Big Data: The business of Information (ITA)
•
0 likes•24 views
Big Data e Analytics sono due delle evoluzioni più profonde e pervasive del mondo digitale degli ultimi anni. Un trend destinato a crescere e a incidere profondamente sia sulle nostre vite che sul modo di fare impresa.
Recommended
Recommended
More Related Content
What's hot
What's hot (12)
Similar to Big Data: The business of Information (ITA)
Similar to Big Data: The business of Information (ITA) (20)
More from Interlogica
More from Interlogica (10)
Big Data: The business of Information (ITA)
- 2. 2 BIG DATA WHITE PAPER Indice04BIGDATA:UNABREVE INTRODUZIONE 12TRENDDIADOZIONEDEIBIGDATA 15CURIOSITÀ 16LEGAMETRABIGDATAE INTELLIGENZAARTIFICIALE 20COMESIUSANOIBIGDATA 24DATASCIENTISTEILDREAMTEAM 25TOOLDIDATASCIENCE 26INTERLOGICA-LESSONLEARNED 32GLOSSARIO Information is the oil of the 21st century, and Analytics is the combustion engine — Peter Sondergaard, Senior Vice President, Gartner
- 3. 5 WHITE PAPER 4 BIG DATA BIG DATA Moltigestichecompiamoquotidianamente generanounamoledidatispropositata: smartphoneinterconnessi,clicksuunsito web,smartmeter,deviceIoT,richiestevocali aGoogle,SirioAlexa.Enormivolumididati eterogeneiperfonteeformatoanalizzabiliin temporeale:tuttiquestisonoBigData. MaquellodiBigDataèunconcettoancora recentecheadogginonhaancoraunasua definizionestandard.Disicuro,laprima caratterizzazionedeiBigDataèlegataalla grandezzadeidati,ilcuipuntodiriferimentoè giànell’ordinedeiterabyte(1024gigabyte),dei petabyte(1024terabyte)eanchedipiù,finoagli zettabyte(miliardiditerabyte).Ma perdareun sensoalconcetto,gliespertilohannosuddiviso in3macrosegmentirilevanti,definitele3Vdi crescitadeiBigData: Varietà-leinformazioniarchiviateneiBig Datasonomoltovariegateeognunahauna provenienzaspecifica Velocità-serveestremavelocitàperarchiviare, salvareecatalogarequestamolediinformazioni Volume-servonosoluzionitecnologicheche permettanodigestirelegrandidimensioni(in terminidibytes)dei BigData Questecaratteristicheprincipalineltempo sisonotraslateinulteriori10segmenti-le10 VdeiBigData-perdescrivereilconcettonel dettaglio. QuandosiparladiBigDataènecessario anchecomprendereicambiamentiche essicomportano:dalprocessodiraccoltae gestionedeidati,alletecnologieasupporto delciclodivitadeldato,allosviluppodinuove competenzeperlavalorizzazionedeldato.La gestioneel’analisideiBigDatarichiedono daunlatol’impiegoditecnologieadeguate, dall’altrolapresenzadifigureprofessionaliche nemassimizzinofruibilitàeutilità-diquila centralitàdellafiguradelDataScientist. Big Data e Analytics sono due delle evoluzioni più profonde e pervasive del mondo digitale degli ultimi anni. Un trend destinato a crescere e a incidere profondamente sia sulle nostre vite che sul modo di fare impresa. Una breve introduzione Leinformazioniestrattedall’analisiditutti questidatiaiutanoadindirizzareleazionidi business:gliespertidimarketingaindirizzare lecampagneinmodopiùstrategico,gli operatorisanitariaidentificareepidemieegli ambientalistiacomprenderelasostenibilità futura,etc. Inrelazionealmercato,èpossibileottenere unnotevolevantaggiocompetitivograzie adecisionitempestiveemaggiormente informate,equestovalecertamenteperle grandiorganizzazioni,maancheperlepiccolee medieimprese. Secondoilreportsugliandamentidelmercato ICTdiAssintelpubblicatoamarzo2019,è stataprevistaunacrescitadell'1,6%inItalia duranteilcorsodell’anno.L’andamento incrementaleètrainatodagrandiemedie aziendecheinvestonointecnologierelative agli“Acceleratoridell’Innovazione”,come InternetOfThings,IntelligenzaArtificiale,Big DataeAnalytics,cheprogredisconoaritmi decisamentesostenuti. Rispettoadunmercatochevale1,4Miliardi dieuroeincrescitacostante,lasituazione italianarispettoall’usodeiBigDatanonè certorosea.Lamaggiorpercentualedegli investimenti,infatti,èascrivibileallegrandi imprese.Unterzodiquestehaintrodotto competenzediMachineLearning,il44%utilizza AnalyticsReal-TimeoNearReal-Time.Il56% hagiàinorganicoDataAnalyst,il46%Data Scientist,il42%DataEngineer. Solounabassissimapercentualedipiccole emedieimprese,invece,hadecisodiavviare progettidiBigDataAnalytics.Undatopoco incoraggiantevistoilnumerorilevantediPMI checompongonoiltessutoeconomicoitaliano. 1,4 44% 46% 56% 42% ⅓MILIARDI DI € Valore del mercato Dati delle grandi imprese Delle grandi imprese ha introdotto competenze di Machine Learning. Usa Analytics Real-Time o Near Real-Time. Ha già in organico Data Scientist Ha già in organico Data Analyst Ha già in organico Data Engineer Osservatorio Big Data Analytics & Business Intelligence * *
