System Evolution è un system integrator presente sul mercato da una trentina d’anni, nato a Torino e attivo soprattutto nel nord Italia, dal Piemonte alla Lombardia al Veneto, fortemente focalizzato nell’area finance e che annovera tra i propri clienti i principali gruppi bancari e assicurativi a livello nazionale. Le linee di business comprendono information management, enterprise collaboration & integration, projects & solutions, spesso con l’interazione di varie tecnologie, da quelle tradizionali, come il mainframe, al web e al mobile. «Negli ultimi anni, System Evolution ha consolidato l’attività di information management nel settore finance, partecipando anche a importanti progetti Big Data» – spiega Mauro Tuvo, principal consultant information management. I contributi di System Evolution per la gestione del dato riguardano sia l’aspetto tecnologico sia quello applicativo e metodologico, all’interno di progetti che comunque non sono destinati unicamente a clienti finance ma anche ad altri settori, tra cui la PAL. Tecnologie no-sql e Big Data sono impiegate per mettere in relazione open data e dati rilevati da vari dispositivi dislocati sul territorio in una piattaforma in grado di supportare una serie di servizi di interesse locale: storicizzazione e analisi dei dati sulla qualità dell’acqua e dell’aria, controllo della mobilità urbana. «In questo caso abbiamo messo a disposizione le nostre competenze tecnologiche nei processi di raccolta e valorizzazione dei dati da varie fonti, strutturate e non strutturate» – spiega il manager.

#SystemEvolution Mauro Tuvo: Cultura e qualità dei dati per un governance data driven
Click To Tweet

La carta d’identità dei dati

Contributi di merito sono invece quelli che System Evolution offre al mondo bancario, tramite soluzioni che basate su piattaforme Big Data supportano campagne di marketing, sistemi di reporting regolamentare, di analisi dei rischi o applicazioni ad alto valore per i clienti. «Andiamo particolarmente fieri delle nostre competenze e delle metodologie di governo dei dati, nate inizialmente in ambito data mining e data warehouse e applicate ora al mondo Big Data. Ci vuole una “bussola” per orientarsi velocemente nel mare di dati e per intercettare le informazioni rilevanti per raggiungere un determinato obiettivo. Ogni dato deve disporre di una carta d’identità che ne indica la proprietà, la semantica, il grado di affidabilità e aggiornamento, e così via» – sottolinea Tuvo. Dotarsi di un approccio strutturato per la gestione di queste opzioni architetturali è vitale nella vision dell’azienda per trarre il massimo valore dalle informazioni e orientare il business.

#Big Data #datagovernance #SystemEvolution La carta d’identità dei dati
Click To Tweet

Visione e strategia

«è stata una scelta strategica quella che l’azienda ha compiuto alcuni anni fa, focalizzandosi sul mercato finance e sull’information management» – sottolinea Mauro Tuvo. Per un’azienda come System Evolution, con trent’anni di esperienza e che ha saputo adeguare i propri servizi alle evoluzioni del business e delle tecnologie, una chiara visione del mercato è fondamentale. «Abbiamo sempre cercato di concentrarci sulle novità del sistema finanziario e su quelle tecnologiche per soddisfare, e anzi se possibile anticipare, le esigenze dei clienti». Anche le collaborazioni con ABI Lab (il laboratorio di innovazione dell’Associazione Bancaria Italiana) e altri istituti specializzati di settore sono importanti per mantenere uno sguardo aggiornato. «Crediamo molto nelle tecnologie abilitanti e nell’attenzione costante alle dinamiche di sviluppo del mercato. Per mantenere e consolidare una posizione di leadership sulle nostre aree di eccellenza, punteremo anche in futuro sulle competenze di merito e sulla proattività nello sviluppo di soluzioni metodologiche e tecniche» – conclude Mauro Tuvo.

L'articolo System Evolution, Big Data e data governance proviene da Data Manager Online.

E del resto, in largo anticipo sui tempi, Andy Warhol scriveva sul suo taccuino che McDonald’s fosse, già alla fine degli anni 60, “la cosa più bella di Tokyo e di Firenze”. Se il Big Mac Index scandisce la variazione del potere di acquisto delle monete nel mondo, il nuovo approccio di marketing di McDonald’s mette al centro l’esperienza di acquisto dei clienti.

#EXPO2015 Evento globale richiama brand globale @Expo2015Milano @McDonaldsCorp
Click To Tweet

L’approccio global and local è stato alla base di diverse campagne anche in Italia, con l’offerta di prodotti studiati sulle eccellenze del Made in Italy. In ogni punto vendita, l’organizzazione del lavoro, la standardizzazione delle procedure, le policy di sicurezza alimentare sono rigidamente codificate.

#EXPO2015 #McDonalds Italia è Official Sponsor di @Expo2015Milano @McDonaldsCorp
Click To Tweet

Ogni ristorante – però – rappresenta una unità produttiva a sé stante all’interno dell’ingranaggio complesso della corporation: per funzionare bene deve essere ben tarata sulle esigenze dei clienti locali, deve essere in grado di adattare le direttive di marketing alla realtà del local store e deve fornire feedback immediati a livello di consumi e approvvigionamento delle scorte in modo da contribuire in modo proattivo anche all’efficienza della supply chain a livello globale, massimizzando l’impatto delle promozioni sui prodotti.

#bigdata Grazie agli #analytics, più innovazione nei processi decisionali @McDonaldsCorp
Click To Tweet

Le informazioni viaggiano in un processo dal basso verso l’alto, dal livello di local store a quello executive. Chi deve decidere può passare da un modello di governance delle performance di vendita e turn-over basato su medie ponderate a un modello più raffinato di gestione dei dati real-time e predittivo.

Se due ristoranti sono posizionati in due punti differenti della città e hanno una distribuzione e un target di clienti differenti non possono adottare lo stesso modello di esercizio. Gestire le metriche in modo efficiente a livello di punto vendita ha un impatto decisivo sui dati da comunicare ai livelli superiori del management per la pianificazione mensile e per una gestione proattiva basata sugli eventi.

#McDonalds oltre la media con gli #analytics @McDonalds @McDonaldsCorp
Click To Tweet

Per esempio, la vincita dello scudetto da parte di una squadra di calcio può avere un forte impatto sulle vendite dello store. E il numero di bibite oppure di milkshake può esser influenzato anche dall’aumento della temperatura.

In pratica, dietro la stessa curva di crescita di due ristoranti, si nascondono dinamiche differenti della domanda. Grazie agli analytics, McDonald’s può codificare eventi e flussi per una migliore pianificazione delle decisioni.

#McDonalds gestione dei dati real-time e modello predittivo @McDonalds @McDonaldsCorp
Click To Tweet

Il percorso di innovazione si basa su tre fasi: scoprire le relazioni nuove fra i dati, sviluppare i nuovi profili di azione e distribuire i risultati all’interno di tutto l’universo McDonald’s. Questo processo permette di ridurre il time-to-market e di valutare l’impatto di business di ogni singolo ristorante, in modo da avere una visione di insieme aderente alla realtà e non corrispondente alla semplice somma dei punti vendita.

#McDonalds dalla customer experience al processo decisionale @McDonalds @McDonaldsCorp
Click To Tweet

Nei ristoranti McDonald’s, la pianificazione produttiva e commerciale nelle diverse fasce di servizio (apertura, swing, rush, chiusura) avviene in modo veramente analitico, andando oltre il calcolo della semplice media statistica del numero di hamburger, di Happy Meal da confezionare e di dipendenti da distribuire nell’arco dell’orario di servizio. Ogni ristorante ha la sua unicità, il suo marketing mix e si distingue – anche se con differenze minime – nel modo di servire il proprio mercato di riferimento, che utilizza anche modalità di pagamento differenti. Grazie all’analisi sui singoli punti vendita è possibile guardare più in profondità i dati di vendita a livello globale e di singola country per ottenere risposte migliori in termini di business.

Mike Cramer, director of Operations Research for Worldwide Restaurant Innovation McDonald’s

L'articolo Big Mac Analytics proviene da Data Manager Online.

Il Master di primo livello è indirizzato a professionisti del settore Data and Information Management, Data Mining, Risk Management, Market Analysis, Social Media Management, Business Development, ma anche a laureati e neolaureati che abbiano una particolare attitudine per l’approccio “data-driven” e che vogliano acquisire maggiori conoscenze e competenze nei sistemi di elaborazione di dati più moderni.

