Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013

INFORMATION BUILDERS SUMMIT - 2013

Big Data e nuova conoscenza aziendale: un percorso di crescita della capacità di informazio ne

e di decisione

Paolo PasiniResponsabile Unit Sistemi Informativi

Direttore Osservatorio BI SDA Bocconi School of Management

Le strategie di Empowerment del personale portano a diffondere capacità decisionale ad ogni livello e in ogni funzione aziendale

Processi di Programma-

zione e Controllo

ProcessiStrategici

Attività di gestione

di supporto aziendaleSupply Chain e Logistica

ProduzioneRelazioni con Canali e

Reti di venditaRelazioni con Cliente finale

Category/Brand Strategy

Category/Brand Planning

Customer Insights

Manufacturing Strategy

Supplier Relationship Management

Production/Materials Development & Planning

Corporate Strategy

Alliance Management

ICT Governance

Customer Relationship Strategy

Customer Relationship Planning

Supply Chain Strategy

Inventory PlanningCorporate Planning

Network & Asset Configuration

Marketing Development

Matching Supply and Demand

Brand P&L Management

Manufacturing Oversight

Distribution Oversight

Business Performance Management

External Market Analysis

Organization and Process Design

Assessing Customer Satisfaction

2

Processi Operativi

Controllo

Product Ideation

DECISIONI CRITICHE, DIFFERENZIANTI

Marketing Development and Effectiveness

DECISIONI “NEUTRALI”

Account Management

Value-Added Services

Product Development

DECISIONI IMPORTANTI, DA MANTENERE

INTERNE, DA SVILUPPARE

Marketing Execution

Supplier Control

Design

Legal, Tax and Regulatory Compliance

Treasury & Risk Mgmt

Product Management

DECISIONI ANCHE ESTERNALIZZABILI

Product Directory

Customer Account Servicing

Retail Marketing Execution

Customer Directory

Product/Component Manufacturing

Plant Inventory Management

Manufacturing Procurement

Assemble/Pkg. Products Distribution Center Operations

Transportation Resources

En route Inventory Management

Inbound Trans-portation

Facilities & Equip Mgmt

ICT Systems & Operations

Resource Development

Outbound Trans-portation

Financial Accounting & Reporting

Indirect Procurement

Concept/Product Testing

Consumer ServiceIn-store Inventory Mgmt

HR Administration

Come rappresentare una realtà aziendale sempre più complessa e dinamica?

La curva di esperienza nell’impiego dei dati in azienda segue alcune tipiche fasi di Maturity:

1° fase: dati Financial (ufficiali e strutturati)

2° fase: dati non Financial (più o meno ufficiali e strutturati) strutturati)

� Il passaggio dal trattamento dei dati “financial”

ai “non financial” è fondamentale, ma è ancora

faticoso (es. si vedano i casi di Balanced

Scorecards, Value-Based Mgmt, …, oppure i

casi di utilizzo dei sensor/meter data o degli

M2M data per scopi di management!)

Come rappresentare una realtà aziendale sempre più complessa e dinamica?

3° fase: dati non strutturati

� generare abitudine e capacità nel

trattamento di dati qualitativi, soft e in

forma non numerica (testuale,

grafica, video, audio, …), generati da grafica, video, audio, …), generati da

fonti interne (email, documenti

dematerializzati, …) ed esterne (web

log, social data, web content, …)

4° fase: dati con mix crescenti di Volumi, Velocità (di generazione, raccolta, elaborazione e fruizione) e Varietà(fonti e formati) -> Big Data

La piramide di esperienza della BI

Creatività sul mercato e nei

Business Model

Nuovi Prodotti e Servizi

Migliorare i processi aziendali e le relazioni nella rete del valore

PRECA BRUMMEL. Il processo di

definizione del briefing (e del budget) di

A2A. Il processo di

simulazione e di definizione

di nuovi contratti luce-gas

RCS DIRECT. Il processo di scelta delle campagne

marketing (per gli abbonamenti RCS e per i clienti

esterni). MAPEI. Sviluppo nuovi modelli di mkt

internazionale e di mix di vendita.

le relazioni nella rete del valore

(Fornitori e Clienti)

“Anticipare i problemi e Guidare il Business” nel Breve-Medio Termine

“Capire e dare un senso al Business, al passato”

5

(Fonte: Osservatorio BI, SDA Bocconi, 2010)

definizione del briefing (e del budget) di

collezione e pianificazione dei lanci di

produzione.

