Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi

Copyright SDA Bocconi, [email protected]

Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi

Paolo Pasini Head of Information Systems Management Unit Responsabile Osservatorio Business Intelligence


La “storia”: Posizionamento dei sistemi MIS, DSS, ESS e EIS, BI, BA e BD

D.S.S.

E.S.S.

Futuro Incertezza

Passato Certezza

Analisi e Diagnosi

Accesso e Presentazione

Fonte: Gary Anderson, 1989

E.I.S. M.I.S.

Metà ‘90 2005 2012


Business Intelligence

1. ricerca intelligente di dati, 2. produzione e analisi in “tempo reale relativo” di

informazioni e conoscenza 3. tramite l’integrazione di

molteplici funzionalità (BI tools), • Reporting, query, OLAP, simulazione, modelling, mining, cruscotti-scorecards,

e applicazioni (Business Analytics) • di analisi di processi e attività funzionali o di settore, di budgeting, di previsione,

predizione, di scenario analysis, di ottimizzazione, ecc.

4. “push”, ma soprattutto “pull”, 5. per il supporto di processi di controllo e di decisione 6. di manager e professional di qualunque livello aziendale 7. si “appoggia” generalmente su sistemi di

Datawarehousing o Repository di dati non strutturati


Attività e processi operativi

Attività e processi tattici, di P&C

Attività e processi di pianificazione

strategica

Attività e processi di Governance

Funzioni e unità operative

Direzioni Funzionali

Alta Direzione o Direzioni di Business Unit

Stakeholders,

A.D., D.G

UNITA' ORG.VE

ATTIVITA' AMM/FIN.MKTG/

VENDITEDIVISIONICOMM.LI AGENTI LOGISTICA D.G.

prepazione dati di consuntivo, ultimi 12 mesi

definizione obiettivi e previsioni di budget

consolidamento

validazione

stesura budget finale

vedi dettaglio

definiz. obiettivi

Q x raggrupp., MDC, Dp increm.: x agente (div.I), x cliente (div.E), x aggregaz. (div. G,H)

definiz. Q

1.integraz. Clienti e prod. Nuovi;2.criteri di mensilizz. Q x aggregaz., x agente, x campagna;3.prev. Costi comm.li

costi di trasporto

BUDGET VENDITE

N 3 0 0 3 0 6 0 9 0 K i l o m e t e r s

Titolo diagramma

prontezza:tempo medio

di risposta

tempestività:% consegne

in ritardo

disponibilità:lead time di

richiesta e consegna

accuratezza:%cons.complete/

tot.consegne

regolarità:......

lead timevenditori

lead timeamministrazione

lead timeacquisti efornitori

lead timeproduzione

lead timelogistica

in uscita e trasporti

lead time.......

ANALISI DEILEAD TIME

(vedi Reportingad hoc)

REPORTINGLIVELLO DISERVIZIO

QUALITA'INTERNA

QUALITA'ESTERNA

REPORTINGQUALITA'

INTERVENTIIN GARANZIA

ANALISI DEIRECLAMI

REPORTINGPOST-VENDITA

REPORTINGDIREZIONALE

DIMENSIONE PRODOTTO

DIMENSIONE

CLIENTE

DIMENSIONE

INIZIATIVE DI

MARKETING

MISURE DI PERFORMAN

CE

DIMENSIONE GEOGRAFIA

ORDINATO

GRADO DI SODDISFAZIONE

TEMPI MEDI CONSEGNA

MARGINE DI CONTRIBUZIONE

SETTIMANA

MESE

PERIODO INFRA-ANNUALE

ANNO

...

BACINO DEL PUNTO VENDITA

PROVINCIA

REGIONE

NAZIONE

SETTORE

SOTTO-SETT.

FAMIGLIA

SOTTO-FAM.

ARTICOLO

N° RECLAMI

N° INTERVENTI ON-SITE

La «gamma» applicativa della BI

BI Real time


The new BI scenario

BI Tools What’s the best that can happen?

What will happen next?

What if these trends continue?

Why is this happening?

What actions are needed?

