Copyright SDA Bocconi, Paolo Pasini 1

Business Intelligence, Business Analytics,

Big Data e valore aziendale P. Pasini

Responsabile Unit Sistemi Informativi

Direttore Osservatorio BI

SDA Bocconi School of Management

Paolo.pasini@unibocconi.it

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)

Il passaggio dal trattamento dei dati “financial” ai “non financial” è

fondamentale, ma è ancora faticoso:

es. i casi di Balanced Scorecards, Value-Based Mgmt, …,

es. 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, …), creati da fonti interne

(email, documenti dematerializzati, …) ed esterne

(web log, social data, web content, …)

4° fase: crescenti disponibilità di dati con mix

diversi di elevati 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

“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)

PRECA BRUMMEL. Il processo di 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.

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.

6

Processi decisionali core business per settore e relative Analytical Applications

Settore Core Analytical Applications Portfolio

Servizi

finanziari

Credit scoring, fraud detection, pricing dinamico, claims analysis, customer

profitability, channel profitability, compliance

Retail Promotions analysis, ottimizzazione dei riassortimenti, ottimizzazione degli

scaffali, demand forecasting, ottimizzazione della logistica e dei centri

distribuzione, pricing, geo-intelligence

Manifatturiero Supply chain optimization (matching tra stabilimenti-magazzini-PdV), demand

forecasting, analisi garanzie, previsione personalizzazione e innovazione prodotti

Health care Diagnosi preventiva, previsione visite, revenue management, financial resource

analysis e forecasting

Energy, Utility Energy management, trading allocation, demand forecasting, compliance, pricing

and contracts differentiation

Telco Customer retention, demand forecasting, capacity planning, network

optimization, customer profitability

Web channels Web site metrics, customer recommendations and advs, Social Media Analysis,

Location based services analysis

… …

The new BI scenario

BI Tools

What’s the best that can happen?

What will happen next?

What if these trends continue?

Why is this happening?

What actions are needed?

Where exactly is the problem?

How many, how often, where?

What happened? Co

mp

eti

tiv

e A

dv

an

tag

e

Degree of Intelligence Insight

Decision Optimization

Predictive Analytics

Forecasting

Statistical models

Alerts

Query/drill down

Ad hoc reports

Standard reports

(adattamento da Davenport, 2007)

Information

BI Analytics

Applicazioni di BI/Analytics: diversi livelli di impatto sui risultati aziendali

Energy management, nuovi contratti clienti, nuovi modelli di pricing, mix dei ri-assortimenti, scelte di supply chain, …

CRM, analisi contatti, segmentazioni, cross-selling, analisi dei reclami/soddisfazione/ fedeltà, …

Business Performance Management, KPI, BSC, analisi redditività di prodotto/servizio/canale/ segmento clienti, analisi di efficienza o qualità del parco asset o delle HR, …

IMPATTO DIRETTO

SULLA BOTTOM LINE

IMPATTO “MEDIATO”

SULLA BOTTOM LINE

IMPATTO INDIRETTO

SULLA BOTTOM LINE

10

consumer

RECENCY, FREQUENCY,

MONETARY

FIDELITY CARD, PUNTI PREMIO

STRUMENTI DI PAGAMENTO

SOCIAL WEB DATA (RT e non RT)

GEO-POSITIONING

FEEDBACK E-SURVEY

INFORMAZIONI E RECLAMI

AL CONTACT CENTER

VIDEO-INTELLIGENCE

(riconoscimento volti e

Comportamento fisico)

GARANZIE PRODOTTI

BASKET E MIX

DI ACQUISTO

PROFILO SOCIO-DEMO PROFITABILITY

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

DATI

STRUT-

TURATI

DATI

STRUT-

TURATI

DATI

NON

STRUTT.

DATI IN

STREAMI

NG,

RealTime

DATI

NON

STRUTT.

DATI

STRUT-

TURATI

DATI IN

STREAMI

NG,

RealTime

DATI IN

STREAMI

NG,

RealTime

DATI IN

STREAMI

NG,

RealTime

Una “vista analitica per oggetti di business”: Verso i Big Data!