COREPLA. Il processo di

pianificazione finanziaria

pluriennale. ABB. Budgeting

forecast mensile.

AZIENDA OSPEDALIERA

DI PADOVA. Il

monitoraggio di

prenotazioni e

pagamenti delle visite.

Maturity delle imprese nell’analisi dei dati e nuovo scenario della BI

BI Tools

What’s the best that can happen?

What will happen next?

What if these trends continue?

Why is this happening?

Com

petit

ive

Adv

anta

ge

Decision Optimization

Predictive Analytics

Forecasting

Statistical models

BI Analytics �� Verso le APPS

Which context, where wider information, what means, is it relevant?

What actions are needed?

Where exactly is the problem?

How many, how often, where?

What happened?

Com

petit

ive

Adv

anta

ge

Degree of Intelligence Insights from both struct. and unstruct. data

Search (text, tag, …)& Content analysis

Alerts

Query/drill down

Ad hoc reports

Standard reports

(adattamento da Davenport, 2007)

Information fromMore structured data

Come passare dalla BI più tradizionale (basata su Reporting) alla BI più orientata al Supporto Decisionale (business e content analytics)?

CURVA DI ESPERIENZA E DI SOFISTICAZIONE DELLE FUNZIONALITA’ DELLA BI

DATA MINING

0,6%

MODELLINGSIMULATION

1,2%

LOCATION INTELLIGENCE;

SOCIAL ANALYTICS

TEMPO

OLAP

20,8%

REPORTING STANDARD

44%

QUERYAD HOC

28,5%

CRUSCOTTISCORECARDS

BPM

3,2%

ANALYTIC & PREDICTIVE

APPLICATIONS

1,6%

0,6%

DIF

FIC

OLT

A’ D

I MIS

UR

AZ

ION

E Q

UA

NT

ITAT

IVA

La misurazione dell’Information Capital (tangible-intangible)

CONOSCENZA AZIENDALE

INNOVAZIONE DIPRODOTTO/SERVIZIO(incremento ricavi aziendali)

VA

LOR

E D

EG

LI INTA

NG

IBLE

S

INNOVAZIONE DEIPROCESSI DECISIONALIDIREZIONALI (velocità, efficacia)

GRADO DI IMPATTO AZIENDALE (portata e rilevanza)

RISPARMIO DI TEMPO (Utenti e SI)

QUALITA’ DEI DATI E DELLEINFORMAZIONI(riduzione rischi aziendali)

INNOVAZIONE DEI PROCESSI OPERATIVI(adattabilità, velocità)(riduzione costi o capitale circolante)RIDUZIONE DI

COSTI OPERATIVI(efficienza)

DIF

FIC

OLT

A’ D

I MIS

UR

AZ

ION

E Q

UA

NT

ITAT

IVA

CONOSCENZA AZIENDALE(differenziale competitivo)

VA

LOR

E D

EG

LI INTA

NG

IBLE

S

consumer

RECENCY, FREQUENCY,

MONETARY

FIDELITY CARD, PUNTI PREMIO

STRUMENTI DI PAGAMENTO

SOCIAL WEB DATA (RT e non RT)

BASKET E MIX

DI ACQUISTO

PROFILO SOCIO-DEMOPROFITABILITY

DATI DATI STRUTSTRUT--TURATITURATI


DATI DATI NON NON

STRUTT.STRUTT.

