Smau Napoli 2013 Paolo Pasini

774 views

Published on

Come le IT aiutano le imprese a controllare meglio la gestione e a prendere decisioni aziendali migliori, tra miti e mode!

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
774
On SlideShare
0
From Embeds
0
Number of Embeds
151
Actions
Shares
0
Downloads
15
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Smau Napoli 2013 Paolo Pasini

  1. 1. Business Intelligence, Business Analytics, Big Data e valore aziendale P. Pasini Responsabile Unit Sistemi Informativi Direttore Osservatorio BI SDA Bocconi School of Management Copyright SDA Bocconi, Paolo Pasini 1
  2. 2. 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) 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, …, oppure i casi di utilizzo dei sensor/meter data o degli M2M data per scopi di management!)
  3. 3. 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
  4. 4. La piramide di esperienza della BI Creatività sul mercato e nei Business Model RCS DIRECT. Il processo di scelta delle campagne marketing (per gli abbonamenti RCS e per i clienti esterni). MAPEI. Sviluppo nuovi modelli di mkt internazionale e di mix di vendita. Nuovi Prodotti e Servizi A2A. Il processo di simulazione e di definizione di nuovi contratti luce-gas 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, 2010) 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 di prenotazioni e pagamenti delle visite. 5
  5. 5. 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 … … 6
  6. 6. The new BI scenario BI Tools BI Analytics Competitive Advantage Decision Optimization What’s the best that can happen? Predictive Analytics What will happen next? Forecasting What if these trends continue? Statistical models Why is this happening? Alerts What actions are needed? Query/drill down Where exactly is the problem? Ad hoc reports How many, how often, where? Standard reports What happened? Information Degree of Intelligence (adattamento da Davenport, 2007) Insight
  7. 7. (IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012) What Business Managers think: una ricerca Global (2012)
  8. 8. Applicazioni di BI/Analytics: diversi livelli di impatto sui risultati aziendali Energy management, nuovi contratti clienti, nuovi modelli di pricing, mix dei ri-assortimenti, scelte di supply chain, … CRM, analisi contatti, segmentazioni, crossselling, analisi dei reclami/soddisfazione/ fedeltà, … IMPATTO DIRETTO SULLA BOTTOM LINE IMPATTO “MEDIATO” SULLA BOTTOM LINE Business Performance Management, KPI, BSC, analisi redditività di IMPATTO INDIRETTO prodotto/servizio/canale/ SULLA BOTTOM LINE segmento clienti, analisi di efficienza o qualità del parco asset o delle HR, … 10
  9. 9. Una “vista analitica per oggetti di business”: Verso i Big Data! DATI STRUTTURATI DATI IN STREAMI NG, RealTime PROFITABILITY RECENCY, FREQUENCY, MONETARY PROFILO SOCIO-DEMO DATI NON STRUTT. DATI STRUTTURATI FIDELITY CARD, PUNTI PREMIO STRUMENTI DI PAGAMENTO DATI IN BASKET E MIX DI ACQUISTO STREAMI NG, RealTime SOCIAL WEB DATA (RT e non RT) DATI IN STREAMI NG, RealTime consumer GEO-POSITIONING VIDEO-INTELLIGENCE (riconoscimento volti e Comportamento fisico) FEEDBACK E-SURVEY GARANZIE PRODOTTI DATI STRUTTURATI INFORMAZIONI E RECLAMI AL CONTACT CENTER DATI NON STRUTT. Un esempio di BIG DATA: velocity, variety, volume. I vettori di conoscenza del consumer DATI IN STREAMI NG, RealTime
  10. 10. Le origini dei BIG DATA Ogni persona o cosa o evento naturale, ogni oggetto o evento di business generano attorno a sé in modo sempre più automatico dati digitali (nel privato, nell’ambiente fisico e relazionale o in azienda); non solo sul web! Nuove Tecnologie di data mgmt e di data analysis Capacità di ricercare, di analizzare e di interpretare