- 4. 6 BIG DATA 7 WHITE PAPER Da dove arrivano i dati? Quanto pesano i dati? Le 10 V SMARTPHONEINTERCONNESSI RICHIESTEVOCALIAGOOGLE,SIRIOALEXA RICERCHESUGOOGLE DEVICEIOT SMARTMETER CLICKSUUNSITOWEB SOCIAL VOLUME Quantità di dati VELOCITÀ Velocità con cui i nuovi dati vengono generati VARIETÀ Differente tipologia dei dati VERIDICITÀ Accuratezza dei dati VALORE Dati utili VALIDITÀ Qualità dei dati, Governance e Master Data Management VARIABILITÀ Evoluzione dinamica nel raccoglimento dati VENUE (SEDE) Dati Eterogenei vengono distribuiti da piattaforme diverse VOCABOLARIO Modelli semantici che descrivono la struttura dei dati VAGHEZZA Confusione riguardo al significato di Big Data e agli strumenti utilizzati TERABYTE 1012 GIGABYTE 109 MEGABYTE 106 CHILOBYTE 103 PETABYTE 1015 EXABYTE 1018 ZETTABYTE 1021
- 5. 9 WHITE PAPER 8 BIG DATA 1926 NikolaTeslaprevede cheinfuturole personesarannoin gradodiaccedere eanalizzareenormi quantitàdidati utilizzandoun dispositivotascabile. Big Data: big timeline 1937 L'amministrazionediFranklinD.Rooseveltnegli StatiUniticreailprimograndeprogettodidati pertracciareilcontributodiquasi3milioni didatoridilavoroe26milionidiamericani,a seguitodellalegge“SocialSecurityAct”. 1940’s-1950’ Nasceilcalcolatore elettronicoper eseguirecalcoliad altavelocità. 1944 FremontRyder, bibliotecariodella WesleyanUniversity, ipotizzache,acausa dell’esplosione dellaquantitàdi informazioni,la BibliotecadiYalenel 2040avrà200milioni divolumi. 1980 Alcunimembri diOxfordEnglish Discoveryscoprono cheilsociologo CharlesTillyèstato ilprimoautilizzareil termineBigDatainun suoarticolo. 1990 PeterDenningpensa allapossibilitàdi "Costruiremacchine ingradodiriconoscere oprevederemodelli didati”. 1997 MichaelCoxeDavid Ellsworthusanoil termineBigData perlaprimavolta inundocumento dell’Associationfor ComputingMachinery 1998 AJohnMasheyviene attribuitoilconcetto diBigData,utilizzatoin undocumentonelcorso dellostessoanno. 2000 FrancisDiebold definisceiBigData: "L'esplosionedella quantità(etalvolta, dellapotenziale qualità)deidati pertinentidisponibili" 2001 DougLaney(Meta/ Gartner)inventale3 "V"(Volume,Velocity, Variety) 2005 Yahoo!creaHadoop basatosuMapReduce diGoogle.TimO’Reilly pubblica"Cos'èilWeb 2.0?"RogerMougalas diO'ReillyMediausa iltermine"BigData” nelsuocontesto moderno. 1926 1937 1944 1980 1990 1997 2001 2005 2008 20 1998 2000
- 7. 12 BIG DATA 13 WHITE PAPER Anche il 2019 si conferma un anno di crescita per il mercato dei Big Data Analytics in Italia; le organizzazioni ne hanno compreso il potenziale relativo alle opportunità strategiche. I Big Data sono fondamentali per analisi approfondite di tipo interpretativo o predittivo a supporto dei processi decisionali e come vantaggio competitivo, in tutti i settori produttivi. L’evoluzione del mercato, infatti, porta i consumatori a chiedere servizi sempre più smart capaci contemporaneamente di risolvere i problemi in tempi rapidi. D’altra parte, le stesse aziende, sempre più stressate dalla competizione globale, hanno la necessità di razionalizzare le spese e perseguire un percorso di trasformazione verso il concetto di data-driven company, offrendo di conseguenza risposte più rapide alle richieste del business aziendale. Mentre le PMI coprono ancora un esiguo 12% del mercato, il vero motore della crescita Trend di adozione dei Big Data poggia sulle spalle delle Grandi Imprese (sopra i 249 addetti), che ne rappresentano l’88% . Lato PMI, il problema maggiore risiede principalmente nella scarsa comprensione della materia, accentuata dall’eterogeneità caratteristica dei Big Data, e da una immaturità