DATI IN DATI IN STREAMISTREAMI

NG, NG, RealTimeRealTime





Una “vista analitica degli oggetti di business”: Versoi Big Data!

consumerGEO-POSITIONING

FEEDBACK E-SURVEY

INFORMAZIONI E RECLAMI

AL CONTACT CENTER

VIDEO-INTELLIGENCE

(riconoscimento volti e

Comportamento fisico)

GARANZIE PRODOTTI

Un esempio di BIG DATA: velocity, variety, volume. I vettori di conoscenza del consumer

DATI DATI NON NON

STRUTT.STRUTT.


NGNG, , RealTimeRealTime


RealTimeRealTime

Ogni persona o cosa o evento naturale, ogni oggetto o evento di business generano attorno a sé in modo sempre più automatico dati digitali (nel privato, nell’ambiente fisico e relazionale o in azienda); non solo sul web!

Le origini dei BIG DATA

Nuove Tecnologie di data mgmt e di data analysis

Capacità di analisi e interpretazione

New

Knowledge

and Insights

Big Data Framework

Data Velocity Data Volume

Big Data: definizione e alcuni risultati di una ricercasu 202 CIO di medio-grandi aziende italiane

Data Quality

(Veracity),

Security, Privacy

New

Potential

Business

Value

Enablers to Big Data

BI & Analytics,

DB platformCloud services

Management

Culture and

Capabilities,

New Skills

Information

Complexity Scale

High

Low

Data Variety (number of sources and

types of formats)

Quali tra le seguenti FONTI DI DATI associa maggiormente ai Big Data?

Social networks e social media (es. Facebook, Twitter, blogs, forum, …) 54%

Documenti cartacei digitalizzati 52%

Email 46%

Transazioni 40%

Immagini 34%

Registrazioni video 32%

Dati di geo-posizionamento (GPS) 25%

12

Dati di geo-posizionamento (GPS) 25%

Dati generati da sensori o misuratori digitali (es. RFID, NFC, meters) 25%

Automazione processi produttivi 24%

Clickstream – Web Log 18%

M2M (Machine to Machine) data - Internet of Things 17%

Digitalizzazione dei processi di R&D (es. nella bioinformatica e biogenetica, chimica, climatologia, ecc.)

15%

Registrazioni audio 12%

Altro (specificare) 3%

Principali aree di impatto e di beneficio di business dei Big Data

1. accuratezza delle analisi del comportamento del mercato e nelle maggiori

informazioni sui Clienti (più dimensioni di analisi) al fine di servirlo meglio

(con piattaforme digitali di Customer Experience multicanale)

2. costruzione di una nuova piattaforma IT (che superi i limiti del DW, che

permetta analisi di milioni di transazioni, che permetta di analizzare grandi

quantità di dati strutturati e non, ecc.)

3. velocità delle insight a supporto delle decisioni strategiche (predizioni, 3. velocità delle insight a supporto delle decisioni strategiche (predizioni,

scenari e previsioni di medio-lungo termine)

4. analizzare e gestire Point-of-interest aziendali (PdV, magazzini,

concessionari e dealer, turbine, cantieri, ecc.) e infrastrutture sul territorio

(reti elettriche, canalizzazioni, strade, ecc.)

5. Analisi di dati strutturati e non che convergono in documenti aziendali core

dematerializzati (fascicoli sanitari, gestione sinistri, …)

6. Ottimizzazione dei processi aziendali (supply chain complesse, campagne

promozionali ripetitive, …)

13

Dove risiede il possibile committentaziendale?

Il CXO più interessato ai Big Data e che può generare il giusto

committment aziendale, è:

1. CIO: 37% ma non da solo per il 19% del campione, e con un ruolo

maggiore nelle fasi iniziali di comprensione dei Big Datamaggiore nelle fasi iniziali di comprensione dei Big Data

2. Comitato interfunzionale di CXO (21%): “Big data = Big

Brainstorming!”: cruciale nella fase di identificazione delle aree su

cui investire e nel lancio dell’iniziativa

3. CMO (20%): importante nella fase di implementazione dei Big Data,

soprattutto se nel suo dominio di competenza

14

What Business Managers think: una ricerca Global

(IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012)

