Come le IT aiutano le imprese a controllare meglio la gestione e a prendere decisioni aziendali...
-
Upload
smau -
Category
Technology
-
view
218 -
download
0
Transcript of Come le IT aiutano le imprese a controllare meglio la gestione e a prendere decisioni aziendali...
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
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