tecnologica che non permette di beneficiare degli infiniti vantaggi di progetti ad essi legati. Molto spesso i nodi centrali stanno a monte: la mancanza di conservazione dei dati, presupposto senza il quale non è possibile attuare alcuna strategia, una scarsa comprensione del valore reale del business dei Big Data, ed un approccio di analisi dei dati limitato e tradizionale. Per le Grandi Imprese, invece, le maggiori difficoltà si rintracciano nella mancanza di competenze e di figure interne, nell’integrazione dei dati e nella stima dei benefici dell’investimento. (fonte: Dati dell’ Osservatorio Big Data Analytics & Business Intelligence della School of Management del Politecnico di Milano). Se si guarda alla consapevolezza e alla maturità tecnologica delle piccole e medie imprese, dalla ricerca emerge come il 10% continui ad avere una comprensione scarsa o nulla di quali vantaggi i Big Data potrebbero apportare e come l’approccio all’analisi dei dati sia limitato e tradizionale. Le nuove sfide si giocano quindi sulla velocità e sull’intelligenza delle soluzioni Fast & Smart: 1- analisi in real time di dati integrati da diverse fonti informative per rispondere velocemente a esigenze di business; 2 - ricorso a meccanismi di apprendimento intelligente (Deep Learning e Machine Learning) che consentono la rilevazione di informazioni e pattern nei dati, che si risolvono in un reale vantaggio competitivo. La trasformazione digitale abilitata dai Big Data Analytics nelle aziende si concretizza in cambiamenti in diversi ambiti che comprendono tecnologia, processi, organizzazione e cultura aziendale. Big Data Intelligenza Artificiale + 1393MILIONI DI € 12% PMI 170 mln€ 88% Grandi imprese 1223 mln€ Il mercato degli Analytics 2018 Osservatorio Big Data Analytics & Business Intelligence della School of Management del Politecnico di Milano * *
- 8. 15 WHITE PAPER 14 BIG DATA Curiosità Unuomoentrainungrandemagazzinodella catenaamericanaTarget,fuoriMinneapolis,e chiedediparlareconildirettore.Scopodella visita?Secondoitestimoni,unalamentela piuttostocoloritadovutaalfattochelafiglia, ancoraalliceo,avessericevutodaTarget couponevolantinisuprodottipremamaneper neonati.“Statecercandodispingerlaarimanere incinta?”.IlmanagerdiTargetsièscusato, mortificatoalpuntochehachiamatoilsignore ancheilgiornoseguenteperscusarsidinuovo. Maaltelefonoèilclienteadessereindifficoltà: “Hoparlatoconmiafiglia,nonlosapevo,maè incinta”. QuestoepisodioèstatoriportatosulNewYork Timesnel2012. ComehaspiegatoAndrewPole,responsabile delsettoremarketingestatisticaperil grandemagazzino,questasituazioneèil risultatodellostudiodelcomportamentodei clientisullabasedeiBigDataraccoltidalsuo team.Osservandoleabitudinid’acquistodei clientieincrociandoleconaltreinformazioni demografiche,Poleecolleghisonoingrado dianticipareicomportamentideiclientie sfruttarli. Tornandoalcasospecificodelsignoredi Minneapolis,Poleeilsuoteamsonoriusciti acorrelaregliacquisti allagravidanzadella figlia,perchéavevainiziatoadacquistareuna gammadiprodottisolitamentesceltadalle neomamme(uncertotipodicrema,prodotti abasedicalcio,magnesioezincoedun’altra ventinadiprodotti). Questoaneddotoèl’emblemadicomeBigData eMarketingpossanoconsentiredianticiparei bisognideiconsumatori,maanchediveicolarne leabitudinid’acquisto. DurantelaSecondaGuerraMondiale,ilgoverno britannicointerpellòAbrahamWald,esperto distatistica,perstudiarecomerenderemeno vulnerabiligliaerei. Waldiniziòaosservaregliaereidirientrodalle missionieacreareunamappadegliimpattidei proiettili. Laconclusionedellavorodell’espertofuquella dirafforzarelepartinoncolpite,perchégli aereicheWaldavevapotutoanalizzareerano pursempretornatiallabase,ancheseerano #2 #1 staticolpiti.Quindi,ilfattochequellezonenon fosserostatedanneggiateeavesseropermesso all’aereoditornaresalvoallabase,segnalava l’importanzadipreservarle,rafforzandole,perla salvezzadelvelivolo. Questasituazionerappresentaunesempio unpo’"vintage"diSurvivalBias,dettoanche SurvivorshipBias,chedimostrabrillantemente comesiapossibileprenderedelledecisione “informate”edata-driven.