Where exactly is the problem?

How many, how often, where?

What happened? Com

petit

ive

Adv

anta

ge

Degree of Intelligence Insight

Decision Optimization

Predictive Analytics

Forecasting

Statistical models

Alerts

Query/drill down

Ad hoc reports

Standard reports

(adattamento da Davenport, 2007)

Information

BI Analytics


La piramide delle tecnologie software della BI: dai BI Tools alle Analytics ai Big Data

Data e Content Mining

Social analytics

Analytics (statistics) Modelling, Predictive Simulation, Scenario

Business Analytics Performance Management,

Analisi Geografica

Query e Reporting ad Hoc (“self-service”), Analisi Multidimensionale, OLAP

Cruscotti Direzionali, Reporting standard (“push”)

(Fonte: Osservatorio BI, SDA Bocconi, 2010)

AUMENTA: • IL GRADO DI

SOFISTICAZIONE E DI STRATIFICAZIONE TECNOLOGICA

• LA NECESSITA’ DI CULTURA E COMPETENZE ANALITICHE

• IL VALORE DEL SISTEMA DI BI

mentre SI RIDUCE IL N° DI UTENTI

6


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

… …


Tutti i processi decisionali “complessi” si alimentano di Informazioni «Hard e Soft» e impiegano capacità di

«search intelligence» e di «analisi» Informazioni Hard Interne ed esterne

Informazioni Soft Interne ed esterne

Prospetti finanziari Statistiche Informazioni da archivi storici

Notizie riferite mezzo stampa Tendenze dei settori industriali Dati di ricerca

Program-mi Piani formali Norme, leggi, circolari Contratti

Spiegazioni Giustifi-cazioni Valutazioni Interpre-tazioni

Predizioni Speculazio-ni Previsioni Stime

Opinioni Sensazioni Idee

Voci Pette-golezzi Dicerie

Grado di oggettività + -

Grado di certificabilità + -

Grado di condivisione del significato e della semantica (tassonomie, classificazioni) + -

Grado di strutturazione del contenuto (in prevalenza all’origine) + -


consumer

RECENCY, FREQUENCY, MONETARY

FIDELITY CARD, PUNTI PREMIO STRUMENTI DI PAGAMENTO

SOCIAL WEB DATA (RT e non RT)

GEO-POSITIONING

FEEDBACK E-SURVEY

INFORMAZIONI E RECLAMI AL CONTACT CENTER

VIDEO-INTELLIGENCE (riconoscimento volti e Comportamento fisico)

GARANZIE PRODOTTI

BASKET E MIX DI ACQUISTO

PROFILO SOCIO-DEMO PROFITABILITY

Un esempio di BIG DATA: velocity, variety, volume. I vettori di conoscenza del consumer

DATI STRUT-TURATI

DATI STRUT-TURATI

DATI NON

STRUTT.

DATI IN STREAMI

NG, RealTime

DATI NON

STRUTT.

DATI STRUT-TURATI

DATI IN STREAMI

NG, RealTime

DATI IN STREAMI

NG, RealTime

DATI IN STREAMI

NG, RealTime

Una “vista analitica degli oggetti di business”: Verso i Big Data!


1. Risolvere nuovi problemi aziendali: – Dal mondo fisico-scientifico e R&D (medico-farma, clima-eventi naturali,

geologia, smart grid, …) – Al mondo del management aziendale (strategie future, ottimizzazione dei

processi core, insight di mercato e clienti, …)

2. “Start with questions or start with collecting data?

• Approcci Bottom-up, mining-based, ”ricercare l’inaspettato» in questa nuova disponibilità di dati (es. casi di Hertz, Mediaset, Twitter Data analysis)

• Approcci Top-Down, «requirements o model – based (es. casi di Vestas, Terraechos, Acea)

3. Mix diversi di Velocità, Volumi e Varietà

4. Dati storici, correnti, in tempo reale, futuri

BIG DATA: nuove frontiere della conoscenza aziendale e della cultura manageriale

10


Data Quality(Veracity),

Security, Privacy

New Knowledgeand Insights

New PotentialBusiness

Value

Big Data Framework

Enablers to Big Data

BI & Analytics, DB platform Cloud services

Management Culture and Capabilities,New Skills

Information Complexity Scale

High

Low

Data Velocity Data Volume

Data Variety (number of sources and

types of formats)

Big Data: definizione e alcuni risultati di una ricerca su 202 CIO di medio-grandi aziende italiane


Andare oltre al titolo «Big Data»! Dove risiede il passo avanti nella conoscenza?

