Smau Napoli 2014 Paolo Pasini - Big Data

Copyright SDA Bocconi, [email protected]

Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi

Paolo Pasini Director of Information Systems Management Unit

Responsabile Osservatorio Business Intelligence (www.sdabocconi.it/obi)


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)

Esperienze e velocità comunque diverse (es. redditività di cliente)

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. si

vedano i casi di Balanced Scorecards, Value-Based

Mgmt, KPI non financial,…)

http://www.google.it/url?sa=i&rct=j&q=&source=images&cd=&cad=rja&docid=UM_HPROEW0XeMM&tbnid=o7v9kpInePC1_M:&ved=0CAUQjRw&url=http://blog.tagliaerbe.com/2012/07/brand-percezione.html&ei=8QWvUbbXO4OrOoHdgKAE&bvm=bv.47380653,d.bGE&psig=AFQjCNG5wjsMG29UaID_Q_BAFbtXrSN03A&ust=1370511165643211


Tutti i processi decisionali “complessi” si alimentano di Informazioni «Hard e Soft» e impiegano capacità di

«ricerca dati intelligente» e di «analisi dati» Informazioni Hard Interne ed esterne

Informazioni Soft Interne ed esterne

Prospetti finanziari Statistiche Informazioni da archivi storici

Notizie riferite mezzo stampa Tendenze dei settori industriali Dati di ricerca

Program-mi Piani formali Norme, leggi, circolari Contratti

Spiegazioni Giustifi-cazioni Valutazioni Interpre-tazioni

Predizioni Speculazio-ni Previsioni Stime

Opinioni Sensazioni Idee

Voci Pette-golezzi Dicerie

Grado di oggettività + -

Grado di certificabilità + -

Grado di condivisione del significato e della semantica (tassonomie, classificazioni) + -

Grado di strutturazione del contenuto (in prevalenza all’origine) + -


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 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

http://www.google.it/url?sa=i&rct=j&q=multimedia&source=images&cd=&cad=rja&docid=GJKVqhsgX-HI-M&tbnid=s799z21IfyjdEM:&ved=0CAUQjRw&url=http://blog.oureducation.in/multimedia/&ei=tQavUeC9BcaeO4HcgJgK&bvm=bv.47380653,d.bGE&psig=AFQjCNFw8yOD6xt87Ooc5cn5AF2LQGjMCA&ust=1370511391279206


La “storia”: Posizionamento dei sistemi MIS, DSS, ESS e EIS

D.S.S.

E.S.S.

Futuro Incertezza

Passato Certezza

Analisi e Diagnosi

Accesso e Presentazione

Fonte: Gary Anderson, 1989

E.I.S. M.I.S.


BUSINESS INTELLIGENCE (intelligenza, ricerca Informazioni, «spionaggio» di business)

L’evoluzione della Business Intelligence (BI)

Business Intelligence Tools

Analytic Applications/Bus.Analytics -> Analytics -> Adv. Analytics

Big Data

Inizio anni ‘90

2005

2012

Focus sui Tools Focus sull’Applicazioni Focus sui Dati


Business Intelligence

1. ricerca intelligente di dati, 2. produzione e analisi in “tempo reale relativo” di

informazioni e conoscenza 3. tramite l’integrazione di

molteplici funzionalità (BI tools), • Reporting, query, OLAP, simulazione, modelling, mining, cruscotti-scorecards,

e applicazioni (Business Analytics) • di analisi di processi e attività funzionali o di settore, di budgeting, di previsione,

predizione, di scenario analysis, di ottimizzazione, ecc.

4. “push”, ma soprattutto “pull”, 5. per il supporto di processi di controllo e di decisione 6. di manager e professional di qualunque livello aziendale 7. si “appoggia” generalmente su sistemi di

Datawarehousing o Repository di dati non strutturati


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? Com

petit

ive

Adv

anta

ge

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


La piramide delle tecnologie software della BI: dai BI Tools alle Analytics ai Big Data

Data e Content Mining

Social analytics

Analytics (statistics, math., …)

Bus.Modelling, Predictive, Simulation

Business Analytics (vertical, ...) Performance Management,

Analisi Geografica

Query e Reporting ad Hoc (“self-service”), Analisi Multidimensionale, OLAP

Cruscotti Direzionali, Reporting standard (“push”)

(Fonte: Osservatorio BI, SDA Bocconi, 2012)

AUMENTA: • IL GRADO DI

SOFISTICAZIONE E DI STRATIFICAZIONE TECNOLOGICA

• LA NECESSITA’ DI CULTURA E COMPETENZE ANALITICHE

• IL VALORE DEL SISTEMA DI BI

10

BI Tools

Analytics; Business Analytics

Advanced Analytics


Superare il massimo teorico attuale! Dalla “dovuta diligenza” alla progressiva sofisticazione dell’analisi con nuovi dati e tecnologie!

Settore Core Business Analytics 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

… …


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 degli oggetti di business”: Verso i Big Data!


Customer Experience e Customer Journey Multicanale o Omnicanale: verso i Big Data?


