Big Data Analytics

Come impostare un progetto di Big Data Analytics?

11 gennaio 2018 / Di Alessandro Piva / Nessun commento

Obiettivi, competenze, metodologie: è su questi tre capisaldi che si fonda un progetto di Big Data Analytics. Approfondiremo:



Cosa sono i Big Data Analytics

È il 2001 quando il termine Big Data, letteralmente “grandi dati”, appare per la prima volta. I Big Data vengono definiti dall’analista Doug Laney come dei dati caratterizzati da una di queste tre V: volume, velocità o varietà. Molti anni e innumerevoli terabyte di dati dopo, i Big Data Analytics stanno impattando fortemente sulla capacità competitiva di grandi aziende e non solo.

Sfruttare gli Analytics significa avere le competenze e gli strumenti tecnologici adeguati a identificare correlazioni tra dati eterogenei e di grandi volumi. Questa capacità può trasformarsi in un aumento delle performance aziendali in maniera trasversale sui settori o i processi.

Vediamo come.

 

Big Data Analysis: obiettivi, competenze e metodologie a supporto dei Big Data

Realizzare un progetto di analisi e gestione dei Big Data all'interno di un'azienda vuol dire fronteggiare diverse sfide legate agli obiettivi di business da perseguire, agli strumenti tecnologici a disposizione e alle competenze da mettere in campo.

Oltre a chiedersi cosa sono i Big Data (come detto, enormi volumi di dati eterogenei per fonte e formato, analizzabili in tempo reale) e a come gestirli è dunque doveroso capire in che modo un progetto di Big Data Analytics possa dare valore all'azienda.

In generale, le organizzazioni che decidono di introdurre una strategia di Analytics Big Data possono farlo con differenti livelli di maturità. È importante, però, nel momento in cui si dà vita a un progetto, avere ben chiare tre variabili:

  • gli obiettivi e le finalità di un progetto di Big Data Analysis;
  • le competenze necessarie per la gestione della "Data Science";
  • le metodologie e gli strumenti a supporto dell'analisi dei Big Data (continua a leggere).
Guarda il video

 

Gli obiettivi della Big Data Analysis

Quando è opportuno impostare un progetto di Big Data Analytics per un'azienda? Partire dal problema da risolvere, o in termini più tecnici da uno use case, o partire dall’ “inventario” dei dati a disposizione? Le aziende seguono approcci differenti ed entrambe le opzioni possono avere vantaggi e rischi. L’importante è però definire gli obiettivi con chiarezza, puntando il più possibile sulla misurabilità dei benefici

Sono diversi i casi in cui una corretta analisi dei dati in possesso dell'azienda può giovare al business della stessa. Quando si vuole:

  • migliorare l'engagement con il cliente;
  • aumentare le vendite;
  • ridurre il time to market;
  • identificare nuovi prodotti e servizi od ottimizzare l'offerta attuale;
  • ridurre i costi;
  • identificare nuovi mercati.

>>  Approfondisci obiettivi e benefici dei Big Data

Opportunità (più che obiettivi) perseguibili alla distanza. È nel lungo periodo, infatti, che emergono le vere potenzialità dei Big Data!

 

Gestire i Big Data Analytics... sì, ma come?

La grande mole di dati a disposizione dell'azienda, se analizzata da chi è in grado di estrarne valore, può rappresentare un elemento indispensabile di vantaggio competitivo. Il Data Scientist è la figura professionale che comunemente si associa alla capacità di gestire i Big Data e trarne informazioni rilevanti

Ma il mix di competenze necessarie a questa figura professionale è più che variegato. Nel 2012 il Data Scientist è stato definito il lavoro più "sexy" del XXI secolo, ma molte aziende si chiedono ancora quali siano le skill che lo caratterizzano. Dall’informatica al business, dal machine learning alla data visualization, la sfida organizzativa e l’attrazione dei talenti giusti è un fattore critico nel successo delle progettualità Big Data.  

>>  Approfondisci le competenze del Data Scientist

 

4 metodologie di analisi dei Big Data

I progetti di Big Data Analytics possono essere classificati in base al livello di maturità delle metodologie utilizzate nell’analisi dei dati, e di conseguenza dalle informazioni che si è in grado di estrarne. Distinguiamo quattro differenti tipologie: Descriptive, Predictive, Precriptive, Automated.

Descriptive Analytics

Ricadono sotto questa categoria l’insieme degli strumenti orientati a descrivere la situazione attuale e passata dei processi aziendali e/o aree funzionali. Tali strumenti permettono di accedere ai dati secondo viste logiche flessibili e di visualizzare in modo sintetico e grafico i principali indicatori di prestazione.