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!

Nuove

Tecnologie di

data mgmt e di

data analysis

Capacità di

ricercare, di

analizzare e di

interpretare

Le origini dei BIG DATA

È un fenomeno di management, non solo di ICT!

e-Survey: “Big Data: le nuove frontiere della conoscenza aziendale”

e-Survey: “Come avere successo nel business gestendo bene i propri (e altrui!) dati aziendali”

BIG DATA & BIG BROTHER: Minacce, percezioni individuali, privacy

Data Quality(Veracity),

Security, Privacy

New Knowledgeand Insights

New PotentialBusiness

Value

Big Data Framework

Enablers to Big Data

BI & Analytics, DB platform

Cloud services

Management Culture and Capabilities,New Skills

Information Complexity Scale

High

Low

Data Velocity Data Volume

Data Variety (number of sources and

types of formats)

Big Data Framework

La ricerca

Target: CIO e IT Executive di medio-grandi imprese italiane

202 imprese partecipanti

Manifatturiero: 31%; Distribuzione e Logistica: 18%; Finance: 11%; PAL-Sanità: 18%, Servizi-Utilities: 22%

Medie Imprese (< 1000 dip.) 51%; Medio-grandi Imprese (1000-5000 dip.) 26%, Grandi imprese (> 5000 dip.) 23%

Aziende domestiche 49%; Multinazionali italiane 25%; Consociate di multinazionali estere 26%

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

20

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%

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 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, 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, …)

21

Rilevanza per gli executive

L’Executive più interessato ai Big Data e che può generare il giusto committment aziendale, è:

1. CIO/IT manager: 37% ma non da solo per il 19% del campione, bensì

con il CEO (5%) o il DG (4%), con il Direttore AFC (5%), con il direttore Mktg (5%)

2. Comitato interfunzionale di Executive (21%): “Big data = Big Brainstorming!”

3. Direttore Mktg (20%)

22

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).

Fase attuale del ciclo di esperienza/maturità nei Big Data

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, interpretative) (12%)

25

BI/Analytics Organization

(MIT Sloan Management Review in

collaboration with the IBM Institute

for Business Value, “Big Data,

Analytics and the Path From

Insights to Value, winter 2011)

BICC centrale

BICC divisionale

27

Gli Enabler tecnologici dei Big Data

4,85

4,57

4,56

4,49

4,31

4,23

4,13

4,05

3,84

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

Cloud computing/ICT as-a-service

Hadoop/MapReduce

Streaming processing

ICT Outsourcing

ALCUNI CASI PIONIERI E CASI DI ECCELLENZA

Insight dei Processi R&D e innovazione di

prodotto/servizio

Insight dei Processi gestionali, incluso

risk mgmt

Insight delle relazioni con

partner esterni

Insight dei PoI o Infrastrutture

aziendali (incl. ICT)

Insight di mercato e clienti

Insight per Strategie future, scenari, business model

Insight sui documenti core dematerializzati

Ve

loci

ty

TerraEchos (RT acoustic data analysis)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

University of Western Ontario (RT neonatal patient conditions analysis)

Barnes & Noble (RT sales track for suppliers and RT inventory analysis)

Asian Telco (network monitoring e processo di billing)

Telecom (Service level analysis)

Barnes & Noble (RT sales track for suppliers and RT inventory analysis)

Dublin City Center; (RT public transportation data analysis)

Battelle (RT and DWH smart grid data analysis)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

U.S. Wireless Telco (RT cells and customer calls Data analysis)

Asian Telco (network monitoring)

Mutiutility italiana (RT power network analysis and predictive)

Telecom (Service level analysis)

University of Southern California(RT Twitter data analysis for political aims)

Ufone (campaign data streams analysis)

Globe Telecom (RT mktg data analysis)

U.S. life Insurance Company (RT predictive analysis of churn)

MobyLines (RT customer profiling and custom content delivery)

