Your SlideShare is downloading. ×
0
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×
Saving this for later? Get the SlideShare app to save on your phone or tablet. Read anywhere, anytime – even offline.
Text the download link to your phone
Standard text messaging rates apply

Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013

537

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
537
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
33
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. INFORMATION BUILDERS SUMMIT - 2013 Big Data e nuova conoscenza aziendale: un percorso di crescita della capacità di informazione e di decisione Paolo Pasini Responsabile Unit Sistemi Informativi Direttore Osservatorio BI SDA Bocconi School of Management
  • 2. Le strategie di Empowerment del personale portano a diffondere capacità decisionale ad ogni livello e in ogni funzione aziendale Processi di Programma- zione e Controllo Processi Strategici Attività di gestione di supporto aziendale Supply Chain e Logistica Produzione Relazioni con Canali e Reti di vendita Relazioni con Cliente finale Category/Brand Strategy Category/Brand Planning Customer Insights Manufacturing Strategy Supplier Relationship Management Production/Materials Development & Planning Corporate Strategy Alliance Management ICT Governance Customer Relationship Strategy Customer Relationship Planning Supply Chain Strategy Inventory Planning Corporate Planning Network & Asset Configuration Marketing Development Matching Supply and Demand Brand P&L Management Manufacturing Oversight Distribution Oversight Business Performance Management External Market Analysis Organization and Process Design Assessing Customer Satisfaction 2 Processi Operativi Controllo Product Ideation DECISIONI CRITICHE, DIFFERENZIANTI Marketing Development and Effectiveness DECISIONI “NEUTRALI” Account Management Value-Added Services Product Development DECISIONI IMPORTANTI, DA MANTENERE INTERNE, DA SVILUPPARE Marketing Execution Supplier Control Design Legal, Tax and Regulatory Compliance Treasury & Risk Mgmt Product Management DECISIONI ANCHE ESTERNALIZZABILI Product Directory Customer Account Servicing Retail Marketing Execution Customer Directory Product/Component Manufacturing Plant Inventory Management Manufacturing Procurement Assemble/Pkg. Products Distribution Center Operations Transportation Resources En route Inventory Management Inbound Trans- portation Facilities & Equip Mgmt ICT Systems & Operations Resource Development Outbound Trans- portation Financial Accounting & Reporting Indirect Procurement Concept/Product Testing Consumer Service In-store Inventory Mgmt HR Administration
  • 3. 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)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, …, oppure i casi di utilizzo dei sensor/meter data o degli M2M data per scopi di management!)
  • 4. 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 dagrafica, 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
  • 5. 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 PRECA BRUMMEL. Il processo di definizione del briefing (e del budget) di 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. le relazioni nella rete del valore (Fornitori e Clienti) “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) 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.
  • 6. Maturity delle imprese nell’analisi dei dati e nuovo scenario della BI BI Tools What’s the best that can happen? What will happen next? What if these trends continue? Why is this happening? CompetitiveAdvantage Decision Optimization Predictive Analytics Forecasting Statistical models BI Analytics Verso le APPS Which context, where wider information, what means, is it relevant? What actions are needed? Where exactly is the problem? How many, how often, where? What happened? CompetitiveAdvantage Degree of Intelligence Insights from both struct. and unstruct. data Search (text, tag, …)& Content analysis Alerts Query/drill down Ad hoc reports Standard reports (adattamento da Davenport, 2007) Information from More structured data
  • 7. Come passare dalla BI più tradizionale (basata su Reporting) alla BI più orientata al Supporto Decisionale (business e content analytics)? CURVA DI ESPERIENZA E DI SOFISTICAZIONE DELLE FUNZIONALITA’ DELLA BI DATA MINING 0,6% MODELLING SIMULATION 1,2% LOCATION INTELLIGENCE; SOCIAL ANALYTICS TEMPO OLAP 20,8 % REPORTING STANDARD 44% QUERY AD HOC 28,5 % CRUSCOTTI SCORECARDS BPM 3,2% ANALYTIC & PREDICTIVE APPLICATIONS 1,6% 0,6%
  • 8. DIFFICOLTA’DIMISURAZIONEQUANTITATIVA La misurazione dell’Information Capital (tangible-intangible) CONOSCENZA AZIENDALE INNOVAZIONE DI PRODOTTO/SERVIZIO (incremento ricavi aziendali) VALOREDEGLIINTANGIBLES INNOVAZIONE DEI PROCESSI DECISIONALI DIREZIONALI (velocità, efficacia) GRADO DI IMPATTO AZIENDALE (portata e rilevanza) RISPARMIO DI TEMPO (Utenti e SI) QUALITA’ DEI DATI E DELLE INFORMAZIONI (riduzione rischi aziendali) INNOVAZIONE DEI PROCESSI OPERATIVI (adattabilità, velocità) (riduzione costi o capitale circolante)RIDUZIONE DI COSTI OPERATIVI (efficienza) DIFFICOLTA’DIMISURAZIONEQUANTITATIVA CONOSCENZA AZIENDALE (differenziale competitivo) VALOREDEGLIINTANGIBLES
