Your SlideShare is downloading. ×
0
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Business Intelligence, Analytics e Big Data:
una guida per capire e orie...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
La “storia”: Posizionamento dei sistemi MIS,
DSS, ESS e EIS, BI, BA e BD...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Business Intelligence
1. ricerca intelligente di dati,
2. produzione e a...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Attività e processi
operativi
Attività e processi
tattici, di P&C
Attivi...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
The new BI scenario
BI Tools
What’s the best that can happen?
What will ...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
La piramide delle tecnologie software della
BI: dai BI Tools alle Analyt...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Processi decisionali core business per settore e
relative Analytical App...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Tutti i processi decisionali “complessi” si alimentano di
Informazioni «...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
consumer
RECENCY, FREQUENCY,
MONETARY
FIDELITY CARD, PUNTI PREMIO
STRUME...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
1. Risolvere nuovi problemi aziendali:
– Dal mondo fisico-scientifico e ...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Data Quality
(Veracity),
Security, Privacy
New
Knowledge
and Insights
Ne...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Andare oltre al titolo «Big Data»! Dove
risiede il passo avanti nella co...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Come rappresentare una realtà aziendale
sempre più complessa e dinamica?...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Come rappresentare una realtà aziendale
sempre più complessa e dinamica?...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
La piramide di esperienza della BI
Creatività sul
mercato e nei
Business...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
ALCUNI CASI PIONIERI E
CASI DI ECCELLENZA
 Forte varietà (per ambiti, s...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Insight dei
Processi R&D e
innovazione di
prodotto/servizio
Insight dei ...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Risultati
• Aumento della precisione nella
definizione della localizzazi...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Mediaset S.p.A.
Mediaset S.p.A. è un'azienda privata italiana, fondata n...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Hertz
Hertz è il più grande Brand di autonoleggio, aeroportuale, con olt...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Annenberg Innovation Lab
University of Southern California
Annenberg Inn...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Risultati
• Aumento del conversion rate
dello 0,5%.
• Miglioramento dell...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Big Data Initiative:
1. Ricercare il giusto committment direzionale.
• (...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Big Data Initiative:
3. Scegliere le opportune fonti informative e tecno...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Verso i Big Data: driver e temi di riflessione più
interessanti negli ul...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
I Big Data richiedono una maggiore
BI Governance: il BI Maturity Model
1...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
GRADO DI IMPATTO AZIENDALE (portata e rilevanza)
RISPARMIO DI TEMPO
(Ute...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
1° Architettura applicativa di riferimento: DW
scenario
Sistemiperl’inte...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Search, query/reporting, analysis tools
Data Visualization
6° Architettu...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Il mercato della BI e il ruolo dei partner IT
(implementatori)
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Il mercato della BI in Italia (servizi e
prodotti)Swhousenazionalieinter...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Il mercato delle soluzioni SW (in Italia)
SAP
(Pilot, ex-Outlooksoft)
BU...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
• I vendor e gli implementatori delle soluzioni devono
essere dei “Partn...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Attenzione ai Trend e alle “Illusioni” della BI!
Il futuro della BI si g...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Nuove suggestioni o trend reali?
(Fonti: Gartner, Forrester, Datawarehou...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Nuove suggestioni o trend reali?
Nuovi metodi di BI design e delivery:
1...
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Nuove suggestioni o trend reali?
Nuove tecnologie di BI:
1. Advanced vis...
Upcoming SlideShare
Loading in...5
×

Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi

1,499

Published on

Published in: Technology
0 Comments
5 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total Views
1,499
On Slideshare
0
From Embeds
0
Number of Embeds
4
Actions
Shares
0
Downloads
106
Comments
0
Likes
5
Embeds 0
No embeds

No notes for slide

Transcript of "Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi"

