Offering - Big data: le fondamenta per i nuovi business

1,478 views
1,357 views

Published on

Digital intelligence & Big Data Forum | Milano, 9 aprile 2013 | L'intervento di Giorgio Moresi

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

  • Be the first to like this

No Downloads
Views
Total views
1,478
On SlideShare
0
From Embeds
0
Number of Embeds
278
Actions
Shares
0
Downloads
33
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Offering - Big data: le fondamenta per i nuovi business

  1. 1. Big Data: le fondamenta per i nuovi business
  2. 2. Le fondamenta dei Big Data
  3. 3. Da big data a DW/DBMS DW/DBMS Foundations
  4. 4. DW/DBMS fundamentals Shared-Nothing MPP Architecture
  5. 5. Parallel Data Flow Engine
  6. 6. Data distribution e parallel scanning
  7. 7. MapReduce Processing
  8. 8. Parallel Query
  9. 9. Data organization Row-oriented DB vs Column-oriented DB
  10. 10. Data organization DB compression effectiveness
  11. 11. Data organization Polymorph level of hybrid DBs
  12. 12. Non-structured data The Hadoop Framework
  13. 13. A-W Appliance Evaluation Map©
  14. 14. 4D DW/DBMS Evaluation Schema© Affermazione #1 La finalità del modello è la definizione di una mappa orientativa per la valutazione comparativa delle piattaforme Big Data Affermazione #2 Il modello Big Data è tipicamente un modello “Data Driven” Affermazione #3 Il volume dei dati è una (su quattro) delle dimensioni di valutazione da considerare nel processo di benchmark e selezione della piattaforma Affermazione #4 Le quattro dimensioni del modello hanno, in sede di benchmark, la stessa rilevanza ed importanza
  15. 15. Big data è un obiettivo mobile: varia in base alla tipologia dell’azienda e alla complessità dei dati. Data size
  16. 16. ERP-oriented DW-oriented DB-oriented Data sources | tre approcci base
  17. 17. Data analytics
  18. 18. I motori infocube-less hanno la capacità di gestire grandi volumi di dati, fornendo risposte istantanee a domande totalmente libere. Answers to unpredictable questions
  19. 19. DB row-oriented vs DB column-oriented Data structure
  20. 20. Dal concetto di star-schema al modello infocube-less. Una nuova BI
  21. 21. Una nuova definizione di BI, basata sui database column-store. Una nuova BI INFOCUBE-LESS BUSINESS ANALYTICS BUSINESS DISCOVERY ADVANCED ANALYTICS
  22. 22. DW/DBMS Business Discovery Data mining Forecast & Planning Statistical analysis Customer care Social CRMCollaborative BI
  23. 23. Un esempio di sales analytics in ambito retail.
  24. 24. 24
  25. 25. 25
  26. 26. 26
  27. 27. 27
  28. 28. 28
  29. 29. Sales-focused BI Ma i dati sono eterogenei e aumenteranno sempre* *di 75 volte nei prossimi 10 anni [fonte: IDG] [BIG DATA] 29
  30. 30. Big Data management Visione di insieme dei KPI aziendali per prendere decisioni non solo corrette ma realmente CONVENIENTI corporate data retail data online|social data [YOUR BUSINESS STRATEGY HERE] 30
  31. 31. La business intelligence è la raccolta e analisi di tutti i dati aziendali per prendere decisioni di business convenienti. 31
  32. 32. Vecchio e nuovo a confronto 1. Analisi dati 2. Definizione variabili 3. Progettazione 4. Disegno interfacce Risposte imprevedibili a domande totalmente libere «Voglio trovare anche quello che non cerco!» BUSINESS INTELLIGENCE TRADIZIONALE BUSINESS DISCOVERY 32
  33. 33. Non voglio accontentarmi di risposte a domande che già conosco. 33
  34. 34. La nuova BI Da qui comincia la nuova BI  nessun vincolo strutturale del sistema  navigazione totalmente libera e creativa del patrimonio informativo disponibile 34
  35. 35. Un esempio di Big Data Management completo.
  36. 36. Social analytics GRETA visita lo store online di una casa di moda che ama Lascia un commento negativo su delle scarpe: il materiale le sembra di bassa qualità! Si documenta su un blog fashion che la convince ad andare a a vederle allo store Compra anche una cintura abbinata e scrive un tweet sull’accaduto La settimana successiva effettua un acquisto sul mobile commerce per un altro prodotto, senza andare nello store Visita lo store facendo check-in su foursquare e, viste le scarpe, le compra con carta 36
  37. 37. Social analytics Una % significativa di consumatori mostra un comportamento simile investimenti nell’e-commerce investimenti in social media marketing interventi sull’assortimento in store Priorità identificate sulla base del budget disponibile
  38. 38. Come è possibile iniziare un percorso per arrivare fino a qui? 3 8
  39. 39. Occorrono nuovi strumenti concettuali e tecnologici per conoscere il nostro cliente. 3 9 Nuovi strumenti
  40. 40. La base per l’analisi social L’utilizzo pieno di informazioni strutturate e non strutturate consente di produrre meglio ciò che si venderà 4 0
  41. 41. 41 Il valore portato dal system integrator.
  42. 42. Conoscere il cliente 42 APP STORE ONLINE STORE SITO WEB SOCIAL
  43. 43. Conoscere i sistemi 43 BI SYS RETAIL MGMT CRM CMS DAM
  44. 44. Conoscere i migliori strumenti 44 Best of breed del singolo canale
  45. 45. Ma non basta 45
  46. 46. Il capitale di conoscenza 46 KNOWLEDGE BASE
  47. 47. Il capitale di conoscenza 47 VISIONE UNICA NEUTRALITÀ KNOWLEDGE BASE TIFO PER IL CLIENTE ADVICE ESPERIENZA
  48. 48. Conoscenza degli strumenti 48 TECNOLOGIE AFFERMATE NUOVI VENDOR
  49. 49. Conoscenza dei team Innovation 49 IT TEAM MARKETING TEAM
  50. 50. Stabilire obiettivi e percorso 50 Prendere coscienza dei dati social e interrogarsi su cosa interessa ottenere e definire le priorità.
  51. 51. Integrare i dati 51 Integrare le informazioni provenienti dai social media con i dati aziendali: nuove prospettive nella conoscenza del cliente
  52. 52. Analizzare i dati 52 Analizzare i dati social attraverso strumenti dedicati e ricavare informazioni puntuali su prodotti, distribuzione, promozione
  53. 53. Agire 53 Anticipare i desideri il cliente e supportarlo nella scelta, ottimizzando i processi interni.
  54. 54. Il dream team delle analytics 54 CONSULTANTS SYSTEM INTEGRATOR TOOLS AGENCY
  55. 55. Grazie per l’attenzione 55 | 4 ottobre 2013

×