  • 9. consumer RECENCY, FREQUENCY, MONETARY FIDELITY CARD, PUNTI PREMIO STRUMENTI DI PAGAMENTO SOCIAL WEB DATA (RT e non RT) BASKET E MIX DI ACQUISTO PROFILO SOCIO-DEMO PROFITABILITY DATIDATI STRUTSTRUT-- TURATITURATI DATIDATI STRUTSTRUT-- TURATITURATI DATIDATI NONNON STRUTT.STRUTT. DATI INDATI IN STREAMISTREAMI NG,NG, RealTimeRealTime DATI INDATI IN STREAMISTREAMI NG,NG, RealTimeRealTime DATI INDATI IN STREAMISTREAMI NG,NG, RealTimeRealTime Una “vista analitica degli oggetti di business”: Verso i Big Data! consumer GEO-POSITIONING FEEDBACK E-SURVEY INFORMAZIONI E RECLAMI AL CONTACT CENTER VIDEO-INTELLIGENCE (riconoscimento volti e Comportamento fisico) GARANZIE PRODOTTI Un esempio di BIG DATA: velocity, variety, volume. I vettori di conoscenza del consumer DATIDATI NONNON STRUTT.STRUTT. DATI INDATI IN STREAMISTREAMI NGNG,, RealTimeRealTime DATIDATI STRUTSTRUT-- TURATITURATI RealTimeRealTime
  • 10. 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! Le origini dei BIG DATA Nuove Tecnologie di data mgmt e di data analysis Capacità di analisi e interpretazione
  • 11. New Knowledge and Insights Big Data Framework Data Velocity Data Volume Big Data: definizione e alcuni risultati di una ricerca su 202 CIO di medio-grandi aziende italiane Data Quality (Veracity), Security, Privacy New Potential Business Value Enablers to Big Data BI & Analytics, DB platform Cloud services Management Culture and Capabilities, New Skills Information Complexity Scale High Low Data Variety (number of sources and types of formats)
  • 12. Quali tra le seguenti FONTI DI DATI associa maggiormente ai Big Data? 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% 12 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%
  • 13. Principali aree di impatto e di beneficio di business dei Big Data 1. accuratezza delle analisi del comportamento del mercato e nelle 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,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, …) 13
  • 14. Dove risiede il possibile committent aziendale? Il CXO più interessato ai Big Data e che può generare il giusto committment aziendale, è: 1. CIO: 37% ma non da solo per il 19% del campione, e con un ruolo maggiore nelle fasi iniziali di comprensione dei Big Datamaggiore nelle fasi iniziali di comprensione dei Big Data 2. Comitato interfunzionale di CXO (21%): “Big data = Big Brainstorming!”: cruciale nella fase di identificazione delle aree su cui investire e nel lancio dell’iniziativa 3. CMO (20%): importante nella fase di implementazione dei Big Data, soprattutto se nel suo dominio di competenza 14
  • 15. What Business Managers think: una ricerca Global (IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012)
  • 16. 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,4. le competenze interne (tecnologiche, analitiche, interpretative) (12%) 16
  • 17. Gli Enabler tecnologici dei Big Data 4,23 4,13 4,05 3,84 Cloud computing/ICT as-a-service Hadoop/MapReduce Streaming processing ICT Outsourcing 17 4,85 4,57 4,56 4,49 4,31 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
  • 18. Fase attuale del ciclo di esperienza/maturità nei Big Data 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).
  • 19. 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 6continenti. Per sfruttare l’investimento fatto in unaturbina eolica fondamentale è 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 m2 di 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, massimizzandol’energiaprodottaelalongevitàdell’impianto. Risultati • Aumento della precisione nella definizione della localizzazione delle turbine grazie alla possibilità di analizzare più dati e con unmaggiordettaglio. 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 delPer sfruttare l’investimento fatto in unaturbina 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 contodei propri clienti e il supportoa 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’investimentofatto. Vestas per svolgerequestaattivitàhacostruito nel tempo la c.d. “Wind Library” che raccoglie dati sul sistema meteorologico globale tramite le turbine già installate e 35.000 stazioni meteorologichedislocateintuttoil mondo. unmaggiordettaglio. • 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 previsionedi circail 97%. Soluzioni implementate • IBMInfoSphereBigInsightsEnterpriseEdition. conseguente incremento del ritorno dell’investimento per i clienti. • Riduzione dei tempi di risposta nelle attività di simulazione e previsione di circa il 97%.
  • 20. 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 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 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 dellamediante 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. • IBM Content Analytics. dei clienti e delle determinati della loro soddisfazione o insoddisfazione. • Maggior controllo sui processi aziendali core (noleggio, consegna e ritiro).