La proposta di Tor Vergata nasce come risposta diretta alle nuove esigenze sviluppatesi sul mercato odierno caratterizzato da una quantità di dati sempre più vasta e, allo stesso tempo, sempre meno strutturata. Dalla crescente richiesta di analisi e diffusione di “Big Data”, che prevede il saper maneggiare collezioni di dati che non possono essere trattati con i tradizionali sistemi per basi di dati, nasce l’esigenza di creare un percorso professionalizzante specifico che formi la nuova figura che il mercato richiede, stiamo parlando del Data Scientist.

La direzione del Master è affidata alla Prof.ssa Domenica Fioredistella Iezzi, docente associata in “Statistica sociale” e “Statistica per la valutazione dei servizi turistici” presso l’Università di Tor Vergata ed è attivato presso il Dipartimento di Scienze Storiche, Filosofico-Sociali, dei Beni Culturali e del Territorio, in collaborazione con i Dipartimenti di Ingegneria Civile e Ingegneria Informatica, Studi di Impresa Governo e Filosofia e in convenzione con BAICR Cultura della Relazione.

Un percorso formativo completo di 1500 ore strutturato in formula Blended per fornire la possibilità di usufruire di una formazione di altissimo livello anche a distanza, lasciando spazio a chi è già impegnato in attività lavorativa avanzata senza rinunciare ad un percorso di studi personalizzato.

“La progettazione del Master è stata il frutto di una collaborazione tra dipartimenti di aree diverse: umanistica/sociale, ingegneria informatica ed economia” afferma la Prof.ssa Iezzi “Un corpo docente universitario di altissimo livello, al quale abbiamo pensato di affiancare diversi tecnici, esperti e professionisti già impegnati in questo particolare settore. Queste testimonianze rappresentano il valore aggiunto per il nostro piano didattico, in quanto porteranno agli studenti un background utile ad immergersi più facilmente nell’ambito di questa particolare professione”.

Il percorso vuole, però, essere un ponte tra il mondo accademico e il modo aziendale, si vuole costruire dei curricula di altissimo livello, che rispondano alle esigenze delle aziende d’oggi. A tal proposito il Master conclude il suo percorso con un tirocinio formativo presso aziende pubbliche e private qualificate che consenta allo studente di mettere in pratica le nozioni acquisite durante la formazione.

L'articolo Università di Tor Vergata: al via le iscrizioni per il Master in Data Science proviene da Data Manager Online.

In ultima analisi, le aziende utilizzano i dati, big o meno, per risolvere i problemi di business. L’azienda data-centric, tuttavia, non solo tratta i dati come un asset, ma li tratta come oro ed è anche disposta a pagarli. In realtà, molte aziende data-centric non sembrano nemmeno aziende data-centric a prima vista, anche perché si travestono da “fornitori di servizi”, con l’obiettivo finale di raccogliere dati, come il motore di ricerca Google o la piattaforma retail online Amazon. In realtà, Amazon è stato il pioniere di questa strategia di raccolta e utilizzo dei dati, piazzando strati di dati degli utenti in cima ai dati open ISBN (la numerazione internazionale dei libri) per creare nuovo valore. Altre aziende progettano programmi di fidelizzazione per spingere la raccolta dei dati, come i programmi di premi sui punti fedeltà dei supermercati o delle stazioni di servizio. Con l’offerta di sconti sui prodotti scelti apparentemente in maniera casuale o di risparmio alla pompa, i clienti vengono letteralmente pagati per fornire i dati attraverso l’iscrizione nei rispettivi programmi fedeltà. Di converso, si può considerare l’opt-out, cioè il non chiedere la tessera fedeltà, come una sorta di tassa sulla privacy: si paga il prezzo pieno per mantenere i dati riservati.

Può forse apparire azzardato dire che essere data-centric equivale ad avere un vantaggio competitivo, ma ci sono vantaggi competitivi conseguiti da aziende data-centric che hanno veramente rivoluzionato il settore della business intelligence.

Mietere messi di dati

Le aziende data-centric raccolgono messi di dati da tutto il mondo. Uno dei “vecchi modi” di pensare la BI era quello di chiedere quali sono i dati già disponibili e come integrarli per definire le metriche oppure mapparli su una metrica pre-definita. Le aziende data-centric affrontano tale questione in un altro modo: invece di capire come utilizzare i dati già disponibili per rispondere alle metriche, cominciano affrontando per primo il problema di business che deve essere risolto, quindi immaginano i dati necessari, e poi ne vanno alla ricerca, oppure li creano tramite nuove app (come i cellulari) o con agenti incaricati di recuperare tali dati.

Le aziende data-centric fanno leva sui dati pubblici, su quelli acquistati, sui big data e su qualunque dato ottenuto tramite tutti i mezzi necessari, compresi i dispositivi indossabili, i sensori, le fonti interne, le app mobili e così via. Anche un’app sul meteo può portare valore ancora non sfruttato. Essere mietitori di dati significa semplicemente avere la volontà di raccogliere ogni frammento di dati sui vostri clienti e sulle persone in qualsiasi modo possibile, al fine di acquisire conoscenze sui clienti attuali e poterle riferire anche ai futuri clienti.

Vivere una cultura analitica

Le aziende data-centric creano, crescono e respirano all’interno di una cultura analitica, e riescono pure a farla sembrare una cosa facile. Questa cultura analitica può essere suddivisa in tre categorie.

• Insight: utilizzando il mining, il clustering e la segmentazione per capire i clienti, le loro reti e – cosa più importante – la loro influenza, così come le insight sui prodotti.
• Ottimizzazione: di funzioni, processi e modelli di business attraverso l’uso degli analytics.
• Innovazione: scoprire modelli di business nuovi e dirompenti che rimangono fedeli al marchio aziendale, ma forniscono percorsi per promuovere l’evoluzione e la crescita della base dei clienti.

Uno dei pilastri della cultura data-centric è quello di far cadere inutili fissazioni: cercate i dati e ricavate le correlazioni nascoste a partire dai dati – oppure – chiedetevi non che cosa potete fare per i vostri dati, ma ciò che i vostri dati possono fare per voi.

Pensare a lungo termine

Le aziende data-centric trovano modo di perpetuare un valore a lungo termine attraverso l’acquisizione di nuovi clienti multi-generazionali, anche perché sanno bene che i dati in loro possesso oggi rappresentano solo una fotografia istantanea dell’ambiente in cui operano. Mentre “pensare data-centric” significa pensare a lungo termine. Certamente, è anche cercare modelli nei dati per vedere dove si trova l’azienda, ma è più importante guardare dove sta andando e quindi sviluppare un piano operativo per arrivarci. Per le aziende data-centric, pensare a lungo termine significa pensare al coinvolgimento dei clienti, mantenendo un elevato focus sul brand, dove il brand è in gran parte definito dal sentiment e dall’influenza dei clienti. Il rapporto con il brand è una connessione messa insieme attraverso l’esperienza. Questo, per esempio, è il motivo per cui compro i libri da Amazon (per la praticità e la scelta), ma passo anche giorni interi nel fine settimana da Barnes & Noble a sfogliare pile di libri sorseggiando caffè: questa è un’esperienza.

Agire

Infine, le aziende data-centric agiscono sui dati derivanti dagli analytics. I dati senza azioni non hanno alcun valore di per sé: è l’azione che guida il valore di business. Ma agire sugli analytics è un processo continuo di sperimentazione e miglioramento. Migliorare i modelli analitici è altrettanto importante considerato che i dati sottostanti sono in continua evoluzione. Per un esempio rapido, si può fare riferimento a quanto dicevo poco sopra sul valore inutilizzato delle app meteo. Durante un recente evento a Reno nel Nevada, abbiamo chiesto ai partecipanti quante app meteorologiche avessero sui loro smartphone. Molti – almeno un quarto della sala – ne avevano più di una. Il problema è che avere più motori di analisi fa crescere la concorrenza, e la concorrenza fa crescere il miglioramento.

Non dimenticare il mondo mobile

Diventare un’azienda data-centric richiede un cambiamento culturale inevitabile per ottenere vantaggi competitivi. Nella competizione sulle capacità analitiche, le aziende possono costruire una più profonda comprensione dei clienti e delle relazioni. Pensando ai dati raccolti, ci si può rendere conto che l’attività che si cattura oggi (probabilmente) non è sufficiente. Essere data-centric significa fare un grande sforzo extra nel modo di interagire con i dati.