1. Riflettere nuovamente sui DATI (interni ed esterni) come risorsa aziendale, come asset informativo • Valore patrimoniale • Valore in nuovi servizi o prodotti core venduti sul mercato • Valore in nuove aziende di proprietà dedicate alle analytics (casi di Tesco,

GE, Bosch, …)

2. Le imprese ricercano modalità nuove per «rappresentare» una realtà aziendale sempre più complessa (dinamica e incerta) • 4 fasi di Maturity (dati Financial, dati non Financial, dati non strutturati, Big

data)

3. Ancora una volta si assiste ad un fenomeno di innovazione “pushed” dal mercato dell’offerta di prodotti e servizi ICT


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) Esperienze e velocità comunque diverse (es. redditività

di cliente)

• 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, KPI non financial,…)

http://www.google.it/url?sa=i&rct=j&q=&source=images&cd=&cad=rja&docid=UM_HPROEW0XeMM&tbnid=o7v9kpInePC1_M:&ved=0CAUQjRw&url=http://blog.tagliaerbe.com/2012/07/brand-percezione.html&ei=8QWvUbbXO4OrOoHdgKAE&bvm=bv.47380653,d.bGE&psig=AFQjCNG5wjsMG29UaID_Q_BAFbtXrSN03A&ust=1370511165643211


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

http://www.google.it/url?sa=i&rct=j&q=multimedia&source=images&cd=&cad=rja&docid=GJKVqhsgX-HI-M&tbnid=s799z21IfyjdEM:&ved=0CAUQjRw&url=http://blog.oureducation.in/multimedia/&ei=tQavUeC9BcaeO4HcgJgK&bvm=bv.47380653,d.bGE&psig=AFQjCNFw8yOD6xt87Ooc5cn5AF2LQGjMCA&ust=1370511391279206


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

“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, 2013)

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 e reporting di prenotazioni e pagamenti delle visite.

A2A. Il processo di simulazione e di definizione di nuovi contratti luce-gas

TESCO, BOSCH, GE. Società di servizi di analitics

Modelli decisionali per GDO + FONIA MOBILE + CARBURANTI

VESTAS. Localizzazione turbine eoliche TERRAECHOS. Analisi dati video + dati audio per sorveglianza e sicurezza

MEDIASET. Analisi social dei gusti, comportamenti, trend dei clienti Premium HERTZ. Analisi multicanale soddisfazione e suggerimenti

ACEA. Ottimizzazione e predizioni incidenti sulla rete elettrica


ALCUNI CASI PIONIERI E CASI DI ECCELLENZA

Forte varietà (per ambiti, settori, risultati)

Approcci esplorativi di progettazione Reqs-based (es. Vestas o

TerraEchos) e Mining-based (es. Hertz o Twitter data analysis)

“Big Data booklet: casi pionieri e di eccellenza internazionale e italiana”


Insight dei Processi R&D e innovazione di

prodotto/servizio

Insight dei Processi gestionali, incluso

risk mgmt

Insight delle relazioni con

partner esterni

Insight dei PoI o Infrastrutture

aziendali (incl. ICT)

Insight di mercato e clienti

Insight per Strategie future, scenari, business model

Insight sui documenti core dematerializzati

Velo

city

TerraEchos (RT acoustic data analysis)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

University of Western Ontario (RT neonatal patient conditions analysis)

Barnes & Noble (RT sales track for suppliers and RT inventory analysis)

Asian Telco (network monitoring e processo di billing)

Telecom (Service level analysis)

Barnes & Noble (RT sales track for suppliers and RT inventory analysis)

