Data Analytics: è questa la leva competitiva che oggi consente alle aziende di acquisire con facilità e in tempi brevi un notevole vantaggio sul mercato. Ad affermarlo non sono teorie né previsioni, ma dati di fatto. I sistemi di elaborazione dei dati a disposizione delle imprese (detti, appunto, di Data Analytics) rappresentano infatti una vera e propriarivoluzione tecnologica e strategica. Grazie alla rapidità con cui i loro algoritmi possono elaborare le informazioni e alle loro avanzate capacità computazionali, è diventato possibile fare qualcosa che fino a poco tempo fa sembrava fantascientifico: prevedere in quale direzione si dirigerà in futuro la volontà di specifiche classi di individui.
Estrarre valore dai Big Data con i Data Analytics
l substrato che rende possibile l’esistenza dei Data Analytics è costituito dai Big Data: sotto questa definizione rientrano le enormi moli di informazioni che le imprese e gli individui, con un uso costante dei servizi digitali, creano con le loro azioni e interazioni.
Questo immenso patrimonio informativo conserva un altrettanto immenso valore. Tale valore, tuttavia, diventa concreto e può essere sfruttato dall’impresa solo nel momento in cui i Big Data vengono dapprima sottoposti a un trattamento di Data Governance e Data Quality, quindi elaborati con le tecniche di Data Analytics.
Grazie a questo doppio processo è possibile raggiungere un risultato importante: l’estrazione di informazioni utili al business, anche in ottica predittiva. Un esempio può essere l’individuazione di nessi fra fenomeni di natura diversa o delle ragioni che fondano le scelte dei consumatori: carte capaci di rivelarsi vincenti, per le aziende che devono quotidianamente confrontarsi con le tendenze di mercato.
Un mondo in continua crescita, anche in Italia
L’importanza dei Big Data, e in parallelo dei Data Analytics, si sta affermando in modo sempre più massiccio anche in Italia. Secondo le ultime rilevazioni dell’Osservatorio Big Data & Analytics del Politecnico di Milano, nel 2019 il mercato Analytics ha raggiunto un valore di 1,7 miliardi di euro, pari a una crescita del 23% rispetto all’anno precedente (790 milioni). Il tasso medio annuo di incremento è stato quindi del 21,3%.
Perché un tale successo? Senza dubbio si può ormai affermare che affidarsi ai sistemi di Data Analytics permette alle imprese di mettere in atto efficaci strategie commerciali, organizzative e gestionali con semplicità e in modo sempre più flessibile. Un valore aggiunto che, tuttavia, non è così immediato da rendere concreto. E che in Italia, patria delle Piccole e medie imprese, si scontra ancora con l’obsolescenza delle infrastrutture di immagazzinamento dei dati, nonostante le agevolazioni previste da Industria 4.0.
Le “5V” e il valore nascosto all’interno dei Big Data
Ma cosa rende i Big Data così particolari? Perché sono informazioni potenzialmente molto preziose?
Le cinque leve che fondano la classificazione “5V” possono aiutarci a comprendere che cosa si nasconda dietro a questi patrimoni informativi.
Tutti i Big Data, infatti, possiedono tre macro-caratteristiche dalle quali deriva poi il loro valore:
- Varietà: sono eterogenei per fonte, formato e contenuto, e quindi più facilmente conformabili e rispondenti alle tante declinazioni del mercato reale;
- Valore: hanno la potenzialità di creare valore aggiunto, dal momento che un loro corretto uso può indirizzare le azioni dell’impresa secondo le richieste del mercato;
- Volume: si presentano in grande quantità e, così strutturati, possono facilmente essere immessi nei sistemi digitali e diventare autorevole oggetto di analisi.
- Veracità: sono caratterizzati da autenticità, la quale ha effetti sul rapporto tra qualità dei dati immagazzinati e accuratezza dell’analisi;
- Variabilità: hanno capacità di cambiare il proprio significato e la propria importanza nel corso del tempo.
I più evoluti sistemi di Data Analytics mirano a fare di tutto questo patrimonio un valore. Grazie ad essi, addirittura zettabyte (miliardi di terabyte) di Big Data possono essere elaborati ad altissima velocità ogni secondo. Ai Data Analytics si devono infatti capacità computazionali in grado di alternare rapidamente alla fase di analisi dei dati quelle di verifica e controllo della qualità e veridicità degli stessi, allo scopo di non alterare la rappresentazione finale fornita dal software utilizzato.
In questo modo essi consentono di interpretare in modo innovativo ed efficiente le grandi moli di dati, allo scopo di fornire un valido contributo ai processi decisionali e all’automazione dei processi.
Il valore aggiunto di una strategia di Data Analytics
Detto ciò, risulta evidente che una efficiente strategia di Data Analytics non può essere improvvisata. Gestire e processare i Big Data significa infatti avere a disposizione database e software innovativi, che superino le tecniche tradizionali. Ciò di cui un’impresa deve disporre sono software, capacità di calcolo e tecniche di modellazione capaci di effettuare l’analisi di tutte le grandi quantità di informazioni che oggi possono essere raccolte da una notevole varietà di fonti. Importanti, prima di affrontare un tale salto infrastrutturale e organizzativo, saranno quindi due passaggi chiave:
1- Valutare le proprie esigenze di business;
2- Porsi obiettivi praticabili, in presenza di determinati vincoli di budget.
Attuato quindi il passaggio verso una politica di Big Data Management, i sistemi di Data Analytics consentiranno poi all’impresa, in particolare nella fase di pianificazione finanziaria, di affidarsi a vari modelli di gestione dei dati:
- Analisi descrittiva (descriptive analytics): per fornire una descrizione della situazione attuale e passata dei processi aziendali e/o delle aree funzionali esaminati. Lo scopo è dare una rappresentazione, anche grafica, immediata e sintetica degli indicatori fondamentali di business, quali i livelli di performance o le criticità/potenzialità dei processi organizzativi e gestionali dell’azienda. Si tratta di sistemi dall’utilizzo immediato e semplificato;
- Analisi predittiva (predictive analytics): per fornire precise risposte a domande previsionali, sulla base di tecniche matematiche (come Data Mining e Machine Learning) che sfruttano i cosiddetti modelli predittivi, di regressione e di forecasting;
- Analisi prescrittiva (prescriptive analytics): per unire analisi dei dati ed elaborazione di soluzioni operative/strategiche, combinando metodi di analisi descrittiva a metodi di analisi predittiva;
- Analisi diagnostica (diagnostic analytics): per realizzare analisi diagnostiche che svelino la causa scatenante di determinati eventi e comportamenti;
- Analisi automatizzata (automated analytics): per associa all’analisi dei dati l’implementazione delle azioni proposte.
Vien da sé, comunque, che le attività di Data Analytics potranno portare valore al business solo a patto che i modelli siano resi scalabili, integrati e fruibili all’interno dei processi aziendali. È quindi necessario saper “industrializzare” i modelli di data science per poter mirare a progetti di successo, collegandoli con gli obiettivi strategici dell’azienda e facendo leva sulle nuove competenze che richiedono per essere implementati e gestiti al meglio.