Smau milano 2014 paolo pasini

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)

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

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

Attività e processi operativi
Attività e processi
tattici, di P&C
di pianificazione
strategica
di Governance
Funzioni e unità operative
Direzioni Funzionali
Alta Direzione o Direzioni di Business Unit
Stakeholders,
A.D., D.G UNITA' ORG.VEATTIVITA'AMM/FIN. MKTG/ VENDITEDIVISIONICOMM.LIAGENTILOGISTICAD.G. prepazione dati di consuntivo, ultimi 12 mesidefinizione obiettivi e previsioni di budgetconsolidamentovalidazionestesura budget finalevedi dettagliodefiniz. obiettiviQ x raggrupp., MDC, Dp increm.: x agente (div.I), x cliente (div.E), x aggregaz. (div. G,H) definiz. Q1.integraz. Clienti e prod. Nuovi; 2.criteri di mensilizz. Q x aggregaz., x agente, x campagna; 3.prev. Costi comm.li costi di trasportoBUDGET VENDITE
N
3
0
0
3
0
6
0
9
0
K
i
l
o
m
e
t
r
s
Titolo diagrammaprontezza: tempo mediodi rispostatempestività: % consegnein ritardodisponibilità: lead time dirichiesta e consegnaaccuratezza: %cons.complete/ tot.consegneregolarità: ...... lead timevenditorilead timeamministrazionelead timeacquisti efornitorilead timeproduzionelead timelogisticain uscita e trasportilead time....... ANALISI DEILEAD TIME(vedi Reportingad hoc) REPORTINGLIVELLO DISERVIZIOQUALITA'INTERNAQUALITA'ESTERNAREPORTINGQUALITA'INTERVENTIIN GARANZIAANALISI DEIRECLAMIREPORTINGPOST-VENDITAREPORTINGDIREZIONALE
DIMENSIONE PRODOTTO
DIMENSIONE
CLIENTE
DIMENSIONE INIZIATIVE DI MARKETING
MISURE DI
PERFORMANCE
DIMENSIONE GEOGRAFIA
ORDINATO
GRADO DI SODDISFAZIONE
TEMPI MEDI CONSEGNA
MARGINE DI CONTRIBUZIONE
SETTIMANA
MESE
PERIODO INFRA-ANNUALE
ANNO
...
BACINO DEL PUNTO VENDITA
PROVINCIA
REGIONE
NAZIONE
SETTORE
SOTTO-SETT.
FAMIGLIA
SOTTO-FAM.
ARTICOLO
N° RECLAMI
N° INTERVENTI ON- SITE
La «gamma» applicativa della BI
BI Real time

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?
Competitive Advantage
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

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

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
…
…

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)
+
-

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 STREAMING, RealTime
DATI NON STRUTT.
DATI
STRUT- TURATI
Una “vista analitica degli oggetti di business”: Verso i Big Data!

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

Data Quality(Veracity), Security, PrivacyNew Knowledgeand InsightsNew PotentialBusiness ValueBig Data FrameworkEnablersto Big DataBI & Analytics, DB platformCloudservicesManagement Culture and Capabilities, New SkillsInformation ComplexityScaleHighLowData VelocityData VolumeData 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

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

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,…)

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

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”
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

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”

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)


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



Vestas (wind turbine positioning)

Asian health Bureau (patient images analysis in rural telemedicine)

Hertz (content analytics)



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


Asian Health Bureau (patient images analysis in rural telemedicine)


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)

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%.

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 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.

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,COMUNE, 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
Fonti Web
Social Network
Blogs
Communities tematiche
Forum, Newsgroups
Fonti mainstream
Siti web istituzionali
Social Web Analytics

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).

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.

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.

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.

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.

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

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

Smau milano 2014 paolo pasini

Recommended

Recommended

More Related Content

What's hot

What's hot (14)

Viewers also liked

Viewers also liked (12)

Similar to Smau milano 2014 paolo pasini

Similar to Smau milano 2014 paolo pasini (20)

More from SMAU

More from SMAU (20)

Smau milano 2014 paolo pasini