  11. 11. È un fenomeno di management, non solo di ICT! e-Survey: “Big Data: le nuove frontiere della conoscenza aziendale” e-Survey: “Come avere successo nel business gestendo bene i propri (e altrui!) dati aziendali”
  12. 12. BIG DATA & BIG BROTHER: Minacce, percezioni individuali, privacy
  13. 13. Big Data Framework Big Data Framework Data Volume Data Velocity New Knowledge and Insights New Potential Business Value Data Variety (number of sources and types of formats) Data Quality (Veracity), Security, Privacy BI & Analytics, DB platform Cloud services Enablers to Big Data Management Culture and Capabilities, New Skills High Information Complexity Scale Low
  14. 14. La ricerca  Target: CIO e IT Executive di medio-grandi imprese italiane  202 imprese partecipanti  Manifatturiero: 31%; Distribuzione e Logistica: 18%; Finance: 11%; PAL-Sanità: 18%, Servizi-Utilities: 22%  Medie Imprese (< 1000 dip.) 51%; Medio-grandi Imprese (10005000 dip.) 26%, Grandi imprese (> 5000 dip.) 23%  Aziende domestiche 49%; Multinazionali italiane 25%; Consociate di multinazionali estere 26%
  15. 15. Quali tra le seguenti FONTI DI DATI associa maggiormente ai Big Data? Social networks e social media (es. Facebook, Twitter, blogs, forum, …) 54% Documenti cartacei digitalizzati 52% Email 46% Transazioni 40% Immagini 34% Registrazioni video 32% Dati di geo-posizionamento (GPS) 25% Dati generati da sensori o misuratori digitali (es. RFID, NFC, meters) 25% Automazione processi produttivi 24% Clickstream – Web Log 18% M2M (Machine to Machine) data - Internet of Things 17% Digitalizzazione dei processi di R&D (es. nella bioinformatica e biogenetica, chimica, climatologia, ecc.) 15% Registrazioni audio 12% Altro (specificare) 3% 20
  16. 16. Principali aree di impatto e di beneficio di business dei Big Data 1. 2. 3. 4. 5. 6. accuratezza delle analisi del comportamento del mercato e maggiori informazioni sui Clienti (più dimensioni di analisi) al fine di servirlo meglio (con piattaforme digitali di Customer Experience multicanale) costruzione di una nuova piattaforma IT (che superi i limiti del DW, che permetta analisi di milioni di transazioni, che permetta di analizzare grandi quantità di dati strutturati e non, ecc.) velocità delle insight a supporto delle decisioni strategiche (predizioni, scenari e previsioni di medio-lungo termine) analizzare e gestire Point-of-interest aziendali (PdV, magazzini, concessionari e dealer, turbine, cantieri, ecc.) e infrastrutture sul territorio (reti elettriche, canalizzazioni, strade, ecc.) Analisi di dati strutturati e non che convergono in documenti aziendali core dematerializzati (fascicoli sanitari, gestione sinistri, …) Ottimizzazione dei processi aziendali (supply chain complesse, campagne promozionali ripetitive, …) 21
  17. 17. Rilevanza per gli executive L’Executive più interessato ai Big Data e che può generare il giusto committment aziendale, è: 1. 2. 3. CIO/IT manager: 37% ma non da solo per il 19% del campione, bensì con il CEO (5%) o il DG (4%), con il Direttore AFC (5%), con il direttore Mktg (5%) Comitato interfunzionale di Executive (21%): “Big data = Big Brainstorming!” Direttore Mktg (20%) 22
  18. 18. What Business Managers think: una ricerca Global (IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012)
  19. 19. Fase attuale del ciclo di esperienza/maturità nei Big Data 1. La maggioranza delle aziende si presenta nella Fase di comprensione dei BD e dei loro possibili benefici (57%). 2. Un’altra porzione di rilievo (25%) è consapevole del valore dei BD ma ha “priorità” immediate nella gestione della privacy e della sicurezza dei dati. 3. Il 25% non sente il bisogno dei BD (con un 7% che ha però avviato una fase di comprensione). 4. il 18% ha definito una strategia di BD o sta svolgendo studi di fattibilità o ha avviato progetti in ambito (ricerca a livello Global: 28 % in Execution; 48% in Planning).
