Smau Napoli 2014 Paolo Pasini - Big Data
-
Upload
smau -
Category
Technology
-
view
415 -
download
0
description
Transcript of 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)
Copyright SDA Bocconi, [email protected]
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,…)
Copyright SDA Bocconi, [email protected]
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) + -
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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.
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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
… …
Copyright SDA Bocconi, [email protected]
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!
Copyright SDA Bocconi, [email protected]
Customer Experience e Customer Journey Multicanale o Omnicanale: verso i Big Data?
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
Data scientist: i vari profili e il grado di intensità differente dei vari skill/capability
Copyright SDA Bocconi, [email protected]
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.
Copyright SDA Bocconi, [email protected]
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)!
Copyright SDA Bocconi, [email protected]
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”
(Fonte: Osservatorio BI, SDA Bocconi, 2013)
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
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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)
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)
Varie
ty
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)
Volu
me 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)
Copyright SDA Bocconi, [email protected]
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%.
Copyright SDA Bocconi, [email protected]
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.
Copyright SDA Bocconi, [email protected]
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
(Fonte: Osservatorio BI, SDA Bocconi, 2011)
Fonti Web Social Network Blogs Communities
tematiche Forum,
Newsgroups Fonti
mainstream Siti web
istituzionali
Social Web Analytics
Copyright SDA Bocconi, [email protected]
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).
Copyright SDA Bocconi, [email protected]
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.
Copyright SDA Bocconi, [email protected]
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.
Copyright SDA Bocconi, [email protected]
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.
Copyright SDA Bocconi, [email protected]
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
Copyright SDA Bocconi, [email protected]
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