Questo sito web utilizza cookie tecnici e, previo Suo consenso, cookie di profilazione, nostri e di terze parti. Chiudendo questo banner, scorrendo questa pagina o cliccando qualunque suo elemento acconsente all'uso dei cookie. Leggi la nostra Cookie Policy per esteso.OK

VIDEOINTERVISTA

Polimi, come affrontare un progetto di Big Data Analytics

Carlo Vercellis, responsabile scientifico dell’Osservatorio Big Data Analytics & Business Intelligence, intervistato a margine dell’evento di presentazione dei risultati della ricerca racconta il quadro italiano e i consigli utili per le imprese: raccogliere i dati anche se non sono utilizzabili subito; estrarre i pattern nascosti; scegliere le tecnologie giuste; valorizzare il fattore umano

14 Dic 2015

Redazione

Trascrizione Video

La ricerca condotta dal nostro osservatorio, le interviste, le analisi caso, le nostre stesse esperienze progettuali, indicano che numerose imprese hanno svolto progetti di Big Data Analytics Analytics o di Data Analytics con tecniche avanzate di natura predittiva o di ottimizzazione.

Siamo tuttavia ancora in presenza di un fenomeno che si sviluppa a macchia di leopardo soprattutto nelle funzioni marketing e commerciale, che interessa anche altre funzioni (la gestione della supply chain piuttosto che finanza e controllo) ma che ancora non si è trasformata in quello che a nostro avviso sarà il futuro ovvero da Data Insight a Data Driven Strategy, una strategia che è fondata su un’analisi sistematica dei dati non soltanto per estrarne quindi Insight che guidi l’azione ma anche per sviluppare nuovi prodotti, inventare nuovi servizi, per raggiungere quella Data Monetization che permette alle imprese di realizzare nel loro patrimonio di dati, sia quelli interni sia quelli integrati esternamente, quell’asset che può permettere di ottenere vantaggio competitivo e vantaggio strategico.

Quali sono le “lesson learned”, i principi a cui ispirarsi per progetti di Data Analytics:

  1. sicuramente per le imprese raccogliere e immagazzinare tutti i tipi di dati disponibili interni ed esterni anche se non immediatamente utilizzabili perché molto probabilmente si riveleranno utili in un secondo momento. E’ l’insegnamento che grandi aziende che gestiscono dati come Google, Amazon, Ebay, Amazon ci hanno fornito in questi anni.
  2. Il secondo punto: Fondarsi pesantemente massicciamente sull’utilizzo dei Predictive Analytics. E’ necessario analizzare i dati come dicevamo prima estrarre costantemente pattern nascosti, correlazioni, in maniera tale da poter effettuare predizioni corrette, capire anche quali sono le root causes, le cause principali che spiegano i fenomeni al terzo.
  3. Al terzo punto collocherei accettazione di una pluralità di una molteplicità di elementi tecnologici: è difficile individuare un’unica tecnologia che vada bene per tutto quindi bisogna pescare per ogni ambito tecnologico il best of breeze. E forse un errore che raccomanderei è un po’ l’opposto di questo, cioè pensare che la tecnologia da sola possa essere il fattore trainante. Il fattore trainante sempre costituito dalle persone, dal loro talento, dalla loro capacità di cambiare i processi aziendali, e sicuramente questi elementi vengono molto prima della tecnologia abilitante.

Articolo 1 di 4