Big Data, Bigger Practices

1,255
-1

Published on

Le slides della lezione tenuta alle startup Working Capital: tutto quello che avreste voluto sapere sui big data con i casi di studio di AIDA Monitoring

Big Data, Bigger Practices

  1. 1. BIG DATA, BIGGER PRACTICES TUTTO CIÒ CHE DOVRESTE SAPERE SUI BIG DATA (PRIMA DI FONDARE UNA STARTUP IN QUEST’AMBITO) Emanuela Zaccone Working Capital Accelerator – Mentorship Program Roma, 15 ottobre 2013
  2. 2. Cos’è big in «Big» Data? Variety Volume Velocity +VERACITY, intesa come integrità dei dati orientata al decision making
  3. 3. Big Data Market 3
  4. 4. Big expectations?* *Fonte: Gartner, 2013 Emerging Technologies Hype Cycle, Agosto 2013 4
  5. 5. Oltre la data analysis La Data Analysis è solo una parte del data workflow Dati non strutturati vs. strutturati Data engineers vs. Data scientists Trends: > Data viz > Cloud computing *Fonte: O’Reilly Strata 5
  6. 6. Le trappole 1 CONFIRMATION BIAS 2 IRRILEVANZA 3 CAUSA VS. CORRELAZIONE 4 SIGNIFICATIVITÀ STATISTICA 5 AZIONE VS. INTENZIONE *Altri casi qui: http://bit.ly/BigDataPitfalls 6
  7. 7. CASE STUDIES 7
  8. 8. Case #1: Tesco Data driven retail
  9. 9. Case #2: IBM Slam Tracker
  10. 10. Case #3: Alcohol Analytics
  11. 11. Case #4: Recorded Future Google + CIA su server Amazon
  12. 12. Case #5: Gatorade Mission Control
  13. 13. SOCIAL MEDIA MONITORING 13
  14. 14. Engagement metrics Identities Behaviours Predictive Analytics Growth metrics Qualitative Quantitative Dagli Analytics 1.0 gli avanzati Time series analysis User profiling Machine Learning
  15. 15. Persone, dati, comportamenti
  16. 16. Italia2013: real time analysis framework TECNOLOGIA Volumi PROPRIETARIA: STRUTTURA FLESSIBILE Strategie >4M TWEETS ITALIA2013 Identitità Contenuti
  17. 17. Analizzare le elezioni italiane 17
  18. 18. Analizzare le elezioni italiane 18
  19. 19. Analizzare le elezioni italiane 19
  20. 20. Predittività ed elezioni NO ALLE PREDIZIONI > Elezioni siciliane > Primarie centro sinistra SAMPLING BIAS COMPORTAMENTI IMPREVEDIBILI DATI ONLINE INSUFFICIENTI RICERCA DI PATTERNS MODELLI ADATTIVI e
  21. 21. Identificare gli influencers 21
  22. 22. Studi di correlazione  Tweets volume vs. TV audience 22
  23. 23. Misurazione delle performance 23
  24. 24. https://angel.co/aida-monitoring info@aidamonitoring.it http://twitter.com/AIDAmonitoring https://www.facebook.com/AidaMonitor http://bit.ly/AIDAgplus 24
  1. A particular slide catching your eye?

    Clipping is a handy way to collect important slides you want to go back to later.

×