Gli Enabler organizzativi dei Big Data

1. il funding, il budget delle iniziative (22%)

2. la corretta valutazione dei ritorni dell’investimento

(14%)

3. il committment direzionale (13%)

4. le competenze interne (tecnologiche, analitiche, 4. le competenze interne (tecnologiche, analitiche,

interpretative) (12%)

16

Gli Enabler tecnologici dei Big Data

4,23

4,13

4,05

3,84

Cloud computing/ICT as-a-service

Hadoop/MapReduce

Streaming processing

ICT Outsourcing

17

4,85

4,57

4,56

4,49

4,31

1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Business Analytics

Strumenti per l’Integrazione di dati (es. ETL, etc.)

Content Analytics

Sistemi di database management non relazionali (es. inmemory,

columnar)

Sistemi di database management relazionali

Fase attuale del ciclo di esperienza/maturità nei Big Data

1. La maggioranza delle aziende si presenta nella Fase di

comprensione dei BD e dei loro possibili benefici (57%).

2. Un’altra porzione di rilievo (25%) è consapevole del valore dei BD

ma ha “priorità” immediate nella gestione della privacy e della

sicurezza dei dati.

3. Il 25% non sente il bisogno dei BD (con un 7% che ha però avviato

una fase di comprensione).

4. il 18% ha definito una strategia di BD o sta svolgendo studi di

fattibilità o ha avviato progetti in ambito (ricerca a livello Global:

28 % in Execution; 48% in Planning).

Vestas

Vestas Wind System, azienda danese fondata nel 1979, è specializzata

nella fornitura e installazione di turbine per la produzione di energia

eolica. Ad oggi ha installato più di 43.000 turbine eoliche in 66 paesi e

6 continenti.

Per sfruttare l’investimento fatto in una turbina eolica fondamentale è

La criticità delle previsioni e stime sui flussi dei venti ha però portato

Vestas a investire in una nuova applicazione che permettesse di

raggiungere un livello di granularità maggiore spingendosi a

suddividere l’analisi del territorio in aree di soli 10 m2di analisi anziché

di 27 Km2. La soluzione sviluppata, inoltre, è in grado di prevedere i

flussi dei venti in modo estremamente veloce e accurato basandosi su

178 parametri (temperatura, pressione barometrica, umidità,

precipitazioni, direzione e velocità del vento, etc.). Attraverso l’uso di

questi dati, Vestas è in grado di ottimizzare il posizionamento delle

turbine, massimizzando l’energia prodotta e la longevità dell’impianto.

Risultati

• Aumento della precisione nella definizione della localizzazione

delle turbine grazie alla possibilità di analizzare più dati e con

un maggior dettaglio.

Risultati

• Aumento della precisione nella

definizione della localizzazione

delle turbine grazie alla

possibilità di analizzare più dati

e con un maggior dettaglio.

• Diminuzione del costo

dell’energia per Kilowatt ora e

conseguente incremento delPer sfruttare l’investimento fatto in una turbina eolica fondamentale è

la sua localizzazione. Infatti, le turbine sono costruite per operare in

condizioni climatiche particolari e solo se sono rispettati certi

parametri climatici la turbina è ottimizzata e non incorre in

malfunzionamenti e problemi tecnici. Per questo motivo parte

integrante dell’attività di Vestas è la definizione del posizionamento

migliore delle turbine per conto dei propri clienti e il supporto a questi

ultimi nel calcolo del ritorno dell’investimento. Questa attività è

particolarmente critica perché un errore di valutazione genera

immediati costi di manutenzione e la perdita del cliente che, a seguito

di questo errore, non riesce a ottenere il ritorno desiderato

dall’investimento fatto. Vestas per svolgere questa attività ha costruito

nel tempo la c.d. “Wind Library” che raccoglie dati sul sistema

meteorologico globale tramite le turbine già installate e 35.000

stazioni meteorologiche dislocate in tutto il mondo.

un maggior dettaglio.