- 9. 16 BIG DATA Il legame tra Big Data e Intelligenza Artificiale Come sottolineato già in precedenza ogni organizzazione ha ormai accesso a una mole di dati inimmaginabile: informazioni provenienti dall’attività dell’impresa, dal web, dai social, dai sensori IoT e da molte altre fonti che sono linfa vitale da cui estrapolare informazioni utili a guidare la crescita del business. La semplice raccolta o il solo accesso ai dati, senza la corretta analisi, non produce alcun risultato e rimane solo un cumulo enorme di informazioni grezze. Perrenderequestidativeramenteutili ènecessarioricorrereadunasinergiatra tecnologie.LaconnessionetraBigDatae IntelligenzaArtificialeèquindinecessariaper potertrasformareiprimiindatiingradodi predireeveicolareversodecisionipiùeffettive. L’automazionedelledecisionidevepassare obbligatoriamenteperquestaconvergenzadi tecnologieperpoteressereagileevelocecome ilmercatodioggirichiede. Fulcrodelprocessostaneldiventareatutti glieffettiun'organizzazionedatadriven, situazionechemoltospessosiverificanella grandirealtànellequaliiprocessidecisionali sonomaggiormenteguidatidadatiraffinati. Ciòpermettediarrivareadecisioniintempi rapidi,mafondatesullasoliditàdivalutazioni oggettiveesistematiche. Finoadoraleaziendenonhannodedicato abbastanzaattenzioneallacomprensionedei processiedeicomportamentideiclienti,enon hannomisuratoesfruttatoadeguatamentei datiinloropossesso.Motivopercuispessole PMIsisonoradicatenellaconvinzionedellapoca utilitàdeiBigData. Cometrasformareinmanieraefficaceidati “grezzi”inqualcosacheforniscavaloreaggiunto all’attività? Molteorganizzazionistannolavorando propriosullatrasformazionedidati“grezzi”in carburanteIAadaltopotenziale.Ilreperimento, l'archiviazioneel'elaborazionedeiBigData poneancorasfidesignificativepertuttequelle organizzazionichenonpossonopermettersidi assumerepersonaleinternocheseneoccupi. GliAnalyticssuiBigDatapermettonodi ottimizzareefficacementemoltiaspettidel business,adesempiovelocizzaree/ofacilitarele procedurediinterrogazioneevisualizzazionedi grandimolididati,checostituisconoilprimoe fondamentalepassoversolavalorizzazionedei BigData. Aquestopuntoèimportantechiariredue concettichesonocomunementeassociati: iBigDatasonolematerieprime,mentre l'IntelligenzaArtificiale(IA)forniscegli strumentipergestirliedutilizzarlialmeglio. Leapplicazionipossibiligrazieall’interazione IntelligenzaArtificiale-BigDatasonomolteplici: sipuò,adesempio,analizzareilcustomer sentimenteconsentirealmarketingdi mettereinattoazionimirate;sipuòindividuare inanticipolanascitadipossibilitrenddi mercatoperguidarel’aziendanellescelte strategichedibusiness,sipuòstudiarela concorrenza,emoltoaltro. Latotalitàdellegrandiorganizzazioniadotta gliAnalyticsditipodescrittivo,mamoltedi questestannosperimentandoun’evoluzione versologichedipredictive,prescriptivee,in alcunicasi,automatedAnalytics.Inbreve,si trattadiapproccicheutilizzanoiBigData perprevedereosimularescenarifuturi,in modoautomatico.Latrasformazionepassa attraversotecnichediMachineLearningeDeep Learningcheabilitanotipologiedianalisidi Real-TimeAnalyticseIntelligenzaArtificiale. Questoèl’ambitodeicontestiincuiopera Interlogica,elaborandopiattaformeperla gestionedeiBigData,ingradodiaccederea qualsiasidatabaseedatalake,edianalizzare siadatistrutturatichenonstrutturati.Daqui l'opportunitàdiesplorareinprofonditàidatie definirel'architetturacoerentealleesigenze deiclienti. • Customersentiment • Prevedereparticolariavvenimenticomela rotturadiunmacchinario • Occupazionediundeterminatospazio • Nascitadipossibilitrenddimercato AI Cosa si può ricavare Big Data 17 WHITE PAPER “L’espressione “Big Data” è la popolarizzazione delle tecniche di Machine Learning: far lavorare i computer su enormi volumi di dati per scoprire legami e tendenze che gli uomini non possono vedere. E questo spiega tutte le grandi scoperte che stiamo facendo in questi anni”. Kenneth Cukier − Senior Editor Digital Products dell’Economist