Var

iety

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

TerraEchos (RT acoustic data analysis)

Vestas (wind turbine positioning)

Asian health Bureau (patient images analysis in rural telemedicine)

Hertz (content analytics)

Vestas (wind turbine positioning)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

University of Southern California (RT Twitter data analysis for political aims)

Hertz (content analytics)

U.S. Wireless Telco (RT cells and customer calls Data analysis)

Mediaset (social analytics; virtual customer profile analysis)

Multinational CPG manufacturer (velocità ed efficacia dell’enterprise search)

Multinational Aeromobile manufacturer (velocità ed efficacia dell’enterprise search)

Vo

lum

e

TerraEchos (RT acoustic data analysis)

Asian Health Bureau (patient images analysis in rural telemedicine)

Vestas (wind turbine positioning)

Asian Telco (network monitoring e processo di billing)

Battelle (RT and DWH smart grid data analysis)

U.S. Wireless Telco (RT cells and customer calls Data analysis)

Mutiutility italiana (RT power network analysis and predictive)

Telecom (Service level analysis)

University of Southern California California (RT Twitter data analysis for political aims)

1. Buona distribuzione dei casi nei 3 attributi base dei Big Data

(velocity, variety, volume), con mix diversi degli stessi

2. Conferma che l’esperienza di BD si sta trasferendo

• dal mondo fisico (analisi delle infrastrutture e dei PoI aziendali,

soprattutto nelle Telco, nell’Energy e nel trasporto pubblico) e

della R&D (innovazione di prodotto/servizio, nel mondo medico,

meteo, sicurezza)

• al mondo del management (soprattutto nelle analisi del

mercato/clienti e dei processi gestionali core)

3. Più difficile per ora osservare esperienze di BD nella definizione di

strategie e scenari futuri, e nell’analisi delle relazioni con i fornitori e

partner

Alcuni commenti generali ai casi osservati

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 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.

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.

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.

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 del ritorno dell’investimento per i clienti.

Riduzione dei tempi di risposta nelle attività di simulazione e previsione di circa il 97%.

Volumi (e fonti dati varie)

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

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.

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).

Soluzioni implementate

IBM Content Analytics.

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 loro soddisfazione o insoddisfazione.

Maggior controllo sui processi aziendali core (noleggio, consegna e ritiro).

Volumi e varietà

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

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.

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.

Soluzioni implementate

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 su quella degli analisti e degli schieramenti politici.

Volumi e velocità

Risultati

Aumento del conversion rate dello 0,5%.

Miglioramento dell’efficacia delle azioni di marketing attraverso una maggior comprensione in tempo reale del comportamento d’acquisto dei clienti.

Velocità (e varietà)

TerraEchos

TerraEchos è leader nella fornitura di sistemi di intelligence segreta e

di sistemi di sorveglianza. Tra i suoi clienti, c’è il National Lab di

ingegneria applicata che supporta il Department of Energy (DOE)

americano nella ricerca energetica e nucleare e nelle attività per la

difesa nazionale.

TerraEchos ha sviluppato un sistema per la sorveglianza basato

sull’analisi dei dati sonori a bassa latenza. In particolare il sistema

implementato è un sistema di sicurezza e sorveglianza per individuare,

classificare e monitorare le minacce potenziali altamente sensibili per il

National Lab.

La soluzione raccoglie i dati acustici provenienti dalla rete di sensori in

fibra ottica. Successivamente li analizza per la rilevazione di minacce, la

classificazione, la prevenzione e la comunicazione agli enti di analisi e

intervento.

Risultati

Analisi e classificazione in tempo reale dei dati acustici in

streaming.

Integrazione di dati video provenienti dai sistemi di

sorveglianza con i dati acustici per fornire una visione olistica

delle potenziali minacce.

Predisposizione di una più veloce e intelligente risposta alle

potenziali minacce rilevate.

Soluzioni implementate

IBM InfoSphere Streams.