• Diminuzione del costo dell’energia per Kilowatt ora e

conseguente incremento del ritorno dell’investimento per i

clienti.

• Riduzione dei tempi di risposta nelle attività di simulazione e

previsione di circa il 97%.

Soluzioni implementate

• IBM InfoSphere BigInsights Enterprise Edition.

conseguente incremento del

ritorno dell’investimento per i

clienti.

• Riduzione dei tempi di risposta

nelle attività di simulazione e

previsione di circa il 97%.

Hertz

Hertz è il più grande Brand di autonoleggio, aeroportuale, con oltre

8.300 sedi in 146 paesi.

Hertz continuamente richiede e riceve feedback dai propri clienti

mediante sondaggi web, email e messaggi di testo. Tutti i dati non

La soluzione implementata, in particolare, permette di classificare

automaticamente i dati non strutturati raccolti mediante l’utilizzo di

regole linguistiche restituendo report facilmente interpretabili e

analizzabili dal management.

Risultati

• Riduzione dei tempi necessari al trattamento/preparazione

dei dati non strutturati e conseguente incremento del tempo

disponibile per la loro analisi.

• Maggior conoscenza dell’opinione dei clienti e delle

determinati della loro soddisfazione o insoddisfazione.

• Maggior controllo sui processi aziendali core (noleggio,

consegna e ritiro).


Risultati

• Riduzione dei tempi necessari per

la raccolta multicanale e per il

trattamento/preparazione dei dati

non strutturati e conseguente

incremento del tempo disponibile

per la loro analisi.

• Maggior conoscenza dell’opinione

dei clienti e delle determinati della mediante sondaggi web, email e messaggi di testo. Tutti i dati non

strutturati così raccolti rappresentano una fonte molto preziosa per

misurare il grado di soddisfazione dei propri clienti e capire quali sono i

limiti del servizio erogato che possono generare insoddisfazione nella

clientela.

Per sfruttare appieno questo potenziale informativo, Herts ha avviato

l’implementazione di un sistema per raccogliere i dati non strutturati,

elaborarli ed estrarre le informazioni rilevanti per il business e renderle

disponibili al management per analisi volte a identificare trends,

criticità/opportunità e modificare conseguentemente il servizio offerto

in termini di contenuto e qualità per renderlo coerente con le richieste

dei clienti.

L’analisi di questi dati permette, inoltre, di comprendere i punti di

forza e di debolezza dei processi aziendali (di noleggio, consegna e

ritiro) e intraprendere le necessarie azioni correttive.

• IBM Content Analytics.

dei clienti e delle determinati della

loro soddisfazione o

insoddisfazione.

• Maggior controllo sui processi

aziendali core (noleggio, consegna

e ritiro).

Annenberg Innovation Lab University of Southern California

Annenberg Innovation Lab è un centro di ricerca dell’University of

Southern California, una tra le università più importanti degli Stati

Uniti. Il Lab, in particolare, svolge attività di ricerca focalizzata

principalmente sui Digital Media e sul loro impatto nelle

Risultati

• Visualizzazione in tempo reale delle percezioni e delle reazioni

del pubblico alle risposte fornite da parte dei candidati politici

durante i dibattiti.

• Previsione del vincitore del dibattito basata sull’opinione

pubblica anziché esclusivamente su quella degli analisti e degli

schieramenti politici.


• IBM InfoSphere Streams.

Risultati

• Visualizzazione in tempo reale

delle percezioni e delle reazioni

del pubblico alle risposte fornite

da parte dei candidati politici

durante i dibattiti.

• Previsione del vincitore del

dibattito basata sull’opinione

pubblica anziché esclusivamente principalmente sui Digital Media e sul loro impatto nelle

amministrazioni pubbliche, nelle imprese private e nella società civile

in generale.

All’interno di questo filone di ricerca il Lab ha avviato un progetto

finalizzato alla misurazione del “sentimento” pubblico durate le

votazioni primarie e i dibatti presidenziali.

