Big data e nuova conoscenza aziendale_Paolo Pasini_Summit Italia 2013
1. INFORMATION BUILDERS SUMMIT - 2013
Big Data e nuova conoscenza aziendale:
un percorso di crescita della capacità di informazione
e di decisione
Paolo Pasini
Responsabile Unit Sistemi Informativi
Direttore Osservatorio BI
SDA Bocconi School of Management
2. Le strategie di Empowerment del personale portano a
diffondere capacità decisionale ad ogni livello e in ogni
funzione aziendale
Processi di
Programma-
zione e
Controllo
Processi
Strategici
Attività di gestione
di supporto aziendale
Supply Chain
e Logistica
Produzione
Relazioni con Canali e
Reti di vendita
Relazioni con
Cliente finale
Category/Brand
Strategy
Category/Brand
Planning
Customer Insights
Manufacturing Strategy
Supplier Relationship
Management
Production/Materials
Development & Planning
Corporate Strategy
Alliance Management
ICT Governance
Customer Relationship
Strategy
Customer Relationship
Planning
Supply Chain Strategy
Inventory Planning
Corporate Planning
Network & Asset
Configuration
Marketing Development
Matching Supply and
Demand
Brand P&L Management
Manufacturing Oversight
Distribution Oversight
Business Performance
Management
External Market Analysis
Organization and Process
Design
Assessing Customer
Satisfaction
2
Processi
Operativi
Controllo
Product Ideation
DECISIONI CRITICHE,
DIFFERENZIANTI
Marketing Development
and Effectiveness
DECISIONI
“NEUTRALI”
Account Management
Value-Added Services
Product Development
DECISIONI IMPORTANTI,
DA MANTENERE
INTERNE, DA
SVILUPPARE
Marketing Execution
Supplier Control
Design
Legal, Tax and Regulatory
Compliance
Treasury & Risk Mgmt
Product Management
DECISIONI ANCHE
ESTERNALIZZABILI
Product Directory
Customer Account
Servicing
Retail Marketing
Execution
Customer Directory
Product/Component
Manufacturing
Plant Inventory
Management
Manufacturing
Procurement
Assemble/Pkg. Products
Distribution Center
Operations
Transportation Resources
En route Inventory
Management
Inbound
Trans-
portation
Facilities & Equip Mgmt
ICT Systems & Operations
Resource Development
Outbound
Trans-
portation
Financial Accounting &
Reporting
Indirect Procurement
Concept/Product Testing
Consumer Service
In-store Inventory Mgmt
HR Administration
3. 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)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!)
4. 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 dagrafica, 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
5. 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
PRECA BRUMMEL. Il processo di
definizione del briefing (e del budget) di
A2A. Il processo di
simulazione e di definizione
di nuovi contratti luce-gas
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.
le relazioni nella rete del valore
(Fornitori e Clienti)
“Anticipare i problemi e Guidare il
Business” nel Breve-Medio Termine
“Capire e dare un senso al Business, al passato”
5
(Fonte: Osservatorio BI, SDA Bocconi, 2010)
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.
6. Maturity delle imprese nell’analisi dei dati e
nuovo scenario della BI
BI Tools
What’s the best that can happen?
What will happen next?
What if these trends continue?
Why is this happening?
CompetitiveAdvantage
Decision Optimization
Predictive Analytics
Forecasting
Statistical models
BI Analytics Verso le APPS
Which context, where wider information,
what means, is it relevant?
What actions are needed?
Where exactly is the problem?
How many, how often, where?
What happened?
CompetitiveAdvantage
Degree of Intelligence Insights from both
struct. and unstruct.
data
Search (text, tag, …)&
Content analysis
Alerts
Query/drill down
Ad hoc reports
Standard reports
(adattamento da Davenport, 2007)
Information from
More structured
data
7. Come passare dalla BI più tradizionale (basata su
Reporting) alla BI più orientata al Supporto
Decisionale (business e content analytics)?