Ma soprattutto bisogna “pensare mobile”, e pensare alla mobilità anche come un modo di orientare i clienti. Oggi, attraverso le app mobili, l’immagine pubblica del cliente è disponibile attraverso le API. Il mobile è un fenomeno “io”: si tratta di una linea diretta con i desideri più egoistici del cliente, cioè quello che gli piace, ciò che odia, quello che vuole, e cosa è disposto a dire su tutto. Questo dato sociale ci dice esattamente chi sono i nostri clienti, e qual è il modo migliore per renderli felici. Va anche ricordato che la telefonia mobile è un fenomeno a due vie: le aziende pensano di spingere informazioni e servizi ai clienti, ma hanno anche bisogno di pensare (egoisticamente) su come estrarre i dati e imparare dalle attività dei clienti.

Lindy Ryan

Research director per la practice Data Discovery and Visualization di Radiant Advisor, svolge attività di ricerca e di analisi sulla confluenza tra data discovery, visualizzazione e scienza dei dati partendo dalla prospettiva delle esigenze di business. Oltre a dirigere la rivista Rediscovering BI, Lindy Ryan ha un B.S. in Business Administration e un Master in Organizational Leadership, e sta conseguendo un Ph. D in Organizational Leadership and Strategy, con una tesi di ricerca incentrata sulla cultura dei big data.

Lindy Rayan ha presentato a Roma per Technology Transfer insieme a John O’ Brien i seminari “Data Discovery in Action” il 5-6 novembre 2014 e, sempre a Roma, il seminario “Modern Data Visualization for Advanced Analytics” il 7 novembre 2014.

L'articolo Come diventare un’azienda data-centric proviene da Data Manager Online.

La competizione globale ci ha insegnato a reagire velocemente. Essere reattivi però non basta, bisogna essere in grado di percepire anticipatamente i problemi, le tendenze o i cambiamenti futuri, al fine di pianificare le azioni adeguate in tempo. Gestire la complessità è la grande sfida che le imprese devono affrontare ogni giorno.

La complessità dipende da molti fattori differenti e intrecciati tra loro: deriva dalla pressione competitiva del mercato, ed è accentuata dalla crisi, dalla crescita lenta e dal numero degli operatori presenti nel mercato.

Semplificare è un imperativo categorico per il presente, senza il quale le aziende non potranno guardare al futuro. Le cose che sembrano a prima vista complicate possono rivelarsi semplici e le cose che sembrano semplici possono all’improvviso complicarsi.

Rhiag è un gruppo multinazionale che distribuisce e vende parti di ricambio per auto e veicoli industriali, nel segmento dell’aftermarket indipendente. Operiamo in tre distinte aree geografiche di riferimento: Italia, Svizzera e sei paesi dell’Est Europa, con reti distributive costituite in totale da 210 centri distributivi a servizio degli oltre 63mila clienti. Lo scenario di mercato è estremamente competitivo. Siamo presenti su tutto il territorio nazionale con 32 filiali e questo incide molto sulla frammentazione della domanda che crea difficoltà nell’individuare correttamente quale prodotto debba stare in quale filiale. I nostri clienti vogliono avere il materiale di cui hanno bisogno nel minor tempo possibile. Ma per rispondere a questa esigenza è indispensabile che ciascuna delle filiali dislocate sul territorio sia in grado di soddisfare la domanda dei clienti. E questo implica costi rilevanti di stoccaggio delle scorte e rischi elevati di obsolescenza dei prodotti. L’ottimizzazione delle scorte a magazzino e dei processi di definizione dell’assortimento nelle filiali ci ha permesso di mantenere i nostri punti di forza con un impatto positivo sul conto economico.

Abbiamo definito un modello di analisi della distribuzione per capire quali dovevano essere i prodotti da mettere a magazzino. In passato, l’ottimizzazione proattiva delle scorte dipendeva dall’esperienza delle persone che decidevano sulla base degli ordini precedenti o delle segnalazioni della forza vendita. E questo ci sembrava il modo più semplice di fare le cose. Con il passare del tempo, ci siamo resi conto che quel modo di operare non solo non era efficiente ma ci rallentava nei processi di business. E così – per quanto potesse sembrare complicato – abbiamo ingegnerizzato il processo di trattamento dei dati con uno strumento capace di suggerire la soluzione ottimale, senza richiedere agli utilizzatori particolari conoscenze informatiche. Oggi, grazie all’utilizzo di metodologie statistiche avanzate abbiamo scoperto trend e correlazioni tra le filiali e siamo in grado di cogliere in anticipo i possibili effetti di determinati interventi e di stimare la dinamica di vendita dei prodotti, riducendo al minimo i rischi. Il nostro obiettivo futuro è di introdurre sistemi di data mining per incrementare la reattività dell’azienda riducendo il lead time e favorendo l’integrazione sia a monte sia a valle della filiera.

Cristiano Zambarbieri, supply chain customer service manager di Rhiag 

L'articolo Simplify the complexity proviene da Data Manager Online.

Ogni giorno viene gestita nelle aziende una mole di dati crescente, prodotta da un numero sempre maggiore di fonti informative: questo ha fatto maturare la consapevolezza di dover raccogliere e analizzare questi dati in modo efficace, per sfruttare al meglio il loro valore. Il risultato della collezione di queste informazioni sono i cosiddetti big data, archivi di grosse dimensioni nei quali: la quantità è tale da rendere inefficiente il ricorso a database tradizionali e da richiedere l’utilizzo di sistemi di memorizzazione scalabili; è elevata la frequenza di aggiornamento e la rapidità in cui sono memorizzati, storicizzati ed elaborati; le fonti sono molto eterogenee per origine, contenuto e rappresentazione.

Analytics e big data

Spiega Carlo Vercellis, responsabile scientifico dell’Osservatorio big data analytics & business intelligence (BDA & BI) della School of Management del Politecnico di Milano (www.osservatori.net): «L’analisi dei big data offre innumerevoli potenzialità a imprese di qualsiasi comparto. Ma la gestione delle enormi quantità di dati oggi disponibili pone le aziende di fronte a molteplici sfide. Da un lato, occorre predisporre i sistemi di analytics sui big data alla memorizzazione di volumi crescenti di informazioni e alla trasformazione e integrazione di dati di diversa natura. Dall’altro, occorre comprendere come sfruttare le potenzialità dei big data e farne un uso strategico in base alla propria tipologia di business. l progetti di BDA & BI richiedono una governance coordinata per permettere di raggiungere benefici quantificabili e di lungo periodo».

Oggi, le aziende hanno l’esigenza di analizzare scenari di business sempre più complessi, con strumenti in grado di dare risposte rapide e affidabili. Per questo si stanno diffondendo i progetti di big data analytics, indispensabili nel fornire un migliore supporto decisionale alle diverse funzioni aziendali, nonostante ci sia spesso una mancanza di consapevolezza dell’impatto di questi sistemi sulla gestione aziendale, e si percepisca una certa difficoltà nell’integrazione di questi strumenti con gli applicativi aziendali. La rapida diffusione degli strumenti di analisi è anche frutto di diversi fattori: la massiccia diffusione dei device mobili e del social networking, la disponibilità, a costi sempre più contenuti, di potenti tecnologie di elaborazione e di storage, i servizi flessibili e scalabili resi possibili dal cloud computing.

Il mercato

In un’analisi condotta da EMC (www.italy.emc.com) su 450 decision maker italiani, pubblicata nello scorso mese di novembre, i big data si posizionano come tecnologia ritenuta in grado di apportare un sensibile miglioramento ai processi decisionali delle aziende. Quasi il 40% degli intervistati dichiara che, grazie ai big data, la propria azienda è riuscita a ottenere significativi vantaggi competitivi sul mercato, rispetto ai concorrenti. Il 67% ritiene che le informazioni provenienti dai big data siano già oggi all’interno delle proprie aziende la base per prendere decisioni concrete per trasformare il business, mentre il 58% si dichiara convinto che le aziende che sapranno utilizzare al meglio questi strumenti saranno in grado di distinguersi maggiormente in futuro rispetto alla concorrenza.

La previsione di IDC (www.idc.com) per il mercato italiano è di un raddoppio del valore di tecnologie e di servizi per i big data nel periodo 2013-2015, che porterà il mercato a superare i 160 milioni di euro nel 2015. Il trend è in linea con i ritmi di sviluppo mondiali del mercato. A livello worldwide, il tasso di crescita annuale composto stimato da IDC per il periodo 2012-2017 è pari al 27%, con un valore al 2017 di 32,4 miliardi di dollari. Sempre secondo dati IDC, nel 2013 i server High Performance Computing (HPC ) avevano un valore di 11,397 miliardi di dollari: nello stesso anno, i server High Performance Data Analysis (HPDA) hanno avuto un valore complessivo di 785 milioni di dollari. I ricavi complessivi del mercato server a livello globale vedono crescere in modo costante i server HPDA (nel 2013 rappresentavano il 6,9% delle revenue globali dei server HPC, nel 2014 è previsto che la quota passi a 7,1%, entro il 2017 le proiezioni IDC lo danno al 9,2%).

