
News
Contenuti per la community dell'HPC e gli appassionati di innovazione: tutorial, news e press release per utenti, ingegneri e amministratori
- Tutte le news
- Aerospace & Defence
- Artificial Intelligence
- Blog
- Cloud Platform
- HPC
- Kubernetes Cluster
- Press
- Progetti Europei
- Ultime news
- Varie E4
- Video
Big Data e Advanced Analytics

In questo articolo cercheremo di fare chiarezza su cosa sono i Big Data, come ottenere valore di business da essi, attraverso gli Advanced Analytics, e quali le tipologie di Big Data Analytics.
COSA SONO I BIG DATA?
Per definire cosa sono i Big Data pensiamo prima di tutto alla nostra vita quotidiana: le interazioni con i social network, i click sui siti web ed i nostri smartphone continuamente interconnessi generano una mole di dati estremamente elevata ed in crescita esponenziale. A questo va aggiunto il contributo proveniente dai cosiddetti smart objects, ovvero i nuovi oggetti intelligenti e connessi, che producono un flusso costante di dati rilevati dai sensori di bordo: dai dispositivi indossabili ai sistemi domotici, dalle tecnologie delle Smart City fino alla sensoristica delle Factory 4.0.
Il risultato è che oggi sono disponibili enormi volumi di dati, estremamente eterogenei per fonte e formato, che possono essere raccolti ed analizzati in tempo reale: tutto questo ci fornisce una prima idea dei Big Data.
Lo scenario è decisamente complesso ed orientarsi nella complessità non è mai banale, ma un fatto è ormai chiaro per le Aziende più competitive: saper raccogliere, gestire ed analizzare i Big Data è la vera sfida della Trasformazione Digitale.
LE 4 “V” DEI BIG DATA
Sono quattro le caratteristiche principali dei Big Data: VOLUME, VELOCITÀ, VARIETÀ E VERIDICITÀ.
VOLUME

Il volume è la principale caratteristica a cui si pensa per i Big Data. Per avere una prima idea delle quantità in gioco, si pensi che solo nei sistemi di Facebook sono presenti 300 miliardi di foto. IDC prevede che, entro il 2025, la sfera dati globale aumenterà fino a 163 miliardi di ZettaByte ( 1 ZB equivale a un trilione di GB). La crescita è molto rapida: si stima che il 90% del volume attuale di dati sia stato prodotto negli ultimi 2 anni.
VELOCITA’

Per raccogliere, catalogare ed analizzare i Big Data spesso è indispensabile essere molto rapidi. A titolo d’esempio, immaginiamo di voler analizzare i contenuti dei canali social per orientare il marketing di un prodotto; impiegare troppo tempo nella raccolta dei dati e nel lavoro d’analisi avrebbe lo spiacevole effetto che le successive campagne di marketing sarebbero in ritardo rispetto ai gusti e alle tendenze del momento sul mercato.
VARIETA’

I dati da raccogliere possono essere estremamente eterogenei: foto, video, post sui social, database aziendali, informazioni da sensori IoT, … La varietà dei Big Data pone problemi non banali da risolvere, sia in termini di gestione che di utilizzo; c’è bisogno di strumenti complessi e competenze specifiche per estrarre dai Big Data informazioni veramente interessanti e significative: non bastano certo i fogli Excel per gestire dati così eterogenei!
VERIDICITA’