CURVA DI
ESPERIENZA E DI
SOFISTICAZIONE
DELLE
FUNZIONALITA’
DELLA BI
DATA MINING
0,6%
MODELLING
SIMULATION
1,2%
LOCATION
INTELLIGENCE;
SOCIAL
ANALYTICS
TEMPO
OLAP
20,8
%
REPORTING
STANDARD
44%
QUERY
AD HOC
28,5
%
CRUSCOTTI
SCORECARDS
BPM
3,2%
ANALYTIC &
PREDICTIVE
APPLICATIONS
1,6%
0,6%
8. DIFFICOLTA’DIMISURAZIONEQUANTITATIVA
La misurazione dell’Information Capital
(tangible-intangible)
CONOSCENZA AZIENDALE
INNOVAZIONE DI
PRODOTTO/SERVIZIO
(incremento ricavi aziendali)
VALOREDEGLIINTANGIBLES
INNOVAZIONE DEI
PROCESSI DECISIONALI
DIREZIONALI (velocità, efficacia)
GRADO DI IMPATTO AZIENDALE (portata e rilevanza)
RISPARMIO DI TEMPO
(Utenti e SI)
QUALITA’
DEI DATI E DELLE
INFORMAZIONI
(riduzione rischi aziendali)
INNOVAZIONE DEI
PROCESSI OPERATIVI
(adattabilità, velocità)
(riduzione costi o
capitale circolante)RIDUZIONE DI
COSTI OPERATIVI
(efficienza)
DIFFICOLTA’DIMISURAZIONEQUANTITATIVA
CONOSCENZA AZIENDALE
(differenziale competitivo)
VALOREDEGLIINTANGIBLES
9. consumer
RECENCY, FREQUENCY,
MONETARY
FIDELITY CARD, PUNTI PREMIO
STRUMENTI DI PAGAMENTO
SOCIAL WEB DATA (RT e non RT)
BASKET E MIX
DI ACQUISTO
PROFILO SOCIO-DEMO
PROFITABILITY
DATIDATI
STRUTSTRUT--
TURATITURATI
DATIDATI
STRUTSTRUT--
TURATITURATI
DATIDATI
NONNON
STRUTT.STRUTT.
DATI INDATI IN
STREAMISTREAMI
NG,NG,
RealTimeRealTime
DATI INDATI IN
STREAMISTREAMI
NG,NG,
RealTimeRealTime
DATI INDATI IN
STREAMISTREAMI
NG,NG,
RealTimeRealTime
Una “vista analitica degli oggetti di business”: Verso
i Big Data!
consumer
GEO-POSITIONING
FEEDBACK E-SURVEY
INFORMAZIONI E RECLAMI
AL CONTACT CENTER
VIDEO-INTELLIGENCE
(riconoscimento volti e
Comportamento fisico)
GARANZIE PRODOTTI
Un esempio di BIG DATA: velocity, variety, volume.
I vettori di conoscenza del consumer
DATIDATI
NONNON
STRUTT.STRUTT.
DATI INDATI IN
STREAMISTREAMI
NGNG,,
RealTimeRealTime
DATIDATI
STRUTSTRUT--
TURATITURATI
RealTimeRealTime
10. 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!
Le origini dei BIG DATA
Nuove
Tecnologie di
data mgmt e di
data analysis
Capacità di
analisi e
interpretazione
11. New
Knowledge
and Insights
Big Data Framework
Data Velocity Data Volume
Big Data: definizione e alcuni risultati di una ricerca
su 202 CIO di medio-grandi aziende italiane
Data Quality
(Veracity),
Security, Privacy
New
Potential
Business
Value
Enablers to Big Data
BI & Analytics,
DB platform
Cloud services
Management
Culture and
Capabilities,
New Skills
Information
Complexity Scale
High
Low
Data Variety
(number of sources and
types of formats)
12. 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%
12
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%
13. Principali aree di impatto e di beneficio di
business dei Big Data
1. accuratezza delle analisi del comportamento del mercato e nelle maggiori
informazioni sui Clienti (più dimensioni di analisi) al fine di servirlo meglio
(con piattaforme digitali di Customer Experience multicanale)
2. 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.)
3. velocità delle insight a supporto delle decisioni strategiche (predizioni,3. velocità delle insight a supporto delle decisioni strategiche (predizioni,
scenari e previsioni di medio-lungo termine)
4. analizzare e gestire Point-of-interest aziendali (PdV, magazzini,
concessionari e dealer, turbine, cantieri, ecc.) e infrastrutture sul territorio
(reti elettriche, canalizzazioni, strade, ecc.)
5. Analisi di dati strutturati e non che convergono in documenti aziendali core
dematerializzati (fascicoli sanitari, gestione sinistri, …)
6. Ottimizzazione dei processi aziendali (supply chain complesse, campagne
promozionali ripetitive, …)
13
14. Dove risiede il possibile committent
aziendale?