Nonostante sia un ambito ormai consolidato (la totalità delle grandi organizzazioni svolge analisi descrittive sui propri dati) vi sono molteplici traiettorie d’evoluzione, relative all’aggiornamento dei dati in tempo reale, al miglioramento e arricchimento delle tipologie di visualizzazione e all’ampliamento della platea di coloro che accedono e interagiscono con le analisi.

Predictive Analytics

Si tratta di strumenti avanzati che effettuano l’analisi dei dati per rispondere a domande relative a cosa potrebbe accadere nel futuro. Queste tipologie di analisi si caratterizzano per l’utilizzo di tecniche matematiche quali regressione, forecasting, modelli predittivi ecc….

Almeno tre grandi aziende su quattro (73%) fanno uso dei Predictive Analytics, almeno in alcuni processi aziendali. Se dovessimo parlare del presente ma ancor di più del futuro del mondo delle analisi predittive, la parola chiave sarebbe una sola: machine learning.

Prescriptive Analytics

Lo sviluppo di analisi predittive è la condizione necessaria, ma non sufficiente, per sviluppare analisi ancor più avanzate, che chiamiamo prescrittive. Si tratta in questo caso di modelli di ottimizzazione che riescono a ipotizzare una serie di scenari futuri. Questa tipologia di Analytics richiede quindi l’utilizzo di tool avanzati che, a partire dall’analisi dei dati, sono capaci di proporre al decision-maker soluzioni operative/strategiche sulla base delle analisi svolte.

Il 33% delle grandi aziende nel 2017 ha implementato progettualità di questo tipo. Gli ambiti applicativi sono vari. Alcuni esempi sono l’ottimizzazione della supply chain e la manutenzione predittiva.

Automated Analytics

Vi sono alcuni processi o alcune situazioni, cosiddette di “fast decision-making”, in cui è possibile automatizzare non solo l’analisi e l’identificazione della scelta ottimale, ma anche l’azione stessa. Si parla in questi casi di Automated Analytics, ovvero di strumenti capaci di implementare autonomamente l’azione proposta secondo il risultato delle analisi dei dati svolte.

L’11% delle grandi aziende nel 2017 ha attive a regime progettualità di questo tipo. L’esempio classico è il dynamic pricing su un sito web, ma vi sono anche altri esempi interessanti, quali ad esempio lo smistamento automatico delle pratiche in ambito bancario o assicurativo, in ottica di identificazione delle frodi.


Quale tipologia di Analytics utilizzano le aziende nei loro progetti di Big Data?

Da un'analisi condotta dall'Osservatorio Big Data del Politecnico di Milano, emerge come tutte le grandi organizzazioni ora facciano uso di Descriptive Analytics. Aumenta in modo considerevole anche la parte di Predictive Analytics. Allo stesso modo, la diffusione del Prescriptive Analytics aumenta del 10%, mentre gli Automated aAnalytics rimangono sostanzialmente invariati .

Gli ambiti progettuali più diffusi nelle organizzazioni risultano essere:

  • progetti di supporto postvendita;
  • analisi della reputazione del brand;
  • analisi dei comportamenti, sia in store sia online;
  • ottimizzazione delle scorte;
  • gestione dell’infrastruttura di rete.

Tra gli ambiti di maggiore interesse prospettico, vi sono ancora una volta l’analisi della reputazione del brand e il monitoraggio post-vendita.

Con riferimento alle organizzazioni che hanno implementato una specifica soluzione, le progettualità che sono sviluppate in misura maggiore con un livello di maturità almeno di tipo predittivo sono la gestione ciclo di vita del prodotto, l’ottimizzazione percorsi, la previsione tasso di churn e il customer care .

Per alcuni ambiti è possibile identificare una second wave di adozione, ovvero situazioni nelle quali si sta lavorando a un’evoluzione di un progetto già attivo in quell’area. Tra gli ambiti maggiormente interessati da questa condizione vi sono la previsione del tasso di churn, il tracciamento asset, il cross/up selling, l’ottimizzazione dei percorsi, il customer care.

Vai al webinar

Alessandro Piva

Alessandro Piva

Ricercatore alla School of Management del Politecnico di Milano, dove è responsabile della Ricerca degli Osservatori Information Security & Privacy, Big Data Analytics & BI e Cloud Transformation. All’interno delle sue aree di riferimento conduce attività di ricerca e consulenza per imprese e Pubbliche amministrazioni italiane