- 10. Esplores: knowledge discovery platform Esploresèlasuitedivisualizzazione/interazionechetiaiutaaprenderedecisioniintuttasicurezza suqualsiasitipodidati–BigData–qualsiasisiailtuosettoreoperativo. VANTAGGI PRINCIPALI Output dei Big Data L’utilizzodeidatidicuisièproprietarièlachiavedivoltadituttoilprocesso.Idatiinsépossono essererecuperatidaqualsiasifonteeanalizzatiperrisolvereunavarietàdiproblemiottenendo: L’incontrotraBigDataeAnalytics,puòavereunforteimpattosullatuastrategiaaziendale qualsiasisial’ambitodipertinenza. Riducelacomplessitàdei progettidiBigData. Sicollegaconfacilitàamolteplici tipididatabase(Oracle,Microsoft, MongoDB,etc) IntegratoconPython, implementaattivitàdi DataMining. Aiutaleimpresenelloroprocessodi trasformazionedigitale,facilitandole interazionitraildipartimentoICTele BusinessUnit. 18 ADESEMPIOSIPUÒ: BIG DATA Riduzionedeicosti Individuareinrealtimelecausedi problemiemalfunzionamenti Sviluppodinuoviprodotti eottimizzazionedell’offerta Elaboraresoluzioniedofferte monitorandoleabitudinid’acquisto deiclienti Diminuzionedeitempi diprocessoe/odecisione Calcolareinmanieraautomatizzatainteri portfoliodirischio Decisioniponderate sudatireali. Rilevarecomportamentifraudolentiprimache possanoandareasegnomettendoarischioil tuobusiness WHITE PAPER 19
- 11. 20 BIG DATA 21 WHITE PAPER Leaziendechenonriuscirannoacoglierenel brevetermineleopportunitàfornitedaiBig Data,avrannodifficoltàastarealpassosui frontidell’innovazione,dellaconcorrenzasempre piùserrataedellaproduttività. Pergenerareunmodellodibusinessdisuccesso, èessenzialecrearedeiflussifunzionali sfruttandodiversefontididati,enonè un’operazionesemplicedarealizzare. Cisonomoltiusecaseinognimodellodi businesschesiappoggiaaiBigData. Ilverovalorecommercialediquestefontidi BigDatasirendericonoscibileattraverso specificheapplicazioni,chepossonovariare notevolmentedasettoreasettore. Mentrecisonointeressantisfidetecniche associateall’integrazioneeallagestioneditutti questidati,ognirealtàdovrebbeprimaprendersi iltempoperidentificareilcasod’usocorretto perleproprieesigenzeaziendali.Puòsembrare all’apparenzaunabanalità,masitrattadel primopassonecessarioacogliereleinformazioni chiavesulbusinesschepossono,unavolta approfonditi,generarevaloreaggiunto. Adoggimolteaziendesitrovanoancora impreparateealprincipiodelpercorsodi esplorazionedeipotenzialicasid’usodeiBig Data. Come usare i Big Data uncertosenso,WatsonperlaCyberSecurity ècomeunespertodisicurezzacheleggeil Web24h,nondimenticamai,formulaipotesi suattacchibasatisuquestasuaconoscenza altamentedinamicaediventapiùintelligente neltempo. HR-TECH “LaprofessionedelHRrecruiterstacambiando moltorapidamentegrazieallenuove tecnologie:IntelligenzaArtificiale,Analitiche Predittive,Gamification,sonotuttistrumenti chepermettonodiridurreil'timetohire' emigliorarelaprecisionenellaselezione, eliminandopregiudizio'unconsciousbias'che influenzanononnegativamentelescelte", PietroNovelli,Hrrecruitmentspecialiste ResponsabileItaliaOliverJamesAssociates, [Panorama,17Ottobre2018]. — GliHRAnalyticssonounostrumento infinitamenteutilecheconsentedimonitorare egestireinmanieradata-drivenareeaziendali critiche“perdefinizione”,persupportarele sceltedeiresponsabilidellagestionedelle risorseumane,valutareobiettivieperformance. DetteanchePeopleAnalyticsoTalent Analyticspermettonol'analisidellepersone edell'applicazionedelprocessoanaliticoal capitaleumanoall'internodell'organizzazione permigliorareleprestazionielafidelizzazione deidipendenti. ENERGY Neiprossimianniavremoadisposizioneuna grandequantitàdidati,chepermetterannodi fareprevisioniinmodopiùaccurato,equindi dimigliorarelapianificazione,lagestionee laconservazionedell’energia.Laproduzione eilconsumodienergianelprossimofuturo dovrannodiventarepiù“smart”.[IlSole24Ore,25 Giugno2019] — Utilizzandomodellimatematicieavendo adisposizionelostoricodeiconsumiele previsionidelletemperaturesubaseoraria,è possibilefarebuonesimulazionieprevisionisu baseorariaegiornaliera. FINTECH Lepiattaformedigitalipermettonodi completarel’automazionedeiprocessi,dalla gestionedelclienteprospectall’incasso,di utilizzareiBigDataperacquisireinformazioni,di eseguireletransazionionline,diimplementare workflowautomaticidibackoffice.Epossono supportareanchealtrefasidelfactoring,per esempiolavalutazionecreditiziaeanche l’aperturadicanalidistributiviinnovativiper prospectnuovi,comeleaziendedidimensioni moltopiccole.Ancora,consentonodi risparmiaresuicostioperativi.