Anche se è l’ultima delle quattro V dei Big Data, la veridicità non è certo la meno importante, anzi. Per ottenere dall’analisi dati risultati affidabili è innanzitutto necessario che i dati siano affidabili. Vale il principio «Garbage In, Garbage Out»: se analizziamo dati scadenti, lo saranno anche i risultati. Visti volume e varietà dei Big Data, la verifica della qualità dei dati è un’operazione non banale ed il processo non può che essere automatizzato.
DAI BIG DATA AL VALORE: GLI ADVANCED ANALYTICS
LE TECNICHE DI ADVANCED ANALYTICS SONO LA LENTE D’INGRANDIMENTO INDISPENSABILE PER OTTENERE VALORE DI BUSINESS DAI DATI, LA QUINTA «V» DEI BIG DATA.
Per iniziare ad orientarci, vale la pena partire dalla definizione di Advanced Analytics data da Gartner: «Gli Advanced Analytics offrono la possibilità di analizzare, in modalità autonoma o semi-autonoma, dati e contenuti, utilizzando ‘strumenti’ che superano quelli della tradizionale Business Intelligence, con l’obiettivo di scoprire relazioni e correlazioni, di fare previsioni, di generare raccomandazioni.»
Si tratta di una definizione che mette in evidenza alcune delle caratteristiche chiave degli Advanced Analytics e, poi, sottolinea come si tratti di un’evoluzione della Business Intelligence (BI) tradizionale.
In generale, possiamo qualificare gli Advanced Analytics come un sistema di supporto alle decisioni: una buona soluzione di Advanced Analytics fornisce all’utente i mezzi per portare alla luce informazioni significative insite nei dati e trasformarle in vantaggio competitivo. Un approccio alla decisione basato solo su intuizione ed esperienza oggi non è più sufficiente: gli Advanced Analytics consentono di prendere decisioni basate su dati oggettivi ed aiutano a scegliere l’opzione con il massimo beneficio atteso.
ADVANCED ANALYTICS: L’EVOLUZIONE DELLA BUSINESS INTELLIGENCE NELL’ERA DEL BIG DATA
LA BUSINESS INTELLIGENCE È DA TEMPO UN VALIDO SUPPORTO PER IL BUSINESS; GLI ADVANCED ANALYTICS SONO UN CAMBIO DI PARADIGMA RISPETTO AD ESSA ED AMPLIFICANO DI MOLTO I RISULTATI ATTESI.
BUSINESS INTELLIGENCE (BI)
Nella BI tradizionale, l’analisi dei dati aziendali è costruita per essere ripetibile. L’IT sviluppa a priori i modelli di reporting e prepara le procedure necessarie ad estrarre le informazioni utili alla valutazione delle prestazioni storiche dell’Azienda: i tipi di dati analizzati ed il formato in cui sono presentate le informazioni prodotte sono quindi predefiniti. Il risultato dell’analisi è una aggregazione di dati elementari in «categorie» utili a misurare «a colpo d’occhio» le prestazioni passate del Business. L’utente del report ha poi la possibilità di disaggregare un eventuale risultato anomalo, per identificarne le cause di dettaglio; l’analisi tradizionale parte dal grande per arrivare al piccolo.
ADVANCED ANALYTICS
Con gli Advanced Analytics, l’approccio è di fatto ribaltato: il punto di partenza è l’utente che cerca risposte ad una domanda o vuole chiarirsi un dubbio. Una soluzione di Advanced Analytics, in genere, fornisce un’interfaccia amichevole che consente, a chi non ha un background matematico e statistico, di immergersi nei dati e cercare le risposte di cui ha bisogno. Il software guiderà l’utente attraverso le tecniche di analisi, aiutandolo a selezionare le più appropriate per risolvere il problema, impiegando, oltre ai dati strutturati aziendali, anche dati non strutturati, come i commenti social, le immagini ed i video, che possono contenere preziose informazioni per «confezionare» una risposta affidabile.
LE TIPOLOGIE DI BIG DATA ADVANCED ANALYTICS

DESCRIPTIVE ANALYTICS (Studiare il passato)
L’Analisi Descrittiva utilizza l’aggregazione dei dati e la visualizzazione grafica per fornire informazioni sul passato e rispondere alla domanda «cosa è successo?». Grazie ai Descriptive Analytics, i dati grezzi diventano interpretabili per l’essere umano, per riassumere e descrivere i diversi aspetti dell’attività dell’Azienda, analizzare i comportamenti del passato e capire come migliorare i risultati nel futuro.

PREDICTIVE ANALYTICS (Anticipare il futuro)
L’Analisi Predittiva utilizza modelli matematici e tecniche di Machine Learning per prevedere il futuro e rispondere alla domanda «cosa potrebbe accadere?».
I Predictive Analytics combinano i dati per identificare schemi ed applicano modelli matematici per esplorare e catturare relazioni nascoste con l’obiettivo di fornire una stima accurata sulla probabilità di un risultato futuro.

PRESCRIPTIVE ANALYTICS (Supportare le decisioni)
L’Analisi Prescrittiva utilizza tecniche di ottimizzazione e di simulazione numerica per formulare indicazioni utili per rispondere alla domanda «cosa dovremmo fare?».
I Prescriptive Analytics tentano di quantificare l’effetto delle decisioni per stimarne i risultati prima che vengano prese e raccomandare la migliore decisione da prendere.
Sulle ultime due tipologie vengono applicati processi di Deep Learning e Machine Learning.
ADVANCED ANALYTICS: APPLICAZIONI NEL BUSINESS
Gli Advanced Analytics possono essere utilizzati in qualsiasi settore, in tutti i casi in cui si vogliano comprendere fenomeni in dettaglio o migliorare i processi e le strategie aziendali.
Le possibili applicazioni sono molteplici; in ambito finanziario, ad esempio, i modelli di apprendimento automatico possono essere utilizzati con profitto per misurare il rischio di credito di un cliente o per individuare frodi, identificando tempestivamente e bloccando eventuali transazioni sospette.
Approfondiremo questi aspetti nel prossimo articolo!
Nel frattempo, per conoscere la nostre soluzioni per i Big Data e gli Advanced Analytics, contattateci!