Risultati Analisi e classificazione in tempo

reale dei dati acustici in streaming. Integrazione dei dati video

provenienti dai sistemi di sorveglianza con i dati acustici per fornire una visione olistica delle potenziali minacce.

Predisposizione di una più veloce e intelligente risposta alle potenziali minacce rilevate.

Volumi, velocità (e varietà)

University Western of Ontario, Institute of Technology (UOIT)

L’Università dell’Ontario, fondata nel 2002, è un importante centro di

ricerca canadese costantemente impegnato nel trovare strumenti

innovativi per offrire assistenza sempre più efficace e proattiva in

campo medico.

Oggi i pazienti sono costantemente monitorati con specifici apparecchi

in grado di segnalare scostamenti dai valori vitali considerati normali in

modo da poter intervenire tempestivamente e in modo mirato sulla

eventuale patologia nascente o in corso.

L’osservazione però ha dimostrato che un’analisi più approfondita del

paziente può intercettare l’insorgere di complicazioni molto prima che

queste si manifestino in tutta la loro gravità. È quindi importante poter

individuare anche i cosiddetti “segnali deboli” che possono permettere

un intervento in una fase precoce della patologia in essere.

L’importanza della diagnosi precoce è ancora più rilevante e critica in

pazienti particolarmente indifesi come i neonati nati prematuri.

È stata così sviluppata una soluzione in grado di analizzare i dati dei

bambini nati prematuri e monitorarne le condizioni costantemente in

modo da permettere una valutazione e una comparazione con i dati

fisiologici “normali” dei neonati e consentire di evidenziare

cambiamenti anche molto lievi. In questo modo è possibile per il

personale ospedaliero intervenire tempestivamente e soprattutto

quando la situazione non è ancora critica.

Risultati

Rilevazione di eventuali condizioni critiche del paziente con un

anticipo fino a 24 ore prima.

Minore mortalità e migliore assistenza al paziente neonato.

Soluzioni implementate

IBM InfoSphere Streams.

IBM DB2.

Risultati Rilevazione di eventuali

condizioni critiche del paziente con un anticipo fino a 24 ore prima.

Minore mortalità e migliore assistenza al paziente neonato.

Velocità e varietà (e volumi)

Insight dei Processi R&D e innovazione di prodotto/servizio

Insight deiProcessi gestionali, incluso risk

mgmt

Insight delle relazioni con

partner esterni

Insight dei PoI o Infrastrutture aziendali

(incl. ICT)

Insight di mercato e clienti

Insight per Strategie future, scenari

Insight sui documenti

core dematerializz

ati

Bu

sin

ess

Val

ue

Re

ven

ue

incr

ee

se

TerraEchos (RT acoustic data analysis)

Vestas (wind turbine positioning)

Telecom (service level

monitoring)

Ufone (campaign data streams analysis)

Globe Telecom (RT mktg data analysis)

U.S. life Insurance Company (RT predictive analysis of churn)

Hertz (content analytics)

Mediaset (social analytics; virtual customer profile analysis)

MobyLines (RT customer profiling and custom content delivery)

Wo

rkin

g ca

pit

al

red

uct

ion

Barnes & Noble (RT sales track for suppliers and RT inventory analysis)

Major U.S. Wireless Telco (RT cells Data analysis)

Co

st r

edu

ctio

n

Asian health Bureau (patient images analysis in rural telemedicine)

Hertz (content analytics)

Asian Telco (network monitoring e processo di billing)

Dublin City Center (RT public transportation data analysis)

Major U.S. Wireless Telco (RT cells Data analysis)

Battelle (RT and DWH smart grid data analysis)

Asian Telco (network monitoring)

Mutiutility italiana (RT power network analysis and predictive)

Multinational Aeromobile manufacturer (enterprise search)

Inta

ngi

ble

ass

et

valu

e

(bra

nd

rep

uta

tio

n, r

isk

mgm

t, k

no

wle

dge

, re

lati

on

ship

val

ue

, so

cial

val

ue,

…)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

University of Western Ontario (RT neonatal patient conditions analysis)

Asian health Bureau (patient images analysis in rural telemedicine)