[IlSole24Ore,24 Settembre2019] — IBigDatainambitoFintechsonoadoggiuno strumentochiavepergliistitutibancari,e, abbinatiall’usodell'IA,siconfermanoessere unodeitrendchestadestandomaggior interesse.Conl'aumentaredelnumerodi recordelettronici,iservizifinanziariutilizzano attivamentel'analisideiBigDataperricavare approfondimentiaziendali,archiviareidatie attuareanalisipredittive. AUTOMOTIVE “Nelprossimodecennio,manmanochele autosievolverannoinmacchineinrete governatedalsoftware,ilconcettodi marchioautomobilisticodovràaffrontareuna rivoluzionechevedràemergerecomeprioritaria l’esperienzadigitaledell’utenteall’internodel veicolo,rispettoallecaratteristichediguida” BenStanley,GlobalAutomotiveResearchLead InstituteforBusinessValue,IBM. — L’83%dellepersonecomprendeilvalore strategicodeidatichepossonoalimentare l’efficienzaoperativa,nuovimodellidibusiness, esperienzedigitalirivoltealconsumatore, l’integrazioneconaltridispositivi,servizi personalizzatielacapacitàdicollegarsiadaltri aspettidellavitadiunapersona.Tuttavia,soloil 18%affermadioperareoggisuunapiattaforma didatidigitale.[rif.studioAutomotive2030: Racingtowardadigitalfuture] CYBERSECURITY “Sistimacheentroil2021icosticomplessivi sostenutiperlaprotezioneeleconseguenze deicyberattacchisupererannoi1.000miliardi didollari.Ilmercatodeiprodottieservizi èstimatoin180miliardi»,diceAlessandro Profumo,amministratoredelegatodiLeonardo, ilgrupponazionaledell’aerospazioedifesache hacreatounadivisionededicataalla“cyber security“IlSole24Ore,24Settembre2019. — WatsondiIBMmemorizzaoltre10miliardidi elementi(eventirelativiallasicurezzaedati correlati)eaggiornalasuaconoscenzaal ritmodi4milionidielementiinpiùogniora.In
- 13. 24 BIG DATA 25 WHITE PAPER Data scientist e il dream team UnDataScientistèunespertochesacome estrarresignificatoeinterpretareidati, strutturationonstrutturati,alfinedi raggiungeredeterminatiobiettividibusiness, trasformandoidatiinnuovaconoscenzae opportunità. Comeprofessionistadeveavereunachiara visionedeitooldilavoropiùdiffusiedelle piattaformepiùadeguateperogniobiettivo,il cherichiedelaconoscenzasiadistrumentiche dimetoditipicidellastatisticaedelMachine Learning.Granpartedelsuosforzosiconcentra nelprocessodiraccolta,pulizia,organizzazionee formattazionedeidati. NelformareilteamdiDataScience,è necessarioprestareattenzioneallepeculiarità diognunodeisuoicomponenti.Secondola nostraesperienzaunteammultidisciplinare èlasoluzioneottimaleperpoteraffrontare progettieterogenei. All’internodelnostroDreamTeamabbiamo sceltodiinseriretrefigurediverse:un informatico,chehacompetenzein progettazione,ottimizzazionedelsoftwaree gestionedeldatabase;undatascientistche elaboramodellimatematiciperestrapolare informazionidaidatieprogettasoluzioniper organizzarliinmodofruibileperl’utente;uno statisticocheeffettuatestdisignificatività suimodelliedelaborastatistichedescrittive utiliadesporreirisultatidelsuooperato all’utentefinale. Tool di Data Science Il Data Scientist raccoglie i dati da varie fonti - ad esempio applicazioni di business come software ERP e CRM, banche dati, web analytics, social media, documenti elettronici, apparecchi IoT - e li struttura in formati organizzati e accessibili. Nella sua cassetta degli attrezzi ci sono quindi software e linguaggi di programmazione per interagire con i database, analizzare i dati ed estrarne informazioni utili (Data Mining). Per questi scopi, il data scientist elabora algoritmi o si avvale di metodi statistici e strumenti di Machine Learning, seguendo un approccio scientifico che è al contempo orientato al risultato. Questo processo consente di individuare all'interno di un gran numero di dati solo le informazioni di valore per l'azienda, costruendo modelli di correlazione, dimostrando causalità, sviluppando scenari e modelli predittivi. Punto dolente per molte organizzazioni, e per le PMI in particolare, è il costo di alcuni software proprietari di analisi dei dati e statistici che fanno lievitare notevolmente il budget. Per fortuna sul mercato sono disponibili alternative open source, disponibili per