  20. 20. Gli Enabler organizzativi dei Big Data 1. il funding, il budget delle iniziative (22%) 2. la corretta valutazione dei ritorni dell’investimento (14%) 3. il committment direzionale (13%) 4. le competenze interne (tecnologiche, analitiche, interpretative) (12%) 25
  21. 21. BI/Analytics Organization BICC centrale BICC divisionale (MIT Sloan Management Review in collaboration with the IBM Institute for Business Value, “Big Data, Analytics and the Path From Insights to Value, winter 2011)
  22. 22. Gli Enabler tecnologici dei Big Data ICT Outsourcing 3,84 Streaming processing 4,05 Hadoop/MapReduce 4,13 Cloud computing/ICT as-a-service 4,23 Sistemi di database management relazionali 4,31 Sistemi di database management non relazionali (es. inmemory, columnar) 4,49 Content Analytics 4,56 Strumenti per l’Integrazione di dati (es. ETL, etc.) 4,57 Business Analytics 4,85 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00 27
  23. 23. ALCUNI CASI PIONIERI E CASI DI ECCELLENZA
  24. 24. Volume Variety Velocity Insight dei Insight dei Processi Processi R&D e gestionali, incluso innovazione di risk mgmt prodotto/servizio Insight delle relazioni con partner esterni Insight dei PoI o Insight per Strategie Insight sui Insight di mercato e future, scenari, Infrastrutture documenti core clienti business model aziendali (incl. ICT) dematerializzati
  25. 25. Insight dei Insight dei Processi Processi R&D e gestionali, incluso innovazione di risk mgmt prodotto/servizio Insight delle relazioni con partner esterni Insight dei PoI o Insight per Strategie Insight sui Insight di mercato e future, scenari, Infrastrutture documenti core clienti business model aziendali (incl. ICT) dematerializzati  Dublin City Center; (RT public transportation data analysis)  TerraEchos (RT acoustic data analysis)  Battelle (RT and DWH smart grid data analysis)  Barnes & Noble (RT sales track for suppliers and RT inventory analysis)  University of Southern California(RT Twitter data analysis for political aims) Velocity  Ufone (campaign data streams analysis)  KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data) Variety  KTH Swedish Royal Institute of Technology  KTH Swedish Royal (RT analysys of traffic Institute of Technology streaminig data) (RT analysys of traffic  Barnes & Noble (RT sales  Asian Telco (network streaminig data) track for suppliers and RT monitoring e processo di  U.S. Wireless Telco (RT inventory analysis) billing) cells and customer calls  University of Western Data analysis) Ontario (RT neonatal  Telecom (Service level patient conditions analysis)  Asian Telco (network analysis) monitoring)  Mutiutility italiana (RT power network analysis and predictive)  Telecom (Service level analysis)  University of Southern California (RT Twitter data analysis for political aims)  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)  Globe Telecom (RT mktg data analysis)  U.S. life Insurance Company (RT predictive analysis of churn)  MobyLines (RT customer profiling and custom content delivery)  Hertz (content analytics)  U.S. Wireless Telco (RT cells and customer calls Data analysis)  Mediaset (social analytics; virtual customer profile analysis) Volume  Battelle (RT and DWH smart grid data analysis)  TerraEchos (RT acoustic  Vestas (wind turbine data analysis) positioning)  Asian Health Bureau  Asian Telco (network (patient images analysis monitoring e processo di in rural telemedicine) billing)  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)  Multinational CPG manufacturer (velocità ed efficacia dell’enterprise search)  Multinational Aeromobile manufacturer (velocità ed efficacia dell’enterprise search)
  26. 26. Alcuni commenti generali ai casi osservati 1. Buona distribuzione dei casi nei 3 attributi base dei Big Data (velocity, variety, volume), con mix diversi degli stessi 2. Conferma che l’esperienza di BD si sta trasferendo • dal mondo fisico (analisi delle infrastrutture e dei PoI aziendali, soprattutto nelle Telco, nell’Energy e nel trasporto pubblico) e della R&D (innovazione di prodotto/servizio, nel mondo medico, meteo, sicurezza) • al mondo del management (soprattutto nelle analisi del mercato/clienti e dei processi gestionali core) 3. Più difficile per ora osservare esperienze di BD nella definizione di strategie e scenari futuri, e nell’analisi delle relazioni con i fornitori e partner
  27. 27. 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%.
