Articoli

«
Il
_
ruolo
_
dei
_
big
_
data
_
nel
_
mondo
_
che
_
ci
_
circonda
»

Marketing digitale · Trasformazione digitale

Nell’ambito della trasformazione digitale, forse quello di Big Data è uno dei concetti più rilevanti. Se ne parla e se ne scrive, eppure tanti professionisti non hanno ancora ben chiaro il suo significato, il suo contesto, ma soprattutto le possibili applicazioni concrete.

In termini semplici, si parla di Big Data per qualunque trattamento di dati che, a causa del volume di quest’ultimi, pone dei problemi di elaborazione con le metodologie standard, e che pertanto richiede strumenti specifici per la gestione di grandi quantità di informazioni. Basta questa definizione per capire che si tratta di un ambito molto vasto, e a volte questa trasversalità rende difficile visualizzarne l’applicazione pratica.

Oggi quasi tutte le imprese archiviano, con maggior o minor consapevolezza, un’enorme quantità di dati che possono avere provenienza diversa (clienti, vendite, acquisti, produzione, marketing, ecc.), ma solo una piccola percentuale del tessuto aziendale ha implementato strategie efficaci per il loro sfruttamento o processi di Business Intelligence.

Come si avvia un progetto sui Big Data all’interno di un’azienda?

Il primo passo è dimenticarsi dei Big Data. Non si tratta infatti di introdurre i Big Data in quanto tali, ma di risolvere problemi, scoprire opportunità e ottimizzare processi avvalendosi dei Big Data come uno dei possibili strumenti.

Un’azienda deve prendere coscienza dei dati che possiede e iniziare a trattarli come un asset vero e proprio. Deve inoltre analizzare quelli che, pur non essendo di sua proprietà, sono potenzialmente accessibili: ad esempio, quelli che provengono da fonti terze o dalla creazione di nuovi database mediante strategie di acquisizione delle informazioni o ricerche di mercato. Solo una volta raggiunta una visione chiara dei suoi sistemi informativi, ovvero la consapevolezza delle informazioni che gestisce o comunque possiede, un’azienda può iniziare a collegarle alla propria attività e ai relativi processi. È fondamentale conoscere esattamente il ruolo dei dati in ogni operazione o il potenziale che ognuno di essi può rappresentare in un determinato momento e in un certo flusso di lavoro.

Come si stanno muovendo i vari settori? I Big Data nella vita quotidiana

Il vero vantaggio di un trattamento dei dati su larga scala è poter passare da un’elaborazione puramente descrittiva, il cui scopo è sapere cosa è successo (reporting) o cosa sta succedendo (alert), a un’analisi predittiva su cosa è plausibile che accada. Questa capacità di previsione permette, fra le altre cose, di selezionare i prodotti o le offerte migliori per ogni tipo di cliente.

Ad esempio, una banca che ci propone i prodotti più adatti alle nostre esigenze tramite l’home banking o gli impiegati in filiale sta sfruttando i Big Data: confronta cioè i nostri dati (età, professione, patrimonio, profilo finanziario, storico dei pagamenti, carte di credito, ecc.) con altre migliaia di profili, individua gli schemi più efficaci, i prodotti scelti dai clienti con caratteristiche simili alle nostre – quelli che appartengono allo stesso cluster di utenti, per così dire – e ci offre un prodotto o un insieme di prodotti.

I Big Data, se ben implementati, non si limitano a una semplice previsione, ma con una buona strategia alle spalle sono in grado di raccogliere informazioni di ritorno (feedback) per valutare se quella previsione era corretta, generando iterazioni che migliorano il livello di accuratezza in modo costante.

Nel nostro esempio, se accediamo all’home banking e troviamo un messaggio che ci consiglia un nuovo prodotto, come un prestito personale da 15.000 €, vuol dire che la stessa offerta sarà stata fatta a centinaia o migliaia di altri clienti con poche variazioni (nell’importo o nelle condizioni); alla fine il sistema valuterà il riscontro avuto da ogni configurazione proposta e individuerà quella di maggior successo.

Questa è la base del cosiddetto Machine Learning, la capacità di un sistema di imparare dalle decisioni prese e regolare le sue previsioni di conseguenza.

Restando all’interno della banca, ci sono anche ambiti non commerciali che potrebbero fare buon uso di queste tecniche, fra cui l’analisi dei rischi (scoring dei clienti). In passato la responsabilità di questa valutazione ricadeva su figure professionali come il gestore del conto, il direttore della filiale o l’addetto rischi, a seconda di vari fattori come, ad esempio, l’importo richiesto per un prestito. Oggi l’analisi dei rischi è centralizzata, soprattutto (e curiosamente) per quanto riguarda i rischi minori, perché il volume delle operazioni di una banca commerciale si articola su numerosi prestiti di entità contenuta. Centralizzare queste decisioni permette di analizzare le informazioni in modo globale: in pratica, il rischio che la banca può assumersi nei nostri confronti è già stato valutato, prima ancora che facciamo una richiesta. Come per l’offerta commerciale, il nostro profilo è stato confrontato con quello di tutti gli altri clienti per osservare il comportamento di quelli con lo stesso modello di dati, ottenendo così un profilo di rischio piuttosto affidabile, che comprende i dati di more, mancati pagamenti o scadenze rispettate. In questo modo un funzionario, inserendo il nostro numero identificativo nel computer, potrà vedere in pochi istanti se c’è un importo di rischio già autorizzato per noi e concederci un credito che rispecchi questo dato.

Le stesse strategie vengono adottate dalle assicurazioni per calcolare i premi delle loro polizze in base allo storico dei dati, dai supermercati per conoscere in anticipo le vendite dei prodotti a seconda del prezzo, della posizione in corsia o della stagione, e dalle catene di alberghi per prevedere le cancellazioni o personalizzare l’offerta per ogni tipo di cliente.