Dublin City Center; (RT public transportation data analysis)

Battelle (RT and DWH smart grid data analysis)


U.S. Wireless Telco (RT cells and customer calls Data analysis)

Asian Telco (network monitoring)

Mutiutility italiana (RT power network analysis and predictive)


University of Southern California(RT Twitter data analysis for political aims)

Ufone (campaign data streams analysis)

Globe Telecom (RT mktg data analysis)

U.S. life Insurance Company (RT predictive analysis of churn)

MobyLines (RT customer profiling and custom content delivery)

Varie

ty


TerraEchos (RT acoustic data analysis)

Vestas (wind turbine positioning)

Asian health Bureau (patient images analysis in rural telemedicine)

Hertz (content analytics)



University of Southern California (RT Twitter data analysis for political aims)

Hertz (content analytics)


Mediaset (social analytics; virtual customer profile analysis)

Multinational CPG manufacturer (velocità ed efficacia dell’enterprise search)

Multinational Aeromobile manufacturer (velocità ed efficacia dell’enterprise search)

Volu

me TerraEchos (RT acoustic

data analysis)

Asian Health Bureau (patient images analysis in rural telemedicine)


Asian Telco (network monitoring e processo di billing)

Battelle (RT and DWH smart grid data analysis)


Mutiutility italiana (RT power network analysis and predictive)


University of Southern California California (RT Twitter data analysis for political aims)


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%.


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 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

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.

• Feedback dei risultati alle diverse Business Unit aziendali.

Soluzioni implementate

• IBM Social Media Analytics.

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.

• Feedback dei risultati alle diverse Business Unit aziendali.


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 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).


• IBM Content Analytics.

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 della loro soddisfazione o insoddisfazione.

• Maggior controllo sui processi aziendali core (noleggio, consegna e ritiro).


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

• 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.


• 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 esclusivamente su quella degli analisti e degli schieramenti politici.


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.


Big Data Initiative: 1. Ricercare il giusto committment direzionale.

• (se possibile) ricercare un legame tra potenziali iniziative Big data e linee guida strategiche dell'azienda

• chi fa da Pivot, da Hub e da incubatore? • sponsorship da parte di un CXO, o meglio se di un Comitato direttivo,

interfunzionale • rilevante Business/IT relationship, ma anche Business/Business relationship!!!

• business case e studi di fattibilità di ogni iniziativa

2. Partire con iniziative mirate, circoscritte, ma avendo in mente un disegno “enterprise” (think big but start small and quick!).

• generare l’occasione della sperimentazione mirata • mirare a quick wins • pensare a scelte di piattaforme e soluzioni IT che consentano la scalabilità

con volumi crescenti di dati.


Big Data Initiative:

3. Scegliere le opportune fonti informative e tecnologie. • valorizzare e arricchire i dati interni già disponibili, strutturati e destrutturati,

che presentano un grado di affidabilità/qualità più elevato. • puntare sulla interoperabilità e sull’integrazione con gli attuali sistemi di

datawarehousing,

4. Progettare l’organizzazione e sviluppare le competenze • nuove figure professionali (data scientist o management scientist,

BI/analytic Manager, etc.). • nuovi modelli di Competence Center e loro posizionamento • partnership esterna per aumentare la consapevolezza, ridurre i timori sulle

nuove tecnologie e velocizzare la curva di esperienza/maturità sui Big Data.

• scelte di “make or buy” nella Data Value Chain.