  28. 28. 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 Risultati i dati non strutturati raccolti mediante l’utilizzo di automaticamente regole linguistiche restituendo • Riduzione dei report facilmente interpretabili per tempi necessari e analizzabili dal management. la Risultati raccolta multicanale e per il • trattamento/preparazione dei dati Riduzione dei tempi necessari al trattamento/preparazione dei dati non strutturati e conseguente incremento del tempo non strutturati e conseguente disponibile per la loro analisi. • incremento del tempo disponibile Maggior conoscenza dell’opinione dei clienti e delle determinati della loro soddisfazione o insoddisfazione. per lacontrollo analisi. aziendali core (noleggio, • Maggior loro sui processi consegna e ritiro). • Maggior conoscenza dell’opinione Soluzioni implementate dei clienti e delle determinati della • IBM Content Analytics. loro soddisfazione o insoddisfazione. • Maggior controllo sui processi aziendali core (noleggio, consegna e ritiro).
  29. 29. 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 Risultati • Visualizzazione in tempo reale delle percezioni e delle reazioni del pubblico alle risposte in tempo candidati • Visualizzazionefornite da parte deireale politici durante i dibattiti. delle percezionidel dibattito basata sull’opinione • Previsione del vincitore e delle reazioni pubblica anziché esclusivamente su quella degli analisti e degli del pubblico alle risposte fornite schieramenti politici. da parte dei candidati politici Soluzioni implementate durante i dibattiti. • IBM InfoSphere Streams. • Previsione del vincitore del dibattito basata sull’opinione pubblica anziché esclusivamente su quella degli analisti e degli schieramenti politici.
  30. 30. 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.
  31. 31. TerraEchos TerraEchos è leader nella fornitura di sistemi di intelligence segreta e di sistemi di sorveglianza. Tra i suoi clienti, c’è il National Lab di ingegneria applicata che supporta il Department of Energy (DOE) americano nella ricerca energetica e nucleare e nelle attività per la difesa nazionale. TerraEchos ha sviluppato un sistema per la sorveglianza basato sull’analisi dei dati sonori a bassa latenza. In particolare il sistema implementato è un sistema di sicurezza e sorveglianza per individuare, classificare e monitorare le minacce potenziali altamente sensibili per il National Lab. La soluzione raccoglie i dati acustici provenienti dalla rete di sensori in fibra ottica. Successivamente li analizza per la rilevazione di minacce, la classificazione, la prevenzione e la comunicazione agli enti di analisi e intervento. Risultati • Analisi e classificazione in tempo reale dei dati acustici in streaming. Risultati Integrazione dati video provenienti • •Analisi e diclassificazioneunadai sistemi di in tempo sorveglianza con i dati acustici per fornire visione olistica delle potenziali minacce. reale dei dati acustici in streaming. • Predisposizione di una più veloce e intelligente risposta alle potenziali minacce rilevate. • Integrazione dei dati video Soluzioni implementate provenienti dai sistemi di • IBM InfoSphere Streams. sorveglianza con i dati acustici per fornire una visione olistica delle potenziali minacce. • Predisposizione di una più veloce e intelligente risposta alle potenziali minacce rilevate.
  32. 32. University Western of Ontario, Institute of Technology (UOIT) L’Università dell’Ontario, fondata nel 2002, è un importante centro di ricerca canadese costantemente impegnato nel trovare strumenti innovativi per offrire assistenza sempre più efficace e proattiva in campo medico. Oggi i pazienti sono costantemente monitorati con specifici apparecchi in grado di segnalare scostamenti dai valori vitali considerati normali in modo da poter intervenire tempestivamente e in modo mirato sulla eventuale patologia nascente o in corso. L’osservazione però ha dimostrato che un’analisi più approfondita del paziente può intercettare l’insorgere di complicazioni molto prima che queste si manifestino in tutta la loro gravità. È quindi importante poter individuare anche i cosiddetti “segnali deboli” che possono permettere un intervento in una fase precoce della patologia in essere. L’importanza della diagnosi precoce è ancora più rilevante e critica in pazienti particolarmente indifesi come i neonati nati prematuri. È stata così sviluppata una soluzione in grado di analizzare i dati dei bambini nati prematuri e monitorarne le condizioni costantemente in modo da permettere una valutazione e una comparazione con i dati Risultati fisiologici “normali” dei neonati e consentire di evidenziare cambiamenti anche molto questo modo è • Rilevazione lievi. In tempestivamente possibile per il eventuali personale ospedaliero intervenire di e soprattutto quando la situazione non è ancora critica. condizioni critiche del paziente Risultati • con un eventuali condizioni critiche a paziente con un Rilevazione di anticipo fino del 24 ore anticipo fino ore prima. prima. a 24 e migliore assistenza al paziente neonato. • Minore mortalità • Minore mortalità e migliore Soluzioni implementate • assistenza al paziente neonato. IBM InfoSphere Streams. • IBM DB2.