Il CXO più interessato ai Big Data e che può generare il giusto
committment aziendale, è:
1. CIO: 37% ma non da solo per il 19% del campione, e con un ruolo
maggiore nelle fasi iniziali di comprensione dei Big Datamaggiore nelle fasi iniziali di comprensione dei Big Data
2. Comitato interfunzionale di CXO (21%): “Big data = Big
Brainstorming!”: cruciale nella fase di identificazione delle aree su
cui investire e nel lancio dell’iniziativa
3. CMO (20%): importante nella fase di implementazione dei Big Data,
soprattutto se nel suo dominio di competenza
14
15. 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)
16. 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,4. le competenze interne (tecnologiche, analitiche,
interpretative) (12%)
16
17. Gli Enabler tecnologici dei Big Data
4,23
4,13
4,05
3,84
Cloud computing/ICT as-a-service
Hadoop/MapReduce
Streaming processing
ICT Outsourcing
17
4,85
4,57
4,56
4,49
4,31
1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00
Business Analytics
Strumenti per l’Integrazione di dati (es. ETL, etc.)
Content Analytics
Sistemi di database management non relazionali (es. inmemory,
columnar)
Sistemi di database management relazionali
18. 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).
19. Vestas
Vestas Wind System, azienda danese fondata nel 1979, è specializzata
nella fornitura e installazione di turbine per la produzione di energia
eolica. Ad oggi ha installato più di 43.000 turbine eoliche in 66 paesi e
6continenti.
Per sfruttare l’investimento fatto in unaturbina eolica fondamentale è
La criticità delle previsioni e stime sui flussi dei venti ha però portato
Vestas a investire in una nuova applicazione che permettesse di
raggiungere un livello di granularità maggiore spingendosi a
suddividere l’analisi del territorio in aree di soli 10 m2
di analisi anziché
di 27 Km2
. La soluzione sviluppata, inoltre, è in grado di prevedere i
flussi dei venti in modo estremamente veloce e accurato basandosi su
178 parametri (temperatura, pressione barometrica, umidità,
precipitazioni, direzione e velocità del vento, etc.). Attraverso l’uso di
questi dati, Vestas è in grado di ottimizzare il posizionamento delle
turbine, massimizzandol’energiaprodottaelalongevitàdell’impianto.
Risultati
• Aumento della precisione nella definizione della localizzazione
delle turbine grazie alla possibilità di analizzare più dati e con
unmaggiordettaglio.
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 delPer sfruttare l’investimento fatto in unaturbina eolica fondamentale è
la sua localizzazione. Infatti, le turbine sono costruite per operare in
condizioni climatiche particolari e solo se sono rispettati certi
parametri climatici la turbina è ottimizzata e non incorre in
malfunzionamenti e problemi tecnici. Per questo motivo parte
integrante dell’attività di Vestas è la definizione del posizionamento
migliore delle turbine per contodei propri clienti e il supportoa questi
ultimi nel calcolo del ritorno dell’investimento. Questa attività è
particolarmente critica perché un errore di valutazione genera
immediati costi di manutenzione e la perdita del cliente che, a seguito
di questo errore, non riesce a ottenere il ritorno desiderato
dall’investimentofatto. Vestas per svolgerequestaattivitàhacostruito
nel tempo la c.d. “Wind Library” che raccoglie dati sul sistema
meteorologico globale tramite le turbine già installate e 35.000
stazioni meteorologichedislocateintuttoil mondo.
unmaggiordettaglio.
• 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
previsionedi circail 97%.
Soluzioni implementate
• IBMInfoSphereBigInsightsEnterpriseEdition.
conseguente incremento del
ritorno dell’investimento per i
clienti.
• Riduzione dei tempi di risposta
nelle attività di simulazione e
previsione di circa il 97%.
20. 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
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
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 dellamediante 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.
• IBM Content Analytics.
dei clienti e delle determinati della
loro soddisfazione o
insoddisfazione.
• Maggior controllo sui processi
aziendali core (noleggio, consegna
e ritiro).
21. 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
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 esclusivamenteprincipalmente 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.
pubblica anziché esclusivamente
su quella degli analisti e degli
schieramenti politici.
22. 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
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.
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.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
insoddisfazione dei clienti.
• Feedback dei risultati alle diverse Business Unit aziendali.
Soluzioni implementate
• IBM Social Media Analytics.
insoddisfazione dei clienti.
• Feedback dei risultati alle diverse
Business Unit aziendali.