Un patrimonio di dati

Alla fine dello scorso anno è stata pubblicata la ricerca dell’Osservatorio BDA & BI del Politecnico di Milano, molto completa e dettagliata, sulla realtà dei big data nel nostro Paese, aggiornata allo scorso anno, con raffronti interessanti sull’anno precedente. Secondo l’Osservatorio, all’interno delle organizzazioni, nell’84% dei casi vengono trattati dati strutturati, le cui sorgenti primarie sono tipicamente rappresentate dai sistemi transazionali, altamente performanti per la gestione di informazioni organizzate secondo schemi di database predefiniti: si tratta per lo più di tabelle, record e documentazioni di office automation, di dati geografici e di dati correlati a eventi come messaggi real-time, dati di telecomunicazioni e dati Machine-to-Machine, generati da trasmettitori, sensori (Wi-Fi, Bluetooth, RFID, NFC) e misuratori digitali. Nel 16% dei casi vengono gestiti dati semi-strutturati e destrutturati, ovvero informazioni prive di schema che non possono essere adattate a un database relazionale: si tratta di immagini, contenuti video, clickstream, file di testo, informazioni provenienti da blog e da social network, XML e standard simili, email, log web, per le quali esiste una struttura irregolare o parziale, non sufficiente a permetterne la memorizzazione e la gestione da parte dei DBMS relazionali tradizionali.

Il volume complessivo dei dati utilizzati nelle organizzazioni è cresciuto nello scorso anno del 19% per quanto riguarda i dati strutturati, del 28% per i dati destrutturati. Numeri che non sorprendono, se si considerano le fonti principali dei big data: le transazioni originate dai miliardi di dispositivi in uso dagli individui (smartphone, tablet, carte di credito, carte fedeltà, per fare solo alcuni esempi), i messaggi e le informazioni che vengono archiviati sui social network e sui siti web 2.0, i file e i log generati dai sensori digitali presenti negli oggetti che utilizziamo quotidianamente.

Secondo la ricerca Big Data Survey, pubblicata all’inizio anno e condotta nella community degli utenti di Jaspersoft (www.jaspersoft.com), le sorgenti di dati più utilizzate sono: i sistemi CRM (40%), le applicazioni finanziarie (38%), l’e-commerce (27%), i POS al dettaglio (15%), le soluzioni di supply chain management (14%) e i sistemi per la gestione del capitale umano (12%).

Le nuove architetture

«Osservando tutte queste nuove fonti di dati» – commenta Mike Ferguson, managing director di Intelligent Business Strategies Limited e speaker in corsi e convegni di Technology Transfer (www.technologytransfer.com) – è evidente che vi sia un aumento della complessità sia nelle caratteristiche dei dati stessi sia nei tipi di analisi che le aziende vogliono effettuare. Per quanto riguarda i dati, la complessità è aumentata in termini di varietà di tipi di dati, di volumi di dati che vengono acquisiti e nella velocità o nella frequenza con cui vengono generati i dati. In termini di varietà, stiamo trattando con dati semi-strutturati (per esempio email, XML, JSON), dati non strutturati (per esempio i testi) e dati generati dalle macchine (per esempio i dati dei sensori e i clickstream). L’analisi di questi tipi di dati ha portato a diversi nuovi tipi di carichi di lavoro analitici oltre a quelli osservati in un data warehouse tradizionale. Essi includono: l’analisi complessa di dati strutturati – per sviluppare modelli, l’analisi esplorativa dei dati multi-strutturati, non modellati, le interazioni sociali, l’analisi dei grafi, l’analisi dei social influencer o delle frodi…

Vi è anche una necessità di memorizzare e rielaborare dati archiviati a un costo molto inferiore. Per far fronte a questi carichi di lavoro, è chiaro che le architetture di data warehouse tradizionali avranno evoluzioni. Saranno necessari nuovi archivi di dati, come per esempio i Graph DBMS, Hadoop e gli RDBMS analitici, in aggiunta ai data warehouse tradizionali. Anche la gestione delle informazioni dovrà essere estesa, per supportare le funzioni di data cleansing, l’integrazione e il caricamento dei dati in queste nuove piattaforme, così come nei data warehouse. Inoltre, dovrà essere supportato anche lo spostamento dei dati tra le piattaforme. Dal punto di vista dell’utente, ora dobbiamo prepararci ad accogliere scienziati di dati, analisti di business e consumatori di informazione. Pertanto, sono necessari nuovi strumenti per condurre analisi esplorative dei dati multi-strutturati: search analytics, strumenti di generazione di codice, accesso a nuovi archivi di dati dagli strumenti tradizionali di BI estesa per fornire visualizzazioni. Inoltre, è necessaria la virtualizzazione dei dati per semplificare l’accesso ai dati per database basati su SQL e per sistemi non relazionali, su NoSQL».

Il Data Scientist

La capacità di esplorare enormi volumi di dati offre l’opportunità di sfruttare tutti i big data a disposizione e di diffondere la conoscenza a tutte le funzioni aziendali: si possono trovare nuove opportunità, dare risposte a problemi complessi e reagire rapidamente ai mutamenti del mercato.

Come ha detto Ferguson, il data scientist sarà una figura centrale nei progetti di big data, uno dei lavori più promettenti del futuro, con una domanda stimata di quasi un milione e mezzo di persone nel prossimo decennio e una carenza prevista di almeno 200mila persone. Aggiunge Alessandro Piva, responsabile della Ricerca dell’Osservatorio big data analytics & business intelligence della School of Management del Politecnico di Milano: «Oggi, esiste un’ampia offerta di sistemi di big data analytics e si è allargata la platea dei potenziali fruitori, grazie alla maggiore usabilità delle soluzioni tecnologiche e alla pervasività dei dispositivi mobili. Crescono così le possibilità di utilizzo e gli ambiti di progetto, e aumentano le competenze richieste a nuove figure di “data scientist”: non servono solo skill informatiche, statistiche e di processo, ma anche capacità di demand management nei confronti delle line of business, di interpretazione dei dati e delle analisi prodotte». Aggiunge Giulio Occhini, direttore generale di AICA, Associazione Italiana per l’Informatica e il Calcolo Automatico (www.aica.it): «Il data scientist deve essere in grado di vagliare attentamente le informazioni che giungono da fonti informative diverse, prima di decidere quali possano essere giudicate “utili” per le sue ricerche. Così come dovrà essere in grado di incrociare preliminarmente i dati in suo possesso (provenienti da molteplici fonti), con particolare attenzione a quelli che provengono dai social network, blog, web server, o dalle registrazioni online. Inoltre deve essere in grado di gestire dati di grande complessità (es. geospaziali), dovrà utilizzare algoritmi di ricerca, capaci di scandire immensi database di terabyte di dati in tempi relativamente brevi e dovrà anche essere in grado di selezionare lo strumento di business intelligence più adeguato, per eseguire le analisi richieste dall’organizzazione per la quale lavora. Anche se potrà sembrare apparentemente inconsueto, gli sarà anche necessaria una mentalità orientata alle arti e alla creatività, per fare in modo che possa elaborare visioni sulle metodologie di gestione intelligente delle informazioni e perfino sul loro possibile utilizzo per finalità diverse da quelle originarie. Se consideriamo come la necessità di consulenti di social media sia cresciuta con la diffusione dei social network, non c’è da stupirsi se nel giro di pochi anni, in funzione della attuale esplosione dei dati, il data scientist assumerà il ruolo di uno dei professionisti più ricercati al mondo. Apparentemente, le molteplici competenze dello scienziato dei dati potrebbero sembrare “eccessive”, ma contrariamente a quanto si può pensare, non è poi così difficile riuscire a identificare dei professionisti che ne siano in possesso. Infatti, va rilevato che lo scienziato dei dati deve soprattutto eccellere in alcuni aspetti caratteriali, come la creatività, la curiosità e la determinazione nel saper affrontare situazioni nuove e particolarmente complesse. Egli deve sentirsi ispirato all’organizzazione e alla distribuzione di informazioni trasformando i dati in valore».