  33. 33. Cost reduction Working capital reduction Intangible asset value (brand reputation, risk mgmt, knowledge, relationship value, social value, …) Business Value Revenue increese Insight dei Processi R&D e innovazione di prodotto/servizio Insight deiProcessi gestionali, incluso risk mgmt Insight delle Insight dei PoI o Insight di mercato e relazioni con Infrastrutture aziendali clienti partner (incl. ICT) esterni Insight sui Insight per documenti Strategie core future, dematerializz scenari ati
  34. 34. Insight dei Processi R&D e innovazione di prodotto/servizio Insight deiProcessi gestionali, incluso risk mgmt Insight delle Insight dei PoI o Insight di mercato e relazioni con Infrastrutture aziendali clienti partner (incl. ICT) esterni Insight sui Insight per documenti Strategie core future, dematerializz scenari ati  Globe Telecom (RT mktg data analysis)   TerraEchos (RT acoustic data analysis)  Vestas (wind turbine positioning)  Hertz (content analytics)  Barnes & Noble (RT sales track  Major U.S. Wireless Telco (RT for suppliers and cells Data analysis) RT inventory analysis)  Dublin City Center (RT public transportation data analysis) Working capital reduction Cost reduction  Telecom (service level monitoring) U.S. life Insurance Company (RT predictive analysis of churn)  Mediaset (social analytics; virtual customer profile analysis)  MobyLines (RT customer profiling and custom content delivery)  Hertz (content analytics)  Asian health Bureau (patient images analysis in  Asian Telco (network rural telemedicine) monitoring e processo di billing)  KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)  University of Western  Vestas (wind turbine Ontario (RT neonatal positioning) patient conditions analysis)  Asian health Bureau (patient images analysis in Intangible asset value brand reputation, risk mgmt, knowledge, relationship value, social value, …) Business Value Revenue increese  Ufone (campaign data streams analysis)  Major U.S. Wireless Telco (RT cells Data analysis)  Multinational Aeromobile manufacturer (enterprise search)  Battelle (RT and DWH smart grid data analysis)  Asian Telco (network monitoring)  Mutiutility italiana (RT power network analysis and predictive)  Dublin City Center (RT public transportation data analysis)  Telecom (service level monitoring)  University of Southern California(RT Twitter data analysis for political aims)  Hertz (content analytics)  Multinational CPG manufacturer (enterprise search)  Multinational Aeromobile manufacturer (enterprise search)
  35. 35. I Business Value più rilevati 1. La ricerca della riduzione dei costi aziendali o del capitale circolante, come Business Value dei BD, non sembra il fine più perseguito, se non nelle insight delle Infrastrutture aziendali: i BD forse sono più coerenti con crescita e innovazione! 2. Il valore in termini di Intangible Asset è sempre presente 3. L’incremento di Revenue come valore dei BD si manifesta ovviamente di più nei casi di Analisi del mercato/clienti
  36. 36. 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” di Data Velocity-Variety-Volume ! • Open Data • Web BI: dalle Web Metrics & Analytics alla Social Web BI • Geo-Data 3. Near Real Time BI
  37. 37. 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 (es. gestione di un reclamo, Web Advertising, prevenzione medica, ecc.); molto sviluppo custom!
  38. 38. 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 3. messaging e communication; grande potenziale inespresso InMemory: prestazioni e verso la RT information 4. Analytical Platform: nicchie di applicazioni 5. 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!) Necessità crescente di una maggiore BI Governance “Still dreams”: 1. BI in SaaS, in Cloud 2. BI Open source

×