23. Il pensiero di un panel di Business User:
preview di alcuni risultati
e-Survey: “Come avere successo nel
business gestendo bene i propri (e altrui!)
dati aziendali”
24. Dom. 7 - Ritiene che le informazioni provenienti dal web –
in particolare dal mondo social – possano essere utili per la
sua attività e ritiene di saperle già adeguatamente
raccogliere, filtrare ed elaborare?
si
14%
raramente
16%
no
6%
24
nella maggior
parte
34%
qualche volta
30%
25. Dom. 8 – Ritiene che per la sua attività in azienda, oltre ai
dati quantitativi più tradizionali (relativi alle vendite, agli
ordini, alla produzione e distribuzione, etc.), siano rilevanti
anche i dati cosiddetti meno strutturati e meno
immediatamente fruibili, come le email, le immagini e i
video, i dati dei siti web, e così via?
si, già ora
22%
Forse tra 3 anni
11%
No
6%
25
Sicuramente già ora
se la raccolta,
l’archiviazione,
l’elaborazione e la
fruizione fossero
facili ed economiche
61%
26. Dom.9a - Esistono diverse funzionalità software per
accedere, analizzare e presentare dati di varia natura: quali
delle seguenti conosce e/o utilizza?
63%
70%
74%
77%
77%
81%
37%
30%
26%
23%
23%
19%
Analisi predittiva (cosa succederà?) e previsionale (cosa succederà se il
trend continua)
Cruscotti, dashboard, soglie e allarmi su eventi di business
Query e reporting libero
Reporting (strutturato)
Funzioni di previsione e di pianificazione
Analisi statistica semplice (medie, frequenze, varianze, etc.)
26
32%
37%
46%
49%
54%
63%
63%
68%
63%
54%
51%
46%
37%
37%
0% 20% 40% 60% 80% 100%
Modelli deterministici, matematici, di ottimizzazione
Analisi multidimensionale (c.d. OLAP)
Content/text mining
Data mining e analisi statistica complessa (analisi delle associazioni,
analisi fattoriale, etc.)
Simulazioni (what-if, goal seeking, sensitività, etc.), scenari, modelli
probabilistici di business
Analisi grafica e visuale (navigazione in forme grafiche diverse)
trend continua)
si no
27. Dom. 10 - Quale intervento IT sarebbe prioritario, a suo
avviso, per migliorare l’analisi e la gestione dei dati
aziendali? (1 risposta)
acquisire servizi in
Cloud di raccolta e
archiviazione dei dati
esterni necessari (dati
dai punti vendita, dai
centri di assistenza, dai
social web, etc.);
28%
acquistare sistemi
acquisire un servizio
integrato di raccolta,
analisi, previsioni e
visualizzazione dei dati
in Cloud.
33%
27
acquistare sistemi
hardware che
memorizzino volumi
maggiori di dati e li
elaborino più
velocemente;
8%
acquistare nuovi
software per analisi e
visualizzazione dei dati;
19%
acquistare nuovi
software per le
previsioni e le
simulazioni del futuro
business aziendale;
13%
28. Dom. 11 – Quale intervento organizzativo sarebbe
prioritario fare a suo avviso per migliorare la gestione e
l’analisi dei dati aziendali? (1 risposta)
preparare/formare i
manager all’utilizzo
intelligente dei dati;
28%
assumere manager
abitualmente già pronti
a basare la propria
attività più su fatti e
ampliare le
competenze IT presenti
in azienda.
23%
28
attività più su fatti e
dati oggettivi
riguardanti il passato, il
presente e il futuro;
5%
assumere uno
specialista di raccolta,
analisi e visualizzazione
dei dati;
14%
progettare un’unità
organizzativa formale
ma snella, dedicata alla
raccolta, analisi e
visualizzazione dei dati;
31%
29. Dom. 13 – Per lanciare in azienda un’iniziativa di
miglioramento delle attività di raccolta, analisi e
visualizzazione dei dati, a suo avviso, è indispensabile:
(max. 2 risposte)
disporre delle necessarie competenze interne e esterne
disporre di un adeguato budget
fare prima un pilota o una sperimentazione a basso costo
31%
33%
39%
29
saper realizzare un buon piano di investimento e di
valutazione dei ritorni
costituire un team o un comitato di manager rappresentanti
di tutte le funzioni aziendali
selezionare un partner IT competente che possa affiancare
l’azienda in questo percorso di sviluppo nella “Business
Intelligence, nelle Business Analytics e nel più recente…
avere il supporto dell’alta direzione o della proprietà
aziendale
0% 20% 40% 60% 80% 100%
9%
13%
19%
20%