Quali strumenti

Gli strumenti oggi più usati nella BI sono quelli per il performance management e per la basic analytics: consentono, però, solo di visualizzare in modo sintetico e grafico i principali indicatori di performance, rappresentando in modo tempestivo i dati con semplici funzioni di query e reporting. Gli strumenti più adatti per la gestione dei big data sono gli advanced analytics, che consentono di gestire processi decisionali complessi con sistemi di prescriptive e predictive analysis, come modelli matematici di forecasting, statistica, data mining e ottimizzazione, e che permettono di determinare trend e prevedere il valore futuro di variabili numeriche e categoriche. L’elevata numerosità dei campioni è più complessa da gestire, ma permette una maggiore accuratezza nei risultati. Secondo l’Osservatorio BDA&BI del Politecnico, i sistemi di advanced analytics sono adottati dal 36% delle organizzazioni, ma il 23% ne prevede l’introduzione e il 27% si trova in una fase di valutazione.

Diverse soluzioni sono presenti sul mercato: secondo IDC, tra le aziende con le migliori implementazioni commerciali delle piattaforme di HPDA/big data vi sono i grandi vendor, tra i quali IBM, Microsoft, Oracle, SAP, EMC, e un’ampia lista di attori specializzati a livello internazionale, tra i quali Autodesk, Cloudera, Microstrategy, QlikTech, SAS, Tibco, Teradata, Splunk MapR Technologies, Pivotal.

Ambiti di utilizzo

L’utilizzo degli advanced analytics sui big data ha innumerevoli potenzialità e svariate applicazioni. Secondo la già citata indagine Jaspersoft, le principali casistiche di utilizzo dei big data sono: l’analisi dei clienti (churn, segmentazione…), per il 48% degli intervistati, l’analisi della customer experience per il 45%, l’analisi dei rischi per il 37%, l’analisi delle minacce per il 30%, l’analisi della conformità normativa per il 28%, l’ottimizzazione delle campagne per il 26%, il targeting geografico per il 23%, l’analisi delle frodi per il 22%, l’analisi della percezione del brand per il 16%, l’ottimizzazione del product placement per il 16%.

Di seguito, alcuni esempi, non esaustivi, di come vengono sfruttati i big data nei vari settori di mercato. Nel settore bancario vengono utilizzati per progettare strategie di marketing, comprendere a fondo le esigenze dei clienti, migliorare la customer experience, ma anche per rispondere più velocemente alle richieste degli organismi di vigilanza. Nel risk management si sfruttano per ottenere risposte rapide a scenari complessi sull’ottimizzazione dei capitali, la gestione della liquidità, le valutazioni e gli stress test dei molteplici rischi cui un istituto potrebbe essere esposto. Nel settore assicurativo, per sviluppare modelli di prezzo più congruenti col profilo della clientela, per aumentare la profittabilità per prodotto e per migliorare l’analisi del rischio, limitando l’esposizione e le riserve. Nel manufacturing, l’analisi dei dati raccolti dai sensori consente di analizzare le prestazioni delle apparecchiature, svolgere manutenzioni preventive, ridurre i guasti imprevisti, analizzare i reclami in garanzia e identificare potenziali problemi e cause scatenanti. Nel retail, i big data sono utilizzati per analizzare le performance geografiche, per punto di vendita, linea di prodotto fino al carrello del singolo cliente. Nelle utility, si usano per tracciare l’erogazione di energia dal punto di distribuzione ai punti di utilizzo per identificare possibili frodi. La pubblica amministrazione può sfruttare i big data per realizzare una mappatura del territorio e offrire una assistenza migliore e tempestiva ai cittadini nelle aree più a rischio, per identificare e reagire in modo tempestivo al “sentiment” della comunità o ancora per accrescere il livello della sicurezza.

La Social analytics

Un utilizzo peculiare degli anaytics sui big data è legato all’analisi delle interazioni tra utenti, siti web, aziende e prodotti, che consente alle aziende di collezionare informazioni molto utili, prima difficilmente reperibili. La diffusione di dispositivi mobili sempre connessi genera, inoltre, un traffico sempre più geolocalizzato, che arricchisce ancora di più i dati a disposizione.

L’analisi di questi dati avviene con tecniche di text mining e di analisi semantica, in grado di rilevare il sentiment delle conversazioni e permette di definire le caratteristiche comportamentali dei clienti o dei prospect, di cogliere spunti per specifiche iniziative di viral marketing, e perfino di scoprire eventuali criticità nella pianificazione delle azioni promozionali.

Il monitoraggio dei social media permette di analizzare le preferenze e il gusto dei singoli utenti, di rilevare le opinioni relative a qualunque tema: prodotti, servizi, brand, ma anche hobby, politica, sport. Queste informazioni, se correttamente integrate con i dati presenti nei sistemi aziendali tradizionali, possono far sì che le imprese ottimizzino le proprie azioni di marketing: la social analytics, quindi, può creare nuovi, interessanti, scenari nella segmentazione della customer base di un’azienda, permettendo di cogliere sul nascere le nuove tendenze e di percepire con un certo anticipo l’abbandono di prodotti o di servizi specifici da parte dei clienti.

L'articolo Capitalizzare i dati. Gli strumenti per decidere proviene da Data Manager Online.

Arriva dal profondo Sud, da una regione che troppo spesso sbrigativamente viene associata a episodi di cattiva gestione se non peggio, l’esempio di uno spin-off universitario capace di anticipare tendenze che sorprenderebbero un abitante della Silicon Valley. La qualità scientifica del software prodotto da Exeura ci ricorda che da queste parti, dopotutto, sono nati i fondamenti della matematica e della geometria e che l’informatica è un modo brillante per metterli a frutto.

L’incontro organizzato per costruire questa puntata di Vision ha avuto una lunga gestazione, ma alla fine è stato possibile incontrare Mario Ettorre, co-fondatore e responsabile di vendite e marketing di Exeura (www.exeura.eu), durante un suo breve passaggio a Milano. «Forse non è un fatto molto conosciuto, ma in Calabria ci sono tre poli universitari molto validi» – esordisce Ettorre.

Exeura nasce nel polo di Rende (Arcavacata): un complesso universitario che conta oltre 30mila studenti. Exeura non si può paragonare al caso dell’ennesima start-up infatti ha alle spalle una storia ultradecennale e i suoi fondatori sono docenti universitari e ricercatori esperti. Alla costituzione di questa azienda specializzata in soluzioni di statistica, semantica, data analytics e business intelligence si sono adoperati Sergio De Julio (attuale presidente onorario), Pasquale Rullo (attuale presidente del CdA), Domenico Saccà, Luigi Palopoli, ed altri docenti e ricercatori universitari di lungo corso. «Ci siamo sempre caratterizzati per un approccio legato a progetti specifici, portati avanti per conto di grandi clienti e system integrator nel campo delle telecomunicazioni, della sanità, della finanza e dell’energia. Da singoli prototipi, scaturiti prevalentemente da progetti di ricerca industriale, siamo però riusciti a ingegnerizzare veri e propri prodotti, da cui nascono altre collaborazioni e altri progetti».

Un cammino lungo e sempre misurato, che ha permesso ad Exeura di accumulare una notevole familiarità con molti problemi del knowledge management e di sviluppare una serie di strumenti analitici molto potenti ed esclusivi. «I responsabili dell’azienda, prevalentemente provenienti dal mondo della ricerca,hanno sempre dimostrato di avere una grande sensibilità nei confronti del mercato». Trattandosi di strumenti sofisticati, è abbastanza arduo descrivere il lavoro svolto da Exeura con le sue tecnologie. A grandi linee si tratta di prodotti software di tipo statistico e semantico utilizzati per estrarre e visualizzare informazioni da grandi volumi di dati strutturati e non (big data analytics & visualization), per individuare regole e schemi ripetitivi, con l’obiettivo di ricavare una informazione più precisa e arrivare più in fretta alla soluzione ottimale.

Prodotti e Soluzioni

Il prodotto di punta di Exeura è la piattaforma di Business Analytics denominata “Rialto”. Si tratta di un sistema che consente di analizzare grandi moli di dati per scoprire regole e conoscenza in essi nascoste e, quindi, non visibili ad occhi nudo. Oggi i principali clienti di Exeura utilizzano Rialto e le relative soluzioni sviluppate ad hoc, ottenendo un concreto supporto decisionale durante la loro quotidiana operatività.