Per fare ciò, è stata realizzata una soluzione in grado di raccogliere i

messaggi postati su Twitter durante i dibattiti politici, di analizzarne il

contenuto attraverso strumenti capaci di interpretare il linguaggio

naturale, di classificare il messaggio in funzione del suo reale

significato (disambiguazione del linguaggio ricco di “modi di dire”,

espressioni sarcastiche, etc.) e infine di capire e interpretare i

sentimenti (positivi, negativi, neutrali) verso i candidati e verso i temi

socio-economici oggetto dei dibattiti politici.

pubblica anziché esclusivamente

su quella degli analisti e degli

schieramenti politici.

Mediaset S.p.A.

Mediaset S.p.A. è un'azienda privata italiana, fondata nel 1978,

specializzata primariamente in produzione e distribuzione televisiva in

libera visione (free to air, FTA) e a pagamento (pay-tv e pay per view),

oltre che in produzione e distribuzione cinematografica, multimediale

e in raccolta pubblicitaria. Oggi conta più di 6000 dipendenti, ha

partecipazioni in più di 40 società con sedi in vari paesi, ed è il il primo

grado di soddisfazione dei clienti rispetto ai propri prodotti e rispetto a

quelli dei concorrenti.

La soluzione testata ha permesso di analizzare molteplici fonti dati non

strutturate, individuare “hot words” e trend dei prodotti e servizi

offerti da Mediaset, comparare queste informazioni con le altre

disponibili in azienda, valutare la loro rilevanza rispetto alle priorità di

business definite.

Risultati

• Monitoraggio del “sentiment” dei clienti rispetto al brand e ai

prodotti/servizi offerti.

• Utilizzo di alcuni indicatori rappresentativi del comportamento

dei clienti per intercettare le opinioni degli utenti e poter

studiare azioni mirate volte a gestire e ridurre l’eventuale

insoddisfazione dei clienti.

Risultati

• Monitoraggio del “sentiment” dei

clienti rispetto al brand e ai

prodotti/servizi offerti.

• Utilizzo di alcuni indicatori

rappresentativi del comportamento

dei clienti per intercettare le

opinioni degli utenti e poter

studiare azioni mirate volte a

gestire e ridurre l’eventuale

insoddisfazione dei clienti.partecipazioni in più di 40 società con sedi in vari paesi, ed è il il primo

gruppo televisivo in Italia e Spagna e leader in Europa.

Per mantenere il proprio ruolo di primo piano nel settore, Mediaset è

alla continua ricerca di nuovi modelli di servizi e di distribuzione di

contenuti digitali per rispondere alle esigenze e ai gusti in continua

evoluzione dei propri clienti.

Considerando i Social Media una nuova fonte estremamente

interessante e rilevante per comprendere le opinioni dei propri clienti,

Mediaset ha deciso di testare una soluzione in grado di raccogliere e

analizzare i dati non strutturati dei social media e successivamente

compararli con i dati oggi disponibili in azienda e i dati di mercato

provenienti dalle fonti più tradizionali; l’obiettivo principale è quello di

valutare se l’analisi dei dati destrutturati possa affiancare gli altri

strumenti di marketing a disposizione dell’azienda e di misurare il


• Feedback dei risultati alle diverse Business Unit aziendali.


• IBM Social Media Analytics.


• Feedback dei risultati alle diverse

Business Unit aziendali.

Il pensiero di un panel di Business User:preview di alcuni risultati

e-Survey: “Come avere successo nel

business gestendo bene i propri (e altrui!)

dati aziendali”

Dom. 7 - Ritiene che le informazioni provenienti dal web –in particolare dal mondo social – possano essere utili per la sua attività e ritiene di saperle già adeguatamente raccogliere, filtrare ed elaborare?

si

14%

raramente

16%

no

6%

24

nella maggior

parte

34%qualche volta

30%

Dom. 8 – Ritiene che per la sua attività in azienda, oltre ai dati quantitativi più tradizionali (relativi alle vendite, agli ordini, alla produzione e distribuzione, etc.), siano rilevanti anche i dati cosiddetti meno strutturati e meno immediatamente fruibili, come le email, le immagini e i video, i dati dei siti web, e così via?

si, già ora

22%

Forse tra 3 anni

11%

No

6%

25

Sicuramente già ora

se la raccolta,

l’archiviazione,

l’elaborazione e la

fruizione fossero

facili ed economiche

61%

Dom.9a - Esistono diverse funzionalità software per accedere, analizzare e presentare dati di varia natura: quali delle seguenti conosce e/o utilizza?