diversi sistemi operativi, in grado di competere con quelli commerciali grazie alle funzionalità e alle community di sviluppatori che hanno alle spalle. L’Open Source, quindi, non solo è possibile, ma incoraggiato. Sistemisti-DBA Predisposizione server Marketing Analyst– dirigenti Risultatiattesivs metodologia Statistici Informatici Modifica(formato) dati Riunioniperiodiche • DiscussionePOC • Pianificazionelavori • Statodiavanzamento • Consegna • Statodopoconsegna Sistemisti-DBA Pianificazione utilizzoserver Statistici informatici Modificaformato risultati emodelli. Modificadashboard suesperienza utilizzo. INFORMATICI Interlogica Cliente STATISTICI INFORMATICI MARKETING ANALYST DIRIGENTI AMMINISTRATORI STATISTICI DATASCIENTIST
- 14. 27 WHITE PAPER 26 BIG DATA INTERLOGICA Lesson Learned In Interlogica elaboriamo soluzioni per la gestione, l’analisi e la visualizzazione dei Big Data (strutturati e non), a partire da qualsiasi database e Data Lake esistente. Da qui l'opportunità di esplorare in profondità i dati e definire l'architettura ideale per progetti cuciti sulle esigenze di ciascun cliente. A seguire alcuni esempi significativi di come abbiamo aiutato alcuni clienti a estrarre valore dai dataset in loro possesso, attraverso processi, tecnologie e competenze in Analytics e Intelligenza Artificiale.
- 15. 28 BIG DATA 29 WHITE PAPER OBBIETTIVO Piattaformaperlastimadelloswitchoutdei clienti. — CONTESTO Nelsettoredell’energia,unaimportante multiutilityhadecisodiintraprendereun percorsodiinnovazioneconnoibasatosuiBig Data,attraversoduedifferentiprogetti. Ilprimorelativoallostudiodeltassodiswitch outdeisuoiclientiperaumentarelaCustomer Retention. — SFIDA Comprendereifattoricorrelatialledinamichedi abbandonoattraversol’analisideilorodatabase, laricercadiinsightsuiclientiel’attivazionedi nuoveattivitàcommercialiedimarketing. Big Data Analysis per il settore energy SOLUZIONE Nellospecifico,abbiamosviluppatouno strumentobasatosutecnichediMachine Learning,chepermettedianalizzareuna pletoradiinformazionianonimizzateassociate aiclienti,comel’anagrafica,lostoricodei contrattiedelleoffertesottoscritte,ele interazionidelclienteconlamultiutilitystessa (reclami,richiestediinformazionioattivitàdi marketing). Sullabasediquestidati,perciascunclientesi èstimatoilrischiodirescissionedelcontratto nelprossimofuturo,inmodototalmente automatizzato.Lamultiutilitysièpoioccupata diassociareleinformazionianonimizzateailoro realiclienti. GlialgoritmidiMachineLearningutilizzatisono leRandomForest,checonsentonoanchedi determinareifattoridecisionalidistintivi(ad es.l’aumentodellebolletteenergetiche,etc.) cosìchesipossanoproporreoffertemirateper nonperdereilcliente,eeffettuaredellecorrette stimecosto/beneficioperdeterminareil correttoammontaredell'investimento. OBBIETTIVO Piattaformaperlaprevisionedeiconsumi elettrici. — CONTESTO BigDataeIntelligenzaArtificialesiintrecciano anchenelsecondoprogetto,incentrato sull’efficientamentodelprocessodiprevisioni delconsumoelettrico. — SFIDA Ottimizzareilprocessodiacquistodell’energia elettrica,riducendoquindiicostiperla multiutilityelosprecoenergetico.Ridurre l’errorenellaprevisionedelconsumoelettrico deiclientièpuntocrucialeinquestoprocesso diottimizzazione. SOLUZIONE Èstataelaborataunapiattaformache leggeinreal-timeiconsumielettriciele previsionimeteorologiche,licombinacon altreinformazionilegateaiconsumatorieal calendario,listrutturainundatabase,eutilizza questamoledidatiperallenaredeimodelli predittividelconsumoelettrico. Sitrattadimodellididecomposizionediserie storichecombinaticonmetodidiEnsemble Learning(apprendimentod'insieme),selezionati inautomaticodallapiattaforma.Quest’ultima èstatainfattidotatadiunmodellodecisionale checonsentediselezionarel’algoritmopiù adeguatoperprevedereilconsumoelettrico sullabasedellatipologiadiconsumatoreedel periododell’annosucuieffettuarelaprevisione. Perconsentirealclientediinterfacciarsi agilmenteconidatialorodisposizionee visualizzareiconsumiprevistidallapiattaforma, abbiamofornitolorounadashboardinterattiva, realizzataincollaborazioneconEsplores. Ancheinquestoprogetto,imodellisonostati elaboratisudatianonimizzati.