Uno dei prodotti sviluppato da Exeura nasce da un progetto di estrazione di informazioni che i data scientist di Rende erano stati chiamati a realizzare per automatizzare l’estrazione di dati da bilanci Cerved. «All’inizio il software si chiamava Pablo – racconta Ettorre, una specie di acronimo di Pdf Table Extractor. È subito diventato Quablo, funziona sotto Windows ed è in grado di fotografare qualsiasi tabella e convertirla in un insieme di dati manipolabili con Excel». Quablo può essere considerato anche il prodotto più “leggero” di Exeura, basato su algoritmi euristici relativamente semplici e aperto anche a una utenza di tipo individuale.

Dalla collaborazione tra Exeura, Enel ed il Politecnico di Torino nasce la piattaforma SHAPE che, attraverso, l’analisi delle serie temporali provenienti dai contatori elettronici installati sulla rete Enel di bassa tensione, permetterà di raggiungere alcuni ambiziosi obiettivi: come la Customer Segmentation,con individuazione di profili tipici di consumo sulla base delle abitudini di prelievo/immissione di energia sulla rete di Distribuzione; il Customer Behaviour Prediction, ovvero la previsione a breve-medio termine dei comportamenti dei clienti con riferimento ai prelievi di energia; la Fraud Detection, che consentirà la riduzione delle perdite economiche dovute ad anomalie nella fornitura, nonché l’individuazione di possibili attività fraudolente.

Osserva Ettorre – «Oggi, in piena esplosione del fenomeno big data, l’expertise accumulata da Exeura si traduce in un potenziale di mercato ancora più interessante, perché si moltiplicano i soggetti industriali in possesso di enormi giacimenti di dati da cui ricavare dettagli che sono utili a servire meglio i clienti, trovarne di nuovi o evitare che il cliente passi alla concorrenza».

La conoscenza utile

Non solo. Lavorando per l’Azienda sanitaria di Asolo nell’ambito di un complicato progetto per la classificazione di referti e cartelle cliniche, Exeura sviluppa una soluzione costruita sul prodotto Olex: un software che combina tecniche di elaborazione del linguaggio naturale con metodi di machine learning per indicizzare i documenti in contesti applicativi complessi come quello sanitario in cui la descrizione di una malattia richiede un linguaggio assai articolato. Con Olex, il riconoscimento parte da una fase di training che consiste nell’analizzare un certo numero di documenti già classificati per ricavare le regole che serviranno a categorizzarne di nuovi. Ma questo non basta. Se Olex serve per scoprire nuova conoscenza, partendo da dati grezzi, ai clienti di Exeura interessa anche il procedimento opposto: partire da un set di regole già note e individuare subito i dati che, come si dice in gergo “matchano”, ovvero corrispondono il più possibile a una soluzione ottimale.

Infine, il prodotto che aiuta a ragionare più in fretta si chiama OntoDLV utilizzato già presso realtà che operano nel settore della logistica, dove serve per ottimizzare la composizione dei turni e delle squadre di lavoro, ma anche nelle centrali di Telecom Italia, dove il problema da risolvere è l’abbattimento dei tempi di instradamento verso il presidio giusto delle chiamate che milioni di clienti effettuano verso i call center. In questo caso, la rapida profilazione degli utenti, assicurata da OntoDLV, comporta una netta riduzione dei tempi rispetto ai normali sistemi di routing.

A dispetto del notevole palmarès di clienti e casi di studio, il marketing delle soluzioni sviluppate a Rende non è un’impresa facile. «Finora abbiamo fatto fatica a promuoverci» – riconosce Ettorre.

Ultimamente però Exeura ha adottato una nuova strategia di brand identity, che comporterà la ridenominazione di alcuni prodotti ed il rilancio della propria immagine sul web. Exeura sta esplorando anche nuovi mercati geografici e ha avviato collaborazioni con altre aziende italiane, per esempio la start-up salernitana Cyclosee, sorprendente protagonista sul mercato dei tool per il cosiddetto closed loop marketing (una disciplina che abbina tool di presentazione e business intelligence per misurare il ROI delle attività di promozione e vendita). Ci sono tutti i presupposti perché Exeura, partendo da un’apparente periferia geografica, muova verso un’affermazione globale nel gigantesco mercato del big data.

L'articolo L’informazione nel pagliaio proviene da Data Manager Online.

Il mezzo è il messaggio. Lo abbiamo imparato. L’assioma di Marshall McLuhan ha dominato il dibattito sulle regole della comunicazione. Con l’avvento del web 2.0 i termini dell’equazione – però – non coincidono più. A scompaginare i diktat dei cosiddetti esperti, sono arrivati i social network, che hanno rimesso “la relazione” al centro della comunicazione.

Se provate a parlare con qualunque amministratore delegato o direttore marketing, vi sentirete ripetere parole come “apertura” e “partecipazione”. Se provate a fare un giro in azienda – in certi casi – scoprirete che i dipendenti non hanno alcuna idea di quale sia la strategia aziendale; che l’accesso al web, dalla postazione aziendale, non è consentito; che l’IT manager e il CMO non dialogano; che le informazioni si raccolgono, ma nessuno sa bene come utilizzarle; che il cliente non ha una identità digitale univoca.

Se – invece – provate a cercare notizie su qualunque prodotto, dall’auto al libro, potreste incappare in commentatori di professione. Allora di che cosa stiamo parlando? La società dell’informazione e della comunicazione globale sta diventando autistica? Intanto, nel mondo dell’impresa, dilagano le campagne di “lead nurturing”. Il contatto è il principio, ma non è detto che la relazione sarà promettente. Per “educare” il cliente, l’informazione da sola non basta, deve essere integrata e gestita in modo corretto, in relazione al contesto. I clienti non sono campi da arare e seminare a piacimento ad ogni stagione. In agricoltura, la rotazione del terreno e la selezione delle colture sono fondamentali. E forse, alcuni direttori marketing dovrebbero fare uno stage in fattoria. Capitalizzare i dati e le informazioni è come fare il vino. Ci vuole attenzione e qualità sia prima della vendemmia sia nel processo di affinamento.

“Coltivare” il cliente richiede un approccio basato sulla conoscenza dei dati, sulla relazione, ma soprattutto sull’ascolto, sull’utilizzo di soluzioni adeguate, secondo processi, modelli, metodi integrati e architetture di riferimento complementari. Quando parliamo di social network il riferimento obbligato è Facebook. Se l’approccio all’economia del “mipiace” resta quantitativo, avremo – però – perso una grande occasione. “Ascoltare il cliente” è diventato un mantra, ma le aziende hanno imparato a farlo, veramente? Non c’è ascolto – però – senza la comprensione dei dati nel contesto di riferimento.

The new normal

I social network sono uno strumento potente. Le aziende sono all’altezza di questa sfida?

Alcune aziende (come Samsung) stanno facendo scuola. Altre devono ancora imparare la lezione.

Andrea Andreutti, Head of Interactive Marketing di Samsung (www.samsung.com/it) ha raccontato durante la Socialytics Conference 2013 di IDC (#IDCSocialytics13 – www.idcitalia.com), come misurare l’efficacia di un progetto di social media marketing, mettendo in evidenza le opportunità e le criticità di un approccio analitico ai social media. Per Andreutti la piattaforma Samsung di social media management funziona come «la torre di controllo di un aeroporto». Nulla può essere ignorato. «Misurare in maniera univoca l’impatto delle azioni di Social Marketing può essere sfidante e metetre a dura prova la resistenza della divisione marketing, ma non bisogna picchiare la testa contro il muro per controllare tutto. Si tratta di un processo continuo. Bisogna testare misurare, ottimizzare e ricominciare dall’inizio. Questa potrebbe essere la road map per il social marketing».

Altre aziende come Dell – ad esempio – organizzano corsi per i propri dipendenti sul valore dei social network. A tutti è noto il caso del “flaming notebook” di Osaka. Nel 2006 l’immagine di un computer Dell prese fuoco per il malfunzionamento delle batterie. Un bel problema da gestire. All’epoca, non erano ancora così diffusi Facebook e Twitter. Dell non cercò – però – di nascondere la notizia. Al contrario, creò un blog con le stesse immagini circolate nella blogosfera e con tutte le istruzioni sui modelli a rischio. Dell trasformò una situazione difficile in un punto di forza, puntando tutto sulla trasparenza e il dialogo.

Se le aziende fossero, davvero, in grado di ascoltare la voce dei clienti ogni giorno, l’impatto sui bilanci sarebbe enorme. Certo richiederebbe uno sforzo in termini economici e di tempo, ma il ritorno sarebbe esponenziale. Chi passa tempo in Rete sa che essere ascoltati è un valore. Le imprese devono imparare che la gente non vuole ricevere messaggi, ma essere ascoltata. Non basta un servizio clienti online, ma è necessario comprendere le esigenze attraverso un dialogo attivo. Saranno i clienti a cercare la relazione con l’azienda di cui si fidano.