63%

70%

74%

77%

77%

81%

37%

30%

26%

23%

23%

19%

Analisi predittiva (cosa succederà?) e previsionale (cosa succederà se il

trend continua)

Cruscotti, dashboard, soglie e allarmi su eventi di business

Query e reporting libero

Reporting (strutturato)

Funzioni di previsione e di pianificazione

Analisi statistica semplice (medie, frequenze, varianze, etc.)

26

32%

37%

46%

49%

54%

63%

63%

68%

63%

54%

51%

46%

37%

37%

0% 20% 40% 60% 80% 100%

Modelli deterministici, matematici, di ottimizzazione

Analisi multidimensionale (c.d. OLAP)

Content/text mining

Data mining e analisi statistica complessa (analisi delle associazioni,

analisi fattoriale, etc.)

Simulazioni (what-if, goal seeking, sensitività, etc.), scenari, modelli

probabilistici di business

Analisi grafica e visuale (navigazione in forme grafiche diverse)

trend continua)

si no

Dom. 10 - Quale intervento IT sarebbe prioritario, a suo avviso, per migliorare l’analisi e la gestione dei dati aziendali? (1 risposta)

acquisire servizi in

Cloud di raccolta e

archiviazione dei dati

esterni necessari (dati

dai punti vendita, dai

centri di assistenza, dai

social web, etc.);

28%

acquistare sistemi

acquisire un servizio

integrato di raccolta,

analisi, previsioni e

visualizzazione dei dati

in Cloud.

33%

27

acquistare sistemi

hardware che

memorizzino volumi

maggiori di dati e li

elaborino più

velocemente;

8%

acquistare nuovi

software per analisi e

visualizzazione dei dati;

19%

acquistare nuovi

software per le

previsioni e le

simulazioni del futuro

business aziendale;

13%

Dom. 11 – Quale intervento organizzativo sarebbe prioritario fare a suo avviso per migliorare la gestione e l’analisi dei dati aziendali? (1 risposta)

preparare/formare i

manager all’utilizzo

intelligente dei dati;

28%

assumere manager

abitualmente già pronti

a basare la propria

attività più su fatti e

ampliare le

competenze IT presenti

in azienda.

23%

28

attività più su fatti e

dati oggettivi

riguardanti il passato, il

presente e il futuro;

5%

assumere uno

specialista di raccolta,

analisi e visualizzazione

dei dati;

14%

progettare un’unità

organizzativa formale

ma snella, dedicata alla

raccolta, analisi e

visualizzazione dei dati;

31%

Dom. 13 – Per lanciare in azienda un’iniziativa di miglioramento delle attività di raccolta, analisi e visualizzazione dei dati, a suo avviso, è indispensabile: (max. 2 risposte)

disporre delle necessarie competenze interne e esterne

disporre di un adeguato budget

fare prima un pilota o una sperimentazione a basso costo

31%

33%

39%

29

saper realizzare un buon piano di investimento e di

valutazione dei ritorni

costituire un team o un comitato di manager rappresentanti

di tutte le funzioni aziendali

selezionare un partner IT competente che possa affiancare

l’azienda in questo percorso di sviluppo nella “Business

Intelligence, nelle Business Analytics e nel più recente …

avere il supporto dell’alta direzione o della proprietà

aziendale

0% 20% 40% 60% 80% 100%

9%

13%

19%

20%

Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013

Documents

Transcript of Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013