Verso i Big Data: driver e temi di riflessione più interessanti negli ultimi 2 anni

2012

2013

2014 ISACA, Jan. 2014;

impatto su IS security, risk e audit

Dec. 2013, BD analytics in nuovi PRODOTTI e SERVIZI

Dec. 2013, BD analytics a supporto della VELOCITA’

aziendale

Nov 2013, BD e FIDUCIA dei consumatori (out e in)

Nov 2013, BD Initiative, fattori organizzativi

Ott. 2012, BD definition, DATA SCIENTIST

Jan. 2013, McKinsey, BD POTENTIAL index

2012-13, nuova sezione, BD MGMT

Nov 2012-Jan. 2013, BD INITIATIVE, fattori organizzativi

http://links.mkt3142.com/ctt?kn=30&ms=NDg2NDg2MgS2&r=Mzc4ODQ0Mjc2S0&b=0&j=NTQyMDQ1NDIS1&mt=1&rt=0

http://www.cionet.com/


I Big Data richiedono una maggiore BI Governance: il BI Maturity Model

1. Strategia aziendale di BI

2. Budget dedicato alla BI

3. Diffusione/penetrazione dei sistemi di BI

4. Grado di Copertura dei fabbisogni informativi

5. Grado di esperienza nella BI

6. Architettura BI

7. Standard tecnologici

8. Data Quality Management

9. Ownership e Accountability della BI

10. Unità organizzative dedicate alla BI

11. Relazioni specialisti-utenti e SLA

12. Analisi costi/benefici

13. Misurazione dei risultati

14. BI sourcing Valori Medi di un gruppo multinazionale manifatturiero

BI Strategy

BI Diffusion

BI Architecture

BI Organization

BI Measurement

BI Sourcing

Fase 1 Sperimenta-

zione

Fase 2 Crescita

Fase 3 Integra- zione

Fase 4 Ottimizza-

zione

Fase 5 Distintività

Assessment BI Governance

Profilo

Punti di forza e di debolezza

Piano di sviluppo della BI


GRADO DI IMPATTO AZIENDALE (portata e rilevanza)

RISPARMIO DI TEMPO ( Utenti e SI)

QUALITA’ DEI DATI E DELLE INFORMAZIONI

INNOVAZIONE DEI PROCESSI OPERATIVI (adattabilità, velocità)

RIDUZIONE DI COSTI OPERATIVI

(efficienza)

DIF

FIC

OLT

A’ D

I MIS

UR

AZI

ON

E Q

UA

NTI

TATI

VA

La misurazione del valore della BI

CONOSCENZA AZIENDALE

INNOVAZIONE DI PRODOTTO/SERVIZIO

VALO

RE D

EGLI IN

TAN

GIB

LES

INNOVAZIONE DEI PROCESSI DECISIONALI

DIREZIONALI

Valore dei dati = F(capacità di generare ex-post informazioni rilevanti, ampie, affidabili, tempestive) = Valore Patrimoniale dei dati


1° Architettura applicativa di riferimento: DW scenario

Sist

emi p

er l’

inte

graz

ione

e

l’arc

hivi

azio

ne d

ei d

ati

“sem

ilavo

rati”

Strumenti di Estrazione,Trasformazione, Caricamento e Modellizzazione dei dati (ETL tools)

Sist

emi p

er l’

acce

sso

ai d

ati e

per

la

prod

uzio

ne d

i in

form

azio

ni

Dati esterni Dati storici

Sistemi Web Transazionali (sell-side, buy-side) o

informativi

Sistemi di Customer Service

(multicanale)

Sistemi amministrativo-gestionali

tradizionali o ERP

Sistemi di Datawarehouse

Datamart Vendite

Datamart Costi

Datamart Customer Satisfact.

Metadati: •business

•tecnici

Sist

emi

“alim

enta

nti”

(s

iste

mi “

cont

enito

ri”

dei d

ati e

lem

enta

ri,

delle

“m

ater

ie p

rime”

)

Sistemi di Business Intelligence Performance Measurement (CPM,KPI)

Cruscotti e Scorecards

Consolidamento gestionale

Modellizzazione e analisi statistica

Budgeting, Reporting Direzionale

Applicazioni di analisi tradizionali e predittive (mktg, vendite, customer

service, economici, finanziari, HR, …)

Analisi geografica

Analisi multidimensionale

Funzionalità di interrogazione libera

di basi dati

Dat

a M

inin

g

BI TOO

LS BI A

PPS


Search, query/reporting, analysis tools

Data Visualization

6° Architettura applicativa di riferimento: BIG DATA platform, work-in-progress!