- 16. 30 BIG DATA 31 WHITE PAPER OBBIETTIVO Piattaformadigestionedelflussodifatture elettroniche. — CONTESTO Unodeimaggioriplayerdellacertification authorityinItaliahadatoilviaainvestimenti inprogettid’innovazioneconl’usodeiBigData, cosìdapotergestireautomaticamenteil flussodifattureelettronichedeiloroclienti (ilsistemaèprogettatoperreggerepicchidi lavorofinoa500fatturealsecondo). — SFIDA Creareunflussodigestioneautomaticadella fatturazionechepermettadiarchiviaree analizzareenormiquantitàdidati. Big Data per la fatturazione legale SOLUZIONE Dopoun'attentavalutazionedelleesigenze edelleaspettativedelcliente,abbiamo sceltodiutilizzarelatecnologiaApache KafkaincombinazioneconunclusterHadoop appositamenteprogettatoperarchiviare eanalizzareenormiquantitàdidatinon strutturatiinunambientedicalcolo distribuito. Tuttiquestisetdidatisonoindicizzati attraversoundatabaseOracle,checonsente un'elaborazioneintemporealedeirelativi metadati.Isetdidatiresterannoarchiviati pertreannipercuisiprevedel’analisie l’indicizzazionedicircaunpetabytedidatiin questolassoditempo. OBBIETTIVO SmistamentoautomaticodiemailPEC. — CONTESTO Unquartoprogettocihacoinvoltinellosviluppo diunapiattaformabasatasuIntelligenza Artificialeperautomatizzarelosmistamento delleemailcertificatepercontodiunIstituto inambitofinanziario. — SFIDA Migliorare,accelerareeautomatizzarele funzionidianalisideltestoperidentificareil destinatariodellemailinmodoautomatico. — SOLUZIONE SièsceltodiutilizzareilNaturalLanguage Processing(NLP),ossiailtrattamento informatico(computerprocessing)del linguaggionaturale,abbinatoatecnichedi MachineLearning. PerquestoprogettoilteamdiDataScienceha analizzatounclusterdiemailpercostruiredei modellidiclassificazionedeltesto. Questimodellipermettonodiclassificare leemailinentratainbasealcontestodi riferimento(mittente,oggetto,corpo),con successivosmistamentoautomaticoalgruppo dilavorooppureal/aidestinatari. Lapiattaformaconsentedigenerareanche delleemaildirispostaautomatica,elaborate sullabasedeicontenutidell’emailstessa. NaturalLanguageProcessing applicatoaldispatching automaticoemail Ilclienteha,inoltre,lapossibilitàdicorreggere eventualiimprecisioninellosmistamento automatico,comunicandoallapiattaforma ildestinatariocorretto;glialgoritmidiIA siri-modellanoinautomaticosullenuove informazioni,incrementandoprogressivamente laprecisioned'usodellapiattaformastessa. Ilrisultatoèunacategorizzazioneaccuratae affidabiledelleemailchecomportaunrisparmio notevoleinterminidiforzalavoroeriduzione deglierrori. • UtilizzalatecnologiaIAdiNLP • Classificaautomaticamenteleemailin ingresso • Generaunarispostaautomaticasulla basedelcontestodipertinenza dell’email • Riduceglierroriedeterminaunrisparmio interminidiforzalavoro
- 18. 34 BIG DATA 35 WHITE PAPER company/Interlogica @Interlogica @Interlogica Contatti Venezia – Mestre ViaMiranese,91/4–30174, Mestre(VE) +390415354800 info@interlogica.it Milano ViaFrancescoCaracciolo,26–20155Milano +390415354802 info@interlogica.it Dubai DubaiSiliconOasis,HeadQuarterBuildingOffice POBox:71245–Dubai,EmiratiArabiUniti alex.jacobs@interlogica.it Seguicisu interlogica.it Maggioriinformazioni Certificazioni Contatta i nostri esperti OttieniulterioriinformazionisucomeInterlogica puòaiutartiasbloccareilvalorecreato attraversol’analisideiBigData.