Vestas (wind turbine positioning)

Dublin City Center (RT public transportation data analysis)

Telecom (service level monitoring)

University of Southern California(RT Twitter data analysis for political aims)

Hertz (content analytics)

Multinational CPG manufacturer (enterprise search)

Multinational Aeromobile manufacturer (enterprise search)

I Business Value più rilevati

1. La ricerca della riduzione dei costi aziendali o del

capitale circolante, come Business Value dei BD,

non sembra il fine più perseguito, se non nelle

insight delle Infrastrutture aziendali: i BD forse sono

più coerenti con crescita e innovazione!

2. Il valore in termini di Intangible Asset è sempre

presente

3. L’incremento di Revenue come valore dei BD si

manifesta ovviamente di più nei casi di Analisi del

mercato/clienti

Nuove suggestioni o trend reali? (Fonti: Gartner, Forrester, Datawarehousing Institute -TDWI.com, Information-Management.com, Osservatorio

BI-SDA Bocconi - sdabocconi.it/obi)

Maturità della BI ed Evoluzione delle applicazioni di BI:

1. Più BI Decision-oriented e meno BI Reporting-Based

2. Big Data: “Umbrella term” di Data Velocity-Variety-Volume !

• Open Data

• Web BI: dalle Web Metrics & Analytics alla Social Web BI

• Geo-Data

3. Near Real Time BI

Nuove suggestioni o trend reali?

Nuovi metodi di BI design e delivery:

1. Agile BI, Usability

2. Self-Service BI

3. User centric design, Design sperimentali, iterativi, User test

continuo

4. Autocertificazione dei dati • Velocità di generazione (bassa latenza)

• Dati non certificati da procedure o sistemi ufficiali

• Poca consapevolezza e metodi

5. Embedded analytics nei processi operativi (es. gestione di un

reclamo, Web Advertising, prevenzione medica, ecc.); molto sviluppo

custom!

Nuove suggestioni o trend reali?

Nuove tecnologie di BI:

1. Advanced visualization: la grafica è il punto di partenza delle analisi, non

l’arrivo!

2. BI collaborativa: integrazione con workflow, portali aziendali, strumenti di

messaging e communication; grande potenziale inespresso

3. InMemory: prestazioni e verso la RT information

4. Analytical Platform: nicchie di applicazioni

5. BI Mobile: quanto “spinge” realmente la BI e le Analytics?

• Apps per la raccolta dati e Apps analitiche

• Smartphone: solo per data collect e information presentation

• Tablet: anche per information analysis; i device sono decisamente più “cool”,

ma la logica del “baratto” con l’utente rimane: l’adozione del tablet è diversa

dall’adozione della BI/Analytics aziendale!

• Gestione di più piattaforme oggi presenti sul mercato (non solo Iphone e

Ipad!)

“Still dreams”: 1. BI in SaaS, in Cloud

2. BI Open source

Necessità crescente di una maggiore BI Governance

I Big Data richiedono una maggiore

BI Governance: il BI Maturity Model

1. Strategia aziendale di BI

2. Budget dedicato alla BI

3. Diffusione/penetrazione dei sistemi di BI

4. Grado di Copertura dei fabbisogni informativi

5. Grado di esperienza nella BI

6. Architettura BI

7. Standard tecnologici

8. Data Quality Management

9. Ownership e Accountability della BI

10. Unità organizzative dedicate alla BI

11. Relazioni specialisti-utenti e SLA

12. Analisi costi/benefici

13. Misurazione dei risultati

14. BI sourcing

Valori Medi delle imprese italiane, dati 2008

BI Strategy

BI Diffusion

BI Architecture

BI Organization

BI Measurement

BI Sourcing

Fase 1

Sperimenta-

zione

Fase 2

Crescita

Fase 3

Integra-

zione

Fase 4

Ottimizza-

zione

Fase 5

Distintività

Assessment

BI Governance

Profilo

Punti di

forza e di

debolezza

Piano di

sviluppo

della BI