Smau Firenze 2014 - Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi
Upcoming SlideShare
Loading in...5
×
 

Smau Firenze 2014 - Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi

on

  • 752 views

 

Statistics

Views

Total Views
752
Views on SlideShare
262
Embed Views
490

Actions

Likes
1
Downloads
4
Comments
0

3 Embeds 490

http://www.smau.it 467
https://twitter.com 22
http://www.expocomm.it 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Smau Firenze 2014 - Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi Smau Firenze 2014 - Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi Presentation Transcript

  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi Paolo Pasini Head of Information Systems Management Unit Responsabile Osservatorio Business Intelligence (www.sdabocconi.it/obi)
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it La “storia”: Posizionamento dei sistemi MIS, DSS, ESS e EIS, BI, BA e BD 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. Metà ‘90 2005 2012
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it Attività e processi operativi Attività e processi tattici, di P&C Attività e processi di pianificazione strategica Attività e processi di Governance Funzioni e unità operative Direzioni Funzionali Alta Direzione o Direzioni di Business Unit Stakeholders, A.D., D.G UNITA' ORG.VE ATTIVITA' AMM/FIN. MKTG/ VENDITE DIVISIONI COMM.LI AGENTI LOGISTICA D.G. prepazione dati di consuntivo, ultimi 12 mesi definizione obiettivi e previsioni di budget consolidamento validazione stesura budget finale vedi dettaglio definiz. obiettivi Q x raggrupp., MDC, Dp increm.: x agente (div.I), x cliente (div.E), x aggregaz. (div. G,H) definiz. Q 1.integraz. Clienti e prod. Nuovi; 2.criteri di mensilizz. Q x aggregaz., x agente, x campagna; 3.prev. Costi comm.li costi di trasporto BUDGET VENDITE N30 0 30 60 90Kilometers Titolo diagramma prontezza: tempo medio di risposta tempestività: % consegne in ritardo disponibilità: lead time di richiesta e consegna accuratezza: %cons.complete/ tot.consegne regolarità: ...... lead time venditori lead time amministrazione lead time acquisti e fornitori lead time produzione lead time logistica in uscita e trasporti lead time ....... ANALISI DEI LEAD TIME (vedi Reporting ad hoc) REPORTING LIVELLO DI SERVIZIO QUALITA' INTERNA QUALITA' ESTERNA REPORTING QUALITA' INTERVENTI IN GARANZIA ANALISI DEI RECLAMI REPORTING POST-VENDITA REPORTING DIREZIONALE DIMENSIONE PRODOTTO DIMENSI ONE CLIENTE DIMENSIO NE INIZIATIVE DI MARKETIN G MISURE DI PERFORMAN CE DIMENSIONE GEOGRAFIA ORDINA TO GRADO DI SODDISFAZIONE TEMPI MEDI CONSEGNA MARGINE DI CONTRIBUZIONE SETTIMANA MESE PERIODO INFRA-ANNUALE ANNO ... BACINO DEL PUNTO VENDITA PROVINCIA REGIONE NAZI ONE SETTORE SOTTO-SETT. FAMIGLIA SOTTO-FAM. ARTICOLO N° RECLAMI N° INTERVENTI ON- SITE La «gamma» applicativa della BI BI Real time
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it 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? CompetitiveAdvantage 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, Paolo.pasini@unibocconi.it La piramide delle tecnologie software della BI: dai BI Tools alle Analytics ai Big Data Data e Content Mining Social analytics Analytics (statistics) Modelling, Predictive Simulation, Scenario Business Analytics 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 mentre SI RIDUCE IL N° DI UTENTI 6
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Processi decisionali core business per settore e relative Analytical Applications Settore Core Analytical Applications 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 1. Risolvere nuovi problemi aziendali: – Dal mondo fisico-scientifico e R&D (medico-farma, clima-eventi naturali, geologia, smart grid, …) – Al mondo del management aziendale (strategie future, ottimizzazione dei processi core, insight di mercato e clienti, …) 2. “Start with questions or start with collecting data? • Approcci Bottom-up, mining-based, ”ricercare l’inaspettato» in questa nuova disponibilità di dati (es. casi di Hertz, Mediaset, Twitter Data analysis) • Approcci Top-Down, «requirements o model – based (es. casi di Vestas, Terraechos, Acea) 3. Mix diversi di Velocità, Volumi e Varietà 4. Dati storici, correnti, in tempo reale, futuri BIG DATA: nuove frontiere della conoscenza aziendale e della cultura manageriale 10
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Data Quality (Veracity), Security, Privacy New Knowledge and Insights New Potential Business Value Big Data Framework Enablers to Big Data BI & Analytics, DB platform Cloud services Management Culture and Capabilities, New Skills Information Complexity Scale High Low Data Velocity Data Volume Data Variety (number of sources and types of formats) Big Data: definizione e alcuni risultati di una ricerca su 202 CIO di medio-grandi aziende italiane
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it 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 patrimoniale • Valore in nuovi servizi o prodotti core venduti sul mercato • Valore in nuove aziende di proprietà dedicate alle analytics (casi di Tesco, GE, Bosch, …) 2. Le imprese ricercano modalità nuove per «rappresentare» una realtà aziendale sempre più complessa (dinamica e incerta) • 4 fasi di Maturity (dati Financial, dati non Financial, dati non strutturati, Big data) 3. Ancora una volta si assiste ad un fenomeno di innovazione “pushed” dal mercato dell’offerta di prodotti e servizi ICT
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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”
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it 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 Velocity  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) Variety  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) Volume  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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it Risultati • Aumento del conversion rate dello 0,5%. • Miglioramento dell’efficacia delle azioni di marketing attraverso una maggior comprensione in tempo reale del comportamento d’acquisto dei clienti.
  • Copyright SDA Bocconi, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it 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, Paolo.pasini@unibocconi.it I Big Data richiedono una maggiore BI Governance: il BI 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