Il digitale è in grado di modificare e di influenzare i modelli di business delle aziende.

Con questo post vorrei soffermarmi sulle opportunità che derivano dalle sorgenti di Big Data per nuovi processi analitici.

La produzione di processi automatizzati, conseguenza della quarta rivoluzione industriale, ha portato alla generazione di enormi quantitativi di dati, che possono diventare informazioni di valore e contribuire così a migliorare la produttività di un’impresa: le aziende che già utilizzano i Big Data rinforzano la propria conoscenza del mercato e incrementano di conseguenza il loro risultati di business poiché ottengono maggiori feedback in base ai quali prendere decisioni e implementare i cambiamenti in modo rapido ed efficace.

Nel mondo che abitiamo, oggi abbiamo l’opportunità di osservare da vicino e misurare il funzionamento della società attraverso i “Big data”, le briciole digitali che le nostre attività quotidiane lasciano per effetto del nostro uso dei sistemi ICT. Briciole che registrano la nuda verità sui comportamenti individuali e collettivi con una precisione senza precedenti, in modo che le diverse dimensioni della nostra vita sociale trovano un’immagine riflessa nello specchio digitale: desideri, opinioni, stili di vita, movimenti, relazioni.

Alla luce di quanto ho appena detto mi immagino gli acquirenti di oggi sempre più come l’eroe di “The Truman Show”, costantemente osservati da un intero esercito di marketer che, traendo spunto dai loro comportamenti d’acquisto, elaborano tecniche di vendita sempre più astute e sofisticate. Talvolta, loro malgrado, persino ingannevoli.

Ma torniamo a noi!

Come impostare un progetto di Big Data Analytics

Oggi cercherò di illustrarvi, il più possibile nel dettaglio, quali tool di big data analytics utilizzare e quali competenze e risorse umane mettere in campo per le gestione dei dati.
Partiamo così da una definizione di big data analytics: sono tutte quelle informazioni interne alle aziende ma anche provenienti da molteplici fonti come per esempio dai social network, che vanno a formare un patrimonio talmente grande da rendersi necessario l’utilizzo di tecnologie e strumenti per poterlo sfruttare.

È fondamentale stabilire da subito a quale finalità di business dovrà servire il progetto di analisi di big data.
Le tre macro-aree nelle quali è maggiormente utilizzato il big data analysis sono 3:

1. Efficienza e rischi operativi

Quindi, riduzione del rischio nelle analisi finanziarie; asset management; gestione del personale; catena di fornitura (in quest’ultima micro-area vengono utilizzate le applicazioni big data per la manutenzione preventiva;

2. Sicurezza e performance applicative

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 per prevenire problemi nell’erogazione dei servizi e a monitorare gli eventi per potervi rispondere in tempo reale;

3. Conoscenza e servizio ai clienti

Applicazioni per la big data analysis sono usati per progetti di marketing e vendite, sviluppo dei prodotti e per l’ottimizzazione della digital experience.

I quattro modelli principali di Analytics utilizzati

  • Descriptive Analytics
    L’insieme di strumenti orientati a descrivere la situazione attuale e passata dei processi aziendali e/o aree funzionali. Tali strumenti permettono di accedere ai dati secondo logiche flessibili e di visualizzare in modo sintetico e grafico i principali indicatori di prestazione;
  • Predictive Analytics
    Sono strumenti avanzati, caratterizzati da regole matematiche, per rispondere a domande relative su cosa potrebbe succedere nel futuro;
  • Prescriptive Analytics
    Sulla base delle analisi svolte, queste applicazioni di big data, sono capaci di proporre ai decision maker, soluzioni operative/strategiche sulla base delle analisi svolte;
  • Automated Analytics
    Applicazioni capaci di implementare autonomamente l’azione proposta secondo il risultato delle analisi svolte.

 

In base a queste 4 categorie di riferimento l’analisi dei dati può portare a diversi livelli di conoscenza.

Il panorama italiano

L’ Osservatorio “Big Data Analytics & Business Intelligence” del Politecnico di Milano ha messo in luce che nelle grandi aziende (con più di 250 dipendenti) la descriptive analytics è ormai un dato di fatto essendo presente nell’89% delle imprese intervistate; i predictive analytics hanno una diffusione al 59%. Sono ancora molto indietro i prescriptive e automated analytics, presenti rispettivamente nel 23% e nel 10% delle aziende e solo a livello di progetto pilota.

Se si passa invece a valutare il grado di adozione delle predette soluzioni per le PMI, (dipendenti tra 10 e 250), la sensibilità all’utilizzo dei dati, rispetto alle grandi imprese si mostra molto più bassa: solo un’azienda su 3 adotta modelli di descriptive analytics (34%), con percentuali più alte nelle aziende di medie dimensioni (39%), rispetto a quelle piccole (33%). L’utilizzo di modelli di predictive è ancora limitato a poche realtà (16%), mentre prescriptive e automated analytics sono ancora scarsamente conosciuti.

Considerando il primo gruppo (ossia le PMI che analizzano i dati almeno in logica descriptive), nel 18% dei casi le analisi vengono fatte con software generici (in particolare fogli elettronici) o demandando a strutture esterne all’Azienda. Solo 4 Pmi su 10 (41%) hanno del software di visualizzazione e analisi dei dati dedicati, solo parzialmente integrati con i sistemi informativi dell’impresa; nella restante parte dei casi (41%), esistono software avanzati, completamente integrati con i sistemi transazionali.

Conclusioni

I Big Data Analytics rappresentano uno degli strumenti più utili allo studio e alla progettazione di campagne di marketing e comunicazione. Intersecando l’ambito informatico, l’ambito statistico e l’ambito economico aziendale, essi se ben interpretati riescono a fornire una comprensione precisa e dettagliata del comportamento del mercato e ad anticipare le azioni strategiche future. Le operazioni di razionalizzazione e di pulizia dei dati è ciò che rende il contributo umano indispensabile per far sì che essi non siano masse senza senso.

I Big Data infatti non sono solo dati strutturati: l’informazione realmente quantitativa che ne deriva è una minima parte rispetto ai più consistenti contenuti di tipo testuale, audio e video.

Questo significa che il lavoro sui Big Data non può essere relegato al settore informatico e statistico ma richiede anche un apporto umanistico che riesca a far emergere le connessioni intrinseche dei dati e permetta una visualizzazione fruibile dei dati.