Data Quality (Veracity), Security, Privacy

New Knowledge

and Insights

New Potential Business

Value

Big Data Framework

Enablers to Big Data

BI & Analytics, DB platform

Data Variety (number of sources

and types of formats)

Data Volume Data Velocity

Cloud services

Management culture and capabilities; New Skills

Information Complexity scale

High

Low


1. Risolvere nuovi problemi aziendali (nuove insights e conoscenza): • Dal mondo fisico-scientifico e R&D al mondo del management aziendale

2. Mix diversi di Velocità, Volumi e Varietà (in funzione dei problemi aziendali

da risolvere)

3. Nuove ITs per gestire Velocità, Varietà e Volumi: • Database non convenzionali, es. Hadoop open source di Google (non relazionali, No-SQL,

InMemory, Columnar-DB, per dati non strutturati, es. web) e nuovi Data Integrator • Appliances e accelerators dedicate all’analisi dei dati (hardware specializzato ad alte

prestazioni) • Infrastrutture e Servizi in Cloud (da Amazon a Google a IBM) • Data Streaming Analysis e Advanced Visualization (!)

4. “Start with questions or start with collecting data?

• Approcci Top-Down, «requirements o model – based» • Approcci Bottom-up, «mining-based, searching unexpected»

BIG DATA: nuove frontiere dei dati come asset per la conoscenza aziendale

15


Andare oltre al titolo «Big Data»! Dove risiede il passo avanti nella conoscenza?

1. Riflettere nuovamente sui DATI (interni ed esterni) come risorsa aziendale, come asset informativo • Valore dei Dati risiede nelle informazioni e nella conoscenza di Business che

consentono di produrre, cioè nello sviluppo di capacità cognitive che abilitano processo decisionali più efficaci rispetto a prima (più veloci, più ampi e profondi, con qualità dei dati migliore, etc.)

• Altri concetti di valore patrimoniale sono «autoreferenzianti per l’IT», comunque non facilmente calcolabili e comunque non oggettivi (es. uso di multipli): utili in operazioni straordinarie!

• Valore in nuove aziende di proprietà dedicate alle analytics (casi di Tesco, GE, Bosch, …)

2. «Vecchi» ostacoli organizzativi: – Qualità e Ownership dei dati cross clienti-prodotti-brand-canali-etc. – Organizzazione per processi (decisionali); organizzazioni “osmotiche” nei dati – Decisioni «fact-based» e necessarie sempre le competenze di dominio

aziendale – Data Scientist “multidimensionale”, multi-profilo – Unità organizzative: Competence Center centrali o divisionali/BU


Data scientist: i vari profili e il grado di intensità differente dei vari skill/capability


Data scientist: formazione e mix armonico di skill (gradi di intensità differenti) BI/Analytics Academy (SDA Bocconi)

M

ODU

LO 1

BI/B

A G

OVE

RNAN

CE e

O

RGAN

IZAT

ION

3 gi

orni

MODULO 3

Metodi

Quantitativi e tecniche di analisi per le Analytics e i

Big Data

5 gg.

M

ODU

LO 4

Architetture e

tecnologie software

per la BI, le Analytics e i Big

Data

8 gg.

MODULO 2

PROCESSI

DECISIONALI AZIENDALI:

Marketing, Risk management, etc.

3-15 gg.


La piramide del valore della BI: capacità di generare informazioni e conoscenza rilevanti, ampie,

affidabili, tempestive

Capacità di interpretare informazioni e di produrre conoscenza (competenze di

dominio disciplinare, di contestualizzazione di settore e azienda)

Velocità, Varietà, Quantità e Qualità dei dati

BI Tools, Business Analytics e Analytics; architetture applicative di BI

Tools e piattaforme di Data Repository & Governance

Organizzazione della BI e competenze degli specialisti dell’analisi dei dati: vedi profili del Data

Scientist

Inutile il Valore Patrimoniale dei dati fine a se stesso (solo nei casi di operazioni straordinarie)!


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”


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 e reporting di prenotazioni e pagamenti delle visite.

A2A. Il processo di simulazione e di definizione di nuovi contratti luce-gas

TESCO, BOSCH, GE. Società di servizi di analitics

Modelli decisionali per GDO + FONIA MOBILE + CARBURANTI

VESTAS. Localizzazione turbine eoliche TERRAECHOS. Analisi dati video + dati audio per sorveglianza e sicurezza

MEDIASET. Analisi social dei gusti, comportamenti, trend dei clienti Premium HERTZ. Analisi multicanale soddisfazione e suggerimenti

ACEA. Ottimizzazione e predizioni incidenti sulla rete elettrica

Casi di BI e Analytics Casi di Big Data


ALCUNI CASI PIONIERI E CASI DI ECCELLENZA

Forte varietà (per ambiti, settori, risultati)

Approcci esplorativi di progettazione Reqs-based (es. Vestas o

TerraEchos) e Mining-based (es. Hertz o Twitter data analysis)

“Big Data booklet: casi pionieri e di eccellenza internazionale e italiana”

Download at www.sdabocconi.it/obi


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

Velo

city

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)


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

Asian Telco (network monitoring)

Mutiutility italiana (RT power network analysis and predictive)


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)

Varie

ty


TerraEchos (RT acoustic data analysis)

Vestas (wind turbine positioning)

Asian health Bureau (patient images analysis in rural telemedicine)

Hertz (content analytics)



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

Hertz (content analytics)


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)

Volu

me TerraEchos (RT acoustic

data analysis)

Asian Health Bureau (patient images analysis in rural telemedicine)


Asian Telco (network monitoring e processo di billing)

Battelle (RT and DWH smart grid data analysis)


Mutiutility italiana (RT power network analysis and predictive)


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


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%.