  1. 1. 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
  2. 2. 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
  3. 3. 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
  4. 4. 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
  5. 5. 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
  6. 6. 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, 2010) 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
  7. 7. 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 … …
  8. 8. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Tutti i processi decisionali “complessi” si alimentano di Informazioni «Hard e Soft» e impiegano capacità di «search intelligence» e di «analisi» 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)+ -
  9. 9. 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!
  10. 10. 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
  11. 11. 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
  12. 12. 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
  13. 13. 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,…)
  14. 14. 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
  15. 15. 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
  16. 16. 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”
  17. 17. 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)
  18. 18. 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%.
  19. 19. 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.
  20. 20. 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).
  21. 21. 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.
  22. 22. 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.
  23. 23. 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.
  24. 24. 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.
  25. 25. 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
  26. 26. 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
  27. 27. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it GRADO DI IMPATTO AZIENDALE (portata e rilevanza) RISPARMIO DI TEMPO (Utenti e SI) QUALITA’ DEI DATI E DELLE INFORMAZIONI INNOVAZIONE DEI PROCESSI OPERATIVI (adattabilità, velocità) RIDUZIONE DI COSTI OPERATIVI (efficienza) DIFFICOLTA’DIMISURAZIONEQUANTITATIVA La misurazione del valore della BI CONOSCENZA AZIENDALE INNOVAZIONE DI PRODOTTO/SERVIZIO VALOREDEGLIINTANGIBLES INNOVAZIONE DEI PROCESSI DECISIONALI DIREZIONALI Valore dei dati = F(capacità di generare ex-post informazioni rilevanti, ampie, affidabili, tempestive) = Valore Patrimoniale dei dati
  28. 28. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it 1° Architettura applicativa di riferimento: DW scenario Sistemiperl’integrazione el’archiviazionedeidati “semilavorati” Strumenti di Estrazione,Trasformazione, Caricamento e Modellizzazione dei dati (ETL tools) Sistemiperl’accesso aidatieperla produzionedi informazioni Dati esterni Dati storici Sistemi Web Transazionali (sell-side, buy-side) o informativi Sistemi di Customer Service (multicanale) Sistemi amministrativo-gestionali tradizionali o ERP Sistemi di Datawarehouse Datamart Vendite Datamart Costi Datamart Customer Satisfact. Metadati: •business •tecnici Sistemi “alimentanti” (sistemi“contenitori” deidatielementari, delle“materieprime”) Sistemi di Business Intelligence Performance Measurement (CPM,KPI) Cruscotti e Scorecards Consolidamento gestionale Modellizzazione e analisi statistica Budgeting, Reporting Direzionale Applicazioni di analisi tradizionali e predittive (mktg, vendite, customer service, economici, finanziari, HR, …) Analisi geografica Analisi multidimensionale Funzionalità di interrogazione libera di basi dati DataMining BITOOLS BIAPPS
  29. 29. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Search, query/reporting, analysis tools Data Visualization 6° Architettura applicativa di riferimento: BIG DATA platform, work-in-progress! Sistemiperl’accesso aidatieperla produzionedi informazioni Sistemi Web e Social Web Sistemi di Customer Service (multicanale) Sistemi amministrativo-gestionali tradizionali o ERP Sistemi informativi operativi “alimentanti” Sistemi di Business Intelligence/Analytics DW Sistemiper l’integrazione egestionedeidati perl’analisi Strumenti ETL, di Data Integration e di data governance Streaming Hadoop Repository Sistemi Geo, sensor/meters, M2M, … Appliancee accelerators Application Development Analytical Platform Cruscotti e Dashboard; Scorecards aziendali Business Analytics (per processo o funzione aziendale o settore) Content analytics Predictive e Scenario analysis