  • 21. 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 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 esclusivamenteprincipalmente 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. pubblica anziché esclusivamente su quella degli analisti e degli schieramenti politici.
  • 22. 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 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. 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.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 insoddisfazione dei clienti. • Feedback dei risultati alle diverse Business Unit aziendali. Soluzioni implementate • IBM Social Media Analytics. insoddisfazione dei clienti. • Feedback dei risultati alle diverse Business Unit aziendali.
  • 23. Il pensiero di un panel di Business User: preview di alcuni risultati e-Survey: “Come avere successo nel business gestendo bene i propri (e altrui!) dati aziendali”
  • 24. Dom. 7 - Ritiene che le informazioni provenienti dal web – in particolare dal mondo social – possano essere utili per la sua attività e ritiene di saperle già adeguatamente raccogliere, filtrare ed elaborare? si 14% raramente 16% no 6% 24 nella maggior parte 34% qualche volta 30%
  • 25. Dom. 8 – Ritiene che per la sua attività in azienda, oltre ai dati quantitativi più tradizionali (relativi alle vendite, agli ordini, alla produzione e distribuzione, etc.), siano rilevanti anche i dati cosiddetti meno strutturati e meno immediatamente fruibili, come le email, le immagini e i video, i dati dei siti web, e così via? si, già ora 22% Forse tra 3 anni 11% No 6% 25 Sicuramente già ora se la raccolta, l’archiviazione, l’elaborazione e la fruizione fossero facili ed economiche 61%
  • 26. Dom.9a - Esistono diverse funzionalità software per accedere, analizzare e presentare dati di varia natura: quali delle seguenti conosce e/o utilizza? 63% 70% 74% 77% 77% 81% 37% 30% 26% 23% 23% 19% Analisi predittiva (cosa succederà?) e previsionale (cosa succederà se il trend continua) Cruscotti, dashboard, soglie e allarmi su eventi di business Query e reporting libero Reporting (strutturato) Funzioni di previsione e di pianificazione Analisi statistica semplice (medie, frequenze, varianze, etc.) 26 32% 37% 46% 49% 54% 63% 63% 68% 63% 54% 51% 46% 37% 37% 0% 20% 40% 60% 80% 100% Modelli deterministici, matematici, di ottimizzazione Analisi multidimensionale (c.d. OLAP) Content/text mining Data mining e analisi statistica complessa (analisi delle associazioni, analisi fattoriale, etc.) Simulazioni (what-if, goal seeking, sensitività, etc.), scenari, modelli probabilistici di business Analisi grafica e visuale (navigazione in forme grafiche diverse) trend continua) si no
  • 27. Dom. 10 - Quale intervento IT sarebbe prioritario, a suo avviso, per migliorare l’analisi e la gestione dei dati aziendali? (1 risposta) acquisire servizi in Cloud di raccolta e archiviazione dei dati esterni necessari (dati dai punti vendita, dai centri di assistenza, dai social web, etc.); 28% acquistare sistemi acquisire un servizio integrato di raccolta, analisi, previsioni e visualizzazione dei dati in Cloud. 33% 27 acquistare sistemi hardware che memorizzino volumi maggiori di dati e li elaborino più velocemente; 8% acquistare nuovi software per analisi e visualizzazione dei dati; 19% acquistare nuovi software per le previsioni e le simulazioni del futuro business aziendale; 13%
  • 28. Dom. 11 – Quale intervento organizzativo sarebbe prioritario fare a suo avviso per migliorare la gestione e l’analisi dei dati aziendali? (1 risposta) preparare/formare i manager all’utilizzo intelligente dei dati; 28% assumere manager abitualmente già pronti a basare la propria attività più su fatti e ampliare le competenze IT presenti in azienda. 23% 28 attività più su fatti e dati oggettivi riguardanti il passato, il presente e il futuro; 5% assumere uno specialista di raccolta, analisi e visualizzazione dei dati; 14% progettare un’unità organizzativa formale ma snella, dedicata alla raccolta, analisi e visualizzazione dei dati; 31%
  • 29. Dom. 13 – Per lanciare in azienda un’iniziativa di miglioramento delle attività di raccolta, analisi e visualizzazione dei dati, a suo avviso, è indispensabile: (max. 2 risposte) disporre delle necessarie competenze interne e esterne disporre di un adeguato budget fare prima un pilota o una sperimentazione a basso costo 31% 33% 39% 29 saper realizzare un buon piano di investimento e di valutazione dei ritorni costituire un team o un comitato di manager rappresentanti di tutte le funzioni aziendali selezionare un partner IT competente che possa affiancare l’azienda in questo percorso di sviluppo nella “Business Intelligence, nelle Business Analytics e nel più recente… avere il supporto dell’alta direzione o della proprietà aziendale 0% 20% 40% 60% 80% 100% 9% 13% 19% 20%

×