Uno dei settori in cui l’analisi di informazioni su larga scala sta generando un’autentica trasformazione è quello industriale. Le fabbriche sono passate da essere macchine inerti a lavorare come centri intelligenti che raccolgono moltissimi dati tramite sensori (temperature, regimi di funzionamento, pesi, consumi e migliaia di altre variabili). I risultati sono poi centralizzati in grandi sistemi di archiviazione (data warehouse), e permettono non solo di controllare cosa succede in fabbrica, ma anche di prevedere i potenziali problemi, per la cosiddetta manutenzione predittiva. Si tratta di un processo che in passato si basava sulle indicazioni del costruttore; adesso, grazie ai sensori e alle loro rilevazioni, si analizzano i modelli di comportamento, cioè i valori prodotti dai sensori in condizioni diverse. Avremo quindi un modello di normalità in cui tutto va bene, ma anche le analisi dei modelli predittivi che preludono a un possibile guasto, ossia le combinazioni specifiche di variabili che segnalano in anticipo la possibilità che qualcosa vada storto entro un certo lasso di tempo, consentendo i necessari interventi di prevenzione. Sappiamo tutti che prevenire è meglio che curare: senza dubbio è preferibile cambiare un pezzo che sta per rompere un macchinario anziché aspettare che questo si rompa e comprometta tutto l’impianto.

Applicare i metodi di Business Analytics basati sui Big Data non è solo molto interessante, ma in breve diventerà uno standard richiesto a tutte le aziende che vogliono restare competitive.

Le difficoltà nell’uso dei Big Data

I Big Data non riguardano solo il mondo delle imprese: questo insieme di tecnologie si applica già da tempo in altri campi della scienza o della sicurezza, ad esempio, per riconoscere e anticipare comportamenti criminosi o rischi per la sicurezza, o per le previsioni meteorologiche.

Ora che abbiamo ricapitolato gli aspetti positivi, quali sono le difficoltà o i problemi che possono comportare? Innanzi tutto, si tratta di una tecnologia di una certa complessità che richiede profili multidisciplinari, professionisti che conoscano l’attività commerciale e siano esperti nell’elaborazione e analisi dei dati, e programmatori che sappiano gestire gli strumenti e i linguaggi necessari. Ci sono poi le implicazioni legali ed etiche, che nell’ultimo periodo sono sotto i riflettori per la famosa introduzione del GDPR e per gli scandali di Cambridge Analytica.

Altri usi e applicazioni che sfruttano i Big Data

È fondamentale tenere a mente che ogni progetto di analisi dei dati deve partire dalla prospettiva specifica dell’attività: sempre più spesso vediamo strumenti molto potenti usati ben al di sotto delle loro potenzialità, per via di carenze nell’interpretazione dei dati o di una mancata integrazione nei processi operativi dell’azienda. Certo, una dashboard su un monitor gigante può essere molto cool, ma sarà ben più utile se sapremo cosa fare con le informazioni che mostra.

Come per qualunque altra tecnologia, gradualmente emergono piattaforme e strumenti che semplificano l’elaborazione dei dati, ERP che integrano le soluzioni analitiche e permettono alle aziende di concentrarsi sull’ideazione di strategie e i processi decisionali, dimenticandosi in parte della componente tecnica. In questo caso, il primo passo e l’aspetto più importante è iniziare a trattare i dati e le informazioni come un vero e proprio asset che l’azienda deve gestire, affidandosi a professionisti capaci ed esperti.

Meteorologia

Previsioni del tempo basate sui dati raccolti dalle stazioni meteo di tutto il mondo. I motori specifici prevedono il meteo, poi il sistema riunisce i dati reali forniti dalle varie stazioni ed esegue le rettifiche necessarie per dare un risultato più preciso.

Diagnosi medica

Per la prima volta si incrociano grandi quantità di dati sulla salute e diventa possibile elaborare dei modelli, riconoscendo alcune variabili (sintomi, abitudini, indicatori) come segnali dell’insorgenza di determinate malattie e classificando i pazienti a rischio per applicare la medicina preventiva.

Lead Scoring

Analisi dei possibili clienti per dividerli in gruppi con diverso livello di potenziale, basandosi sui dati storici, il profilo sociale, l’attività sui social network, ecc.

Sistemi antifrode

Riconoscimento dei tentativi di frode, ad esempio nell’uso delle carte di credito, identificando gli schemi applicati dai criminali (orari, origini, tipo di acquisti, importi, ecc.).

Sviluppo di nuovi prodotti

Analisi dei dati sul consumo di massa per estrarre le caratteristiche dei prodotti più venduti o ricercati e creare prodotti blockbuster.

Consigli su film o serie TV

Mettendo insieme le nostre scelte personali e quelle di utenti simili, le piattaforme come Amazon e Netflix ci consigliano nuovi film o serie TV che “potrebbero piacerci”.

Previsione del traffico

Usando Google Maps notiamo subito che il percorso per andare da un punto all’altro può cambiare a seconda dell’orario o del giorno richiesto (anche mentre siamo già per strada). L’analisi della geolocalizzazione di tutti gli utenti di Google Maps e altri servizi di Android, unita ai dati storici, permette infatti di prevedere il traffico presente in un certo momento sulle strade considerate, ottimizzando il calcolo dei tempi di percorrenza indicati per le varie opzioni.

Previsione del valore delle azioni in Borsa

È uno dei settori in cui si fa un uso più intenso dei Big Data, con varie strategie, algoritmi che misurano l’atteggiamento degli investitori verso una determinata azienda in base ai tweet, individuazione di modelli per prevedere l’andamento delle azioni, ecc.

id Praesent libero. mattis ut porta. nunc