionali e cubi precalcolati. L’analytics in-memory migliora sensibilmente le prestazioni di elaborazione dei dati e del calcolo computazionale utilizzando la memoria RAM invece degli hard disk.

Geospatial/Location Analytics: si tratta di analytics che forniscono informazioni geografiche e

temporali, combinando dati georeferenziati provenienti da diverse fonti (mappe, GIS, dati enterprise, …). Forniscono, per esempio, supporto ad algoritmi di route optimization, o la visualizzazione di dati su mappe customizzate supportando algoritmi di clustering.