  30. 30. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Il mercato della BI e il ruolo dei partner IT (implementatori)
  31. 31. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Il mercato della BI in Italia (servizi e prodotti)Swhousenazionalieinternazionali“entranti”: -Targetereteindefinizione -Forteinnovazione -OpenSource,Saas -Usability,Usercentereddesign -Modellinonstrutturatididati SWHousenazionalispecializzate: -TargetPMI -Compatibilitàaziendaleeculturale -R&Dridotte -Orientamentoallacustomizzazionedelsw SW vendor multinazionali + Consulting e System Integrator internazionali: - Target MGI - Per l’Internazionalizzazione - Forti R&D - Practice internazionali System integrator nazionali Specializzati: - Target MGI come sub-contractor - Target PMI tipiche nazionali - No R&D, - “best-of-breed” più frequente - sviluppo custom Mercato Business Intelligence
  32. 32. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Il mercato delle soluzioni SW (in Italia) SAP (Pilot, ex-Outlooksoft) BUSINESS OBJECTS (Cartesis,Crystal,Acta) DATA MGMT ORACLE SAS INFORMATION BUILDER SYBASE, Hana MICROSTRATEGY IBM TIBCO (Spotfire) MICROSOFT BI Services INFORMATICA ERP e B.I.: INFOR ex-MIS, ex-COMSHARE Datastage (Ascential) COGNOS HYPERION (BRIO) BI SUITE, BEA BOARD SPSS ENGINEERING SPAGOBI QLIKTECH Qlikview TERADATA TAGETIK NETEZZA BigInsight TOOLS DI BI ANALYTIC APPLICATIONS TABLEAU SW
  33. 33. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it • I vendor e gli implementatori delle soluzioni devono essere dei “Partner” in tutti i sensi: – comprensione dei Business Requirements, spesso poco definiti – condivisione del conseguente rischio di progetto, “Cantieri aperti” – contratti di progetto “chiavi-in-mano” o “time & material” – criticità della Partner/Vendor Selection • Suite integrata o Best of Breed o Custom? Il ruolo dei partner IT
  34. 34. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Attenzione ai Trend e alle “Illusioni” della BI! Il futuro della BI si gioca sulla reale innovazione e adozione della BI in azienda
  35. 35. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Nuove suggestioni o trend reali? (Fonti: Gartner, Forrester, Datawarehousing Institute -TDWI.com, Information-Management.com, Osservatorio BI-SDA Bocconi - sdabocconi.it/obi) Maturità della BI ed Evoluzione delle applicazioni di BI: 1. Più BI Decision-oriented e meno BI Reporting-Based 2. Big Data: “Umbrella term”! • Open Data • Web BI: dalle Web Metrics & Analytics alla Social Web BI • Geo-Data • Internet of Things • Omnichannel analysis 3. Real Time BI, Data Streaming Analysis
  36. 36. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Nuove suggestioni o trend reali? Nuovi metodi di BI design e delivery: 1. Agile BI, Usability 2. Self-Service BI 3. User centric design, Design sperimentali, iterativi, User test continuo 4. Autocertificazione dei dati • Velocità di generazione (bassa latenza) • Dati non certificati da procedure o sistemi ufficiali • Poca consapevolezza e metodi 5. Embedded analytics nei processi operativi e automazione/velocità delle azioni/interventi di risposta (es. gestione di un reclamo, Web Advertising, prevenzione medica, ecc.); molto sviluppo custom!
  37. 37. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it Nuove suggestioni o trend reali? Nuove tecnologie di BI: 1. Advanced visualization: la grafica è il punto di partenza delle analisi, non l’arrivo! 2. BI collaborativa: integrazione con workflow, portali aziendali, strumenti di messaging e communication; grande potenziale inespresso 3. InMemory: prestazioni e verso la RT information 4. BI Mobile: quanto “spinge” realmente la BI e le Analytics? • Apps per la raccolta dati e Apps analitiche • Smartphone: solo per data collect e information presentation • Tablet: anche per information analysis; i device sono decisamente più “cool”, ma la logica del “baratto” con l’utente rimane: l’adozione del tablet è diversa dall’adozione della BI/Analytics aziendale! • Gestione di più piattaforme oggi presenti sul mercato (non solo Iphone e Ipad!) “Still dreams”: 1. BI in SaaS, in Cloud 2. BI Open source Necessità crescente di una maggiore BI Governance
  1. A particular slide catching your eye?

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

×