Ascoltare il cliente

Dimmi come navighi e ti dirò chi sei. O meglio, tracciare i comportamenti delle persone sulle piattaforme social rappresenta per le aziende la chiave di accesso all’esperienza di acquisto di clienti e prospect. Il dibattito sul social marketing è aperto. Da una parte, c’è chi si ostina a misurare con il centimetro il ROI di ogni singola azione, dimenticando che l’insieme è più della somma delle sue parti e dall’altra, c’è chi semplicemente lo giudica impossibile, da un punto di vista quantitativo. Altri indiscussi esperti del social media marketing predicano che le reti sociali non sono utili a fare crescere la clientela, ma solo a istaurare un rapporto di fidelizzazione con i clienti esistenti. La verità sta nel mezzo e spesso si nasconde nei dettagli.

Le aziende devono rinunciare alla pretesa del controllo, se vogliono mantenere il comando. Il social marketing richiede scelte coraggiose e la capacità di mettere in discussione se stessi e processi consolidati e verità acquisite. L’innovazione dei social media analytics cambia completamente la relazione tra brand e consumatori e costituisce una sfida rispetto ai modelli tradizionali. I consumatori hanno scalato la piramide e hanno conquistato la cima. In questa fase di transizione, in cui si registra un cambiamento di equilibrio tra poteri, molte aziende, preferisco chiudersi in vece di accettare con coraggio la sfida. Le perplessità sono legate alla paura di non potere controllare i messaggi negativi e di non essere in grado di difendersi da eventuali “attacchi” della concorrenza. Come posso identificare in maniera univoca l’identità digitale del mio cliente? Come posso gestire le obiezioni in maniera proattiva?

I socialytics secondo IDC

Nel momento in cui le piattaforme sociali vengono sempre più utilizzate dalle aziende per servizi e attività B2B e B2C, monitorare il comportamento degli utenti attraverso tecniche analitiche permette di estrarre reale valore dal “social web”. La voglia di capire come misurare l’impatto del social marketing sul business delle aziende ha catalizzato l’attenzione dei CIO, responsabili IT e responsabili marketing e manager di prodotto, esperti di ADV che hanno partecipato in modo molto attivo all’intenso programma dell’agenda della Socialytics Conference 2013 di IDC, determinando il successo dell’evento anche in termini di iscrizioni.

«L’universo digitale – spiega Giancarlo Vercellino, IT Research & Consulting manager di IDC Italia – sta crescendo, a un ritmo del 50% all’anno. Nel 2015, il volume dei contenuti digitali sfiorerà gli 8 ZB. Il 90% di questo volume è prodotto da dati non strutturati, per lo più generati proprio attraverso i social media. Si tratta di dati carichi di informazioni importanti, ma più difficili da analizzare e comprendere. Ciò comporta non solo l’adozione di specifici strumenti di analisi, ma anche un ripensamento a livello infrastrutturale e applicativo per rispondere alla necessità di raccogliere ed elaborare tutto questo universo destrutturato, integrandolo con sistemi aziendali di CRM, di collaborazione, di ERM e magari con soluzioni di business analytics».

Secondo la survey sui Social Media Analytics in Italia condotta da IDC, in collaborazione con Digital Marketing Lab, le aziende con elevate capacità di spesa sono maggiormente interessate alla misurazione della notorietà sui social, quindi alla costruzione di un’immagine positiva del brand, mentre le aziende con limitate opportunità di marketing spending sono maggiormente orientate a misurare aspetti quali la soddisfazione del cliente.

Nella tavola rotonda moderata da Leonardo Bellini, fondatore di Digital Marketing Lab (www.digitalmarketinglab.it), con la partecipazione di Gianpio Prencipe, CIO di Macron Technical Sportswear e di Luca Schibuola, Digital Marketing manager di Banca IFIS è emerso un dato interessante: «Non basta introdurre un nuovo sistema di analitycs in azienda. Bisogna preparare il terreno e abbattere gli ostacoli culturali, organizzativi e tecnologici. Un punto chiave è far parlare le persone e i sistemi tra loro, ripensando anche al ruolo dell’IT». Per Gianpio Prencipe di Macro l’e-commerce dell’azienda è «cresciuto grazie anche al coinvolgimento della piattaforma social, ma è necessaria più sinergia tra IT e marketing». Dello stesso parere anche Luca Schibuola di Banca IFIS, che ha rilevato il ruolo dei social media analytics per creare valore anche nel finance».

Anche in Italia si sta diffondendo la cultura del social media marketing. Sempre di più i direttori marketing credono che il social media marketing sia un o strumento utile per aumentare la visibilità, sondare e conoscere meglio il mercato, fidelizzare la clientela. Pochi sono ancora convinti che possa essere uno strumento capace di incrementare le vendite. Ma per capire che valorizzazione quantitativa e qualitativa degli eventi sociali e digitali nell’era del big data non solo è possibile, ma a portata di mano, bisogna fare un salto di qualità, non solo tecnologico, ma anche culturale.

Misurare i socialytics

Ma perché misurare i Social Media Analytics? Per Giancarlo Vercellino, la risposta è semplice: «Perché sta emergendo un nuovo paradigma competitivo. Perché i social media sono una nuova leva di marketing strategico. Perché esistono strumenti per valorizzare le dimensioni più intangibili e perché una fetta sempre più rilevante della vita delle persone transita sui social network». Facebook ha 850 milioni di utenti attivi mensili.

Nel 2012 sono stati inviati 175 milioni di tweet. Sui social network esistono meno di quattro gradi di separazione. Secondo Vercellino, il nuovo mercato è la realizzazione del vecchio villaggio globale. «Le imprese devono agire come media company. Bisogna ridisegnare la value chain aziendale guardando al mercato che diventa sempre più un audience. I social media danno ai clienti il potere enorme di parlare del brand. I socialytics consentono di misurare e interpretare i social data, i dati su profili, i dati di connessione e i dati di interazione con metriche di sentiment analysis, reputation, conversation, virality. Ma non bisogna misurare solo per il piacere di farlo. L’obiettivo delle aziende deve essere quello di migliorarsi. Non esiste una sola strategia vincente sui social media, ma i marketing manager devono avere ben chiara qual è la propria. Misurare significa mettersi in discussione ed è un’operazione solo per i più coraggiosi».

L’ombra & l’albero

Max Ardigò, consulente di trasformazione digitale di IBM Italia (www.ibm/com/it) – venti anni di esperienza nella direzione creativa e più di dieci anni nell’organizzazione di progetti digitali – ricorre alla metafora dell’ombra e l’albero per spiegare che quello che la gente dice sulle piattaforme social non è dato una volte per tutte, ma si evolve, si sposa (come l’ombra). «I comportamenti – spiega Ardigò – sono ciò che le persone fanno concretamente e rappresentano – invece – il fusto dell’albero con i suoi rami e le sue foglie. Per avere senso, ogni azione dei social marketing deve tenere insieme queste due dimensioni per avere una visione unificata della realtà dei customer e dei prospect di un’azienda».

Nell’era dei big data, le imprese possono dare un valore quantitativo e qualitativo a ogni evento social. Molti si fanno domande su cosa i consumatori sarebbero disposti a fare per avere valore in cambio. Per Ardigò, la stessa domanda bisognerebbe rivolgerla anche alle imprese. «In molte organizzazioni, il marketing è ancora dissociato. Esiste una separazione tra IT e marketing. Bisogna – invece – puntare sull’unificazione delle competenze tra CIO e CMO, cambiando prospettiva, creando un nuovo database di marketing integrato. L’analisi qualitativa individuale e della relazione personale effettuata in tempo reale e cross-canale può moltiplicare per sette l’efficacia di ogni singola azione di marketing tradizionale». A tutti coloro che sostengono che non è possibile misurare il ROI del social marketing Max Ardigò rivolge l’invito chiaro di toccare con mano. «I nostri clienti lo stanno facendo» – dice Ardigò. «Quando il cliente vuole investire per trasformare il proprio business, IBM è al fianco delle imprese per fare innovazione».

Il valore del Social Enabled Marketing

Il cliente di oggi utilizza un numero sempre maggiore di canali di contatto digitali (social network, blog, forum, siti internet…) nella sua relazione con le aziende, esprimendo sul web liberamente e senza alcuna costrizione, le proprie opinioni e condividendo le proprie esperienze su brand, prodotti e qualità dei servizi dell’azienda e della competition.