Sist

emi p

er l’

acce

sso

ai d

ati e

per

la

prod

uzio

ne d

i in

form

azio

ni

Sistemi Web e Social Web

Sistemi di Customer Service

(multicanale)

Sistemi amministrativo-gestionali

tradizionali o ERP

Sist

emi

info

rmat

ivi

oper

ativ

i “a

limen

tant

i”

Sistemi di Business Intelligence/Analytics

DW

Sist

emi p

er

l’int

egra

zion

e e

gest

ione

dei

dat

i pe

r l’a

nalis

i

Strumenti ETL, di Data Integration e di data governance

Streaming Hadoop

Repository

Sistemi Geo, sensor/meters,

M2M, …

App

lianc

e e

acce

lera

tors

Application Development

Analytical Platform

Cruscotti e Dashboard; Scorecards aziendali

Business Analytics

(per processo o funzione aziendale o settore)

Content analytics

Predictive e Scenario analysis


Il mercato della BI e il ruolo dei partner IT (implementatori)


Il mercato della BI in Italia (servizi e prodotti) Sw

hous

e na

zion

ali e

inte

rnaz

iona

li “e

ntra

nti”

: - T

arge

t e re

te in

def

iniz

ione

- F

orte

inno

vazi

one

- O

pen

Sou

rce,

Saa

s - U

sabi

lity,

Use

r cen

tere

d de

sign

- M

odel

li no

n st

ruttu

rati

di d

ati

SW H

ouse nazionali specializzate: - Target P

MI

- Com

patibilità aziendale e culturale - R

&D

ridotte - O

rientamento alla custom

izzazione del sw

SW vendor multinazionali + Consulting e System Integrator internazionali: - Target MGI - Per l’Internazionalizzazione - Forti R&D - Practice internazionali

System integrator nazionali Specializzati: - Target MGI come sub-contractor - Target PMI tipiche nazionali - No R&D, - “best-of-breed” più frequente - sviluppo custom

Mercato Business Intelligence


Il mercato delle soluzioni SW (in Italia)

SAP (Pilot, ex-Outlooksoft) BUSINESS OBJECTS

(Cartesis,Crystal,Acta)

DATA MGMT

ORACLE

SAS

INFORMATION BUILDER

SYBASE, Hana

MICROSTRATEGY

IBM TIBCO (Spotfire)

MICROSOFT BI Services

INFORMATICA

ERP e B.I.: INFOR

ex-MIS, ex-COMSHARE

Datastage (Ascential) COGNOS

HYPERION (BRIO) BI SUITE, BEA

BOARD

SPSS

ENGINEERING SPAGOBI

QLIKTECH Qlikview

TERADATA

TAGETIK

NETEZZA BigInsight

TOOLS DI BI ANALYTIC APPLICATIONS

TABLEAU SW


• I vendor e gli implementatori delle soluzioni devono essere dei “Partner” in tutti i sensi:

– comprensione dei Business Requirements, spesso poco definiti – condivisione del conseguente rischio di progetto, “Cantieri aperti” – contratti di progetto “chiavi-in-mano” o “time & material” – criticità della Partner/Vendor Selection

• Suite integrata o Best of Breed o Custom?

Il ruolo dei partner IT


Attenzione ai Trend e alle “Illusioni” della BI!

Il futuro della BI si gioca sulla reale innovazione e adozione della BI in azienda


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”! • Open Data • Web BI: dalle Web Metrics & Analytics alla Social Web BI • Geo-Data • Internet of Things • Omnichannel analysis

3. Real Time BI, Data Streaming Analysis


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 e automazione/velocità delle azioni/interventi di risposta (es. gestione di un reclamo, Web Advertising, prevenzione medica, ecc.); molto sviluppo custom!


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

messaging e communication; grande potenziale inespresso 3. InMemory: prestazioni e verso la RT information 4. 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!)

“Still dreams”: 1. BI in SaaS, in Cloud

2. BI Open source

Necessità crescente di una maggiore BI Governance

Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi

Technology

Transcript of Business Intelligence, Analytics e Big Data: una guida per capire e orientarsi