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 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

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.

• Feedback dei risultati alle diverse Business Unit aziendali.

Soluzioni implementate

• IBM Social Media Analytics.

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.

• Feedback dei risultati alle diverse Business Unit aziendali.


Tipologia di Analisi Reputation

New Concept Testing

Opinion & Satisfaction Monitoring

New Product Competition

Sentiment / Perception

Profiling, Behaviour, Experience

Social Web Network

Unità di Analisi Business Policy ALCATEL COMUNE TO COMUNE TO

Brand aziendale ALCATEL, ERIF ALCATEL, BINDA ALCATEL, EDENRED

Brand di prodotto ALCATEL, ERIF ALCATEL, BINDA, FM, PIRELLI

ALCATEL, BINDA, FM,

PIRELLI

Personale aziendale

Prodotti/Servizi attuali ALCATEL, ERIF ALCATEL,COMUN

E, ERIF, FM, PIRELLI

ALCATEL, BINDA,

COMUNE TO, ERIF, FM, PIRELLI

Nuovi Prodotti/Servizi o Eventi BINDA COMUNE TO COMUNE TO

Nuovi Concept Prodotti/Servizi BINDA, EDENRED, ERIF

Customer TUTTI I CASI

Processi aziendali ALCATEL BINDA, COMUNE TO

Concorrenti ALCATEL, FM, PIRELLI

ALCATEL, ERIF, FM, PIRELLI


Fonti Web Social Network Blogs Communities

tematiche Forum,

Newsgroups Fonti

mainstream Siti web

istituzionali

Social Web Analytics


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).


• 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).


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.


• 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.


Big Data Initiative: 1. Ricercare il giusto committment direzionale.

• (se possibile) ricercare un legame tra potenziali iniziative Big data e linee guida strategiche dell'azienda

• chi fa da Pivot, da Hub e da incubatore? • sponsorship da parte di un CXO, o meglio se di un Comitato direttivo,

interfunzionale • rilevante Business/IT relationship, ma anche Business/Business relationship!!!

• business case e studi di fattibilità di ogni iniziativa

2. Partire con iniziative mirate, circoscritte, ma avendo in mente un disegno “enterprise” (think big but start small and quick!).

• generare l’occasione della sperimentazione mirata • mirare a quick wins • pensare a scelte di piattaforme e soluzioni IT che consentano la scalabilità

con volumi crescenti di dati.


Big Data Initiative:

3. Scegliere le opportune fonti informative e tecnologie. • valorizzare e arricchire i dati interni già disponibili, strutturati e destrutturati,

che presentano un grado di affidabilità/qualità più elevato. • puntare sulla interoperabilità e sull’integrazione con gli attuali sistemi di

datawarehousing,

4. Progettare l’organizzazione e sviluppare le competenze • nuove figure professionali (data scientist o management scientist,

BI/analytic Manager, etc.). • nuovi modelli di Competence Center e loro posizionamento • partnership esterna per aumentare la consapevolezza, ridurre i timori sulle

nuove tecnologie e velocizzare la curva di esperienza/maturità sui Big Data.

• scelte di “make or buy” nella Data Value Chain.


Verso i Big Data: driver e temi di riflessione più interessanti negli ultimi 2 anni

2012

2013

2014 ISACA, Jan. 2014;

impatto su IS security, risk e audit

Dec. 2013, BD analytics in nuovi PRODOTTI e SERVIZI

Dec. 2013, BD analytics a supporto della VELOCITA’

aziendale

Nov 2013, BD e FIDUCIA dei consumatori (out e in)

Nov 2013, BD Initiative, fattori organizzativi

Ott. 2012, BD definition, DATA SCIENTIST

Jan. 2013, McKinsey, BD POTENTIAL index

2012-13, nuova sezione, BD MGMT

Nov 2012-Jan. 2013, BD INITIATIVE, fattori organizzativi

http://links.mkt3142.com/ctt?kn=30&ms=NDg2NDg2MgS2&r=Mzc4ODQ0Mjc2S0&b=0&j=NTQyMDQ1NDIS1&mt=1&rt=0

http://www.cionet.com/


I Big Data richiedono una maggiore BI Governance: il BI/Analytics 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 di un gruppo multinazionale manifatturiero

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

Smau Napoli 2014 Paolo Pasini - Big Data

Technology

Transcript of Smau Napoli 2014 Paolo Pasini - Big Data