Molte aziende si sono rese conto che le tecniche tradizionali di customer insight da sole non sono sufficienti a catturare tutti i fattori che influenzano la decisione di acquisto o abbandono di un cliente. Da qui, l’importanza di acquisire e analizzare la ricchezza dei dati social per ricavare una migliore conoscenza del cliente – un profilo comportamentale completo basato sulle informazioni dei canali online e offline – e utilizzare tale conoscenza, spesso nascosta tra i dati, per guidare una strategia di marketing efficace, personalizzata e consistente attraverso tutti i touch point.

Per Maria Carla Snaiderbaur, Business Solutions leader – Integrated Marketing Management Solution di SAS Italia (www.sas.com), non è facile isolare l’impatto del social marketing, ma l’effetto è innegabile. Sfruttare la ricchezza dei dati social significa incrementare i ritorni delle azioni di marketing e migliorare la customer experience. Per sfruttare appieno i canali social occorre disporre di strumenti di misurazione di ciò che accade. Analizzare i dati testuali presenti nel mondo social produce conoscenza e genera valore. Le imprese devono aprire il dialogo social. Devono imparare ad ascoltare e capire come interagire con il cliente senza farlo sentire un bersaglio.

«Per conoscere i clienti – dice Maria Carla Snaiderbaur – occorre attingere a molte fonti informative, integrarle e arricchirle di intelligence analitica. Per fare il salto di qualità bisogna integrare il mondo social con il CRM per avere una visione univoca del cliente, arricchendo le tecniche tradizionali di data mining in ottica social. Questo significa conoscere i propri clienti in modo così approfondito da riuscire a contattarli solo quando e come loro desiderano. Non sto parlando dell’importanza di avere una pagina sui social network, ma di come la uso. Troppo spesso ancora ci si focalizza sulle metriche sbagliate quali “likes”, “fan, “follower”. Queste metriche non rivelano niente di sostanziale. Pochi – ancora sono in grado di sapere come viene percepito il proprio brand e come si posiziona in confronto alla concorrenza, chi sono gli utenti “influencer” e chi quelli “influenced” e veramente pochissimi  sono in grado di legare queste informazioni  ai clienti presenti nel proprio database di marketing».

Quanto alla possibilità di misurare l’impatto dei social analytics,Maria Carla Snaiderbaurha le idee molto chiare. «L’esperienza di SAS suggerisce che non è tanto importante isolare l’effetto che il social marketing ha sul ROI, ma è importante valutare l’effetto sinergico che le diverse componenti hanno nel raggiungimento degli obiettivi di business dell’azienda».

L'articolo L’esperienza è tutto proviene da Data Manager Online.

Nel momento in cui le piattaforme sociali vengono sempre più utilizzate dalle aziende per servizi e attività B2B e B2C, monitorare il comportamento degli utenti attraverso tecniche analitiche permette di estrarre reale valore dal “social web”. La voglia di capire come misurare l’impatto del social marketing sul business delle aziende ha catalizzato l’attenzione dei CIO, responsabili IT e responsabili marketing e manager di prodotto, esperti di ADV che hanno partecipato in modo molto attivo all’intenso programma dell’agenda della Socialytics Conference 2013 di IDC (#IDCSocialytics13 – www.idcitalia.com), determinando il successo dell’evento anche in termini di iscrizioni.

«L’universo digitale – spiega Giancarlo Vercellino, IT Research & Consulting manager di IDC Italia – sta crescendo, a un ritmo del 50% all’anno. Nel 2015, il volume dei contenuti digitali sfiorerà gli 8 ZB. Il 90% di questo volume è prodotto da dati non strutturati, per lo più generati proprio attraverso i social media. Si tratta di dati carichi di informazioni importanti, ma più difficili da analizzare e comprendere. Ciò comporta non solo l’adozione di specifici strumenti di analisi, ma anche un ripensamento a livello infrastrutturale e applicativo per rispondere alla necessità di raccogliere ed elaborare tutto questo universo destrutturato, integrandolo con sistemi aziendali di CRM, di collaborazione, di ERM e magari con soluzioni di business analytics».

Secondo la survey condotta da IDC, in collaborazione con Digital Marketing Lab, sui Social Media Analytics in Italia, le aziende con elevate capacità di spesa sono maggiormente interessate alla misurazione della notorietà sui social, quindi alla costruzione di un’immagine positiva del brand, mentre le aziende con limitate opportunità di marketing spending sono maggiormente orientate a misurare aspetti quali la soddisfazione del cliente.

MISURARE I SOCIALYTICS

Ma perché misurare i Social Media Analytics? Per Giancarlo Vercellino, la risposta è semplice: «Perché sta emergendo un nuovo paradigma competitivo. Perché i social media sono una nuova leva di marketing strategico. Perché esistono strumenti per valorizzare le dimensioni più intangibili e perché una fetta sempre più rilevante della vita delle persone transita sui social network». Facebook ha 850 milioni di utenti attivi mensili. Nel 2012 sono stati inviati 175 milioni di tweet. Sui social network esistono meno di quattro gradi di separazione. Secondo Vercellino, il nuovo mercato è la realizzazione del vecchio villaggio globale. «Le imprese devono agire come media company. Bisogna ridisegnare la value chain aziendale guardando al mercato che diventa sempre più un audience. I social media danno ai clienti il potere enorme di parlare del brand. I socialytics consentono di misurare e interpretare i social data, i dati su profili, i dati di connessione e i dati di interazione con metriche di sentiment analysis, reputation, conversation, virality. Ma non bisogna misurare solo per il piacere di farlo. L’obiettivo delle aziende deve essere quello di migliorarsi. Non esiste una sola strategia vincente sui social media, ma i marketing manager devono avere ben chiara qual è la propria. Misurare significa mettersi in discussione ed è un’operazione solo per i più coraggiosi».

L’OMBRA & L’ALBERO

Max Ardigò, consulente di trasformazione digitale di IBM Italia ricorre alla metafora dell’ombra e l’albero per spiegare che quello che la gente dice sulle piattaforme social non è dato una volte per tutte, ma si evolve, si sposa (come l’ombra). «I comportamenti – spiega Ardigò – sono ciò che le persone fanno concretamente e rappresentano – invece – il fusto dell’albero con i suoi rami e le sue foglie. Per avere senso, ogni azione dei social marketing deve tenere insieme queste due dimensioni per avere una visione unificata della realtà dei customer e dei prospect di un’azienda». Nell’era dei big data, le imprese possono dare un valore quantitativo e qualitativo a ogni evento social. Molti si fanno domande su cosa i consumatori sarebbero disposti a fare per avere valore in cambio. Per Ardigò, la stessa domanda bisognerebbe rivolgerla anche alle imprese. «In molte organizzazioni, il marketing è ancora dissociato. Esiste una separazione tra IT e marketing. Bisogna – invece – puntare sull’unificazione delle competenze tra CIO e CMO, cambiando prospettiva, creando un nuovo database di marketing integrato. L’analisi qualitativa individuale e della relazione personale effettuata in tempo reale e cross canale può moltiplicare per sette, l’efficacia di ogni singola azione di marketing tradizionale». A tutti coloro che sostengono che non è possibile misurare il ROI del social marketing Max Ardigò rivolge l’invito chiaro di toccare con mano. «I nostri clienti lo stanno facendo» – dice Ardigò. «Quando il cliente vuole investire per trasformare il proprio business, IBM è al fianco delle imprese per fare innovazione».

IL SALTO DI QUALITÀ

Per Maria Carla Snaiderbaur, Business Solutions leader – Integrated Marketing Management Solution di SAS Italia, non è facile isolare l’impatto del social marketing, ma l’effetto è innegabile. Sfruttare la ricchezza dei dati social significa incrementare i ritorni delle azioni di marketing e migliorare la customer experience. Per sfruttare appieno i canali social occorre disporre di strumenti di misurazione di ciò che accade. Analizzare i dati testuali presenti nel mondo social produce conoscenza e genera valore. Le imprese devono aprire il dialogo social. Devono imparare ad ascoltare e capire per interagire e colpire il bersaglio. Per conoscere – oggi – i clienti, occorre attingere a molte fonti informative, integrarle e arricchirle di intelligence analitica. Per fare il salto di qualità bisogna integrare il mondo social con il CRM per avere una visione univoca del cliente, arricchendo le tecniche tradizionali di data mining in ottica social. Questo significa conoscere i propri clienti in modo così approfondito da riuscire a contattarli solo quando e come loro desiderano. Non sto parlando dell’importanza di avere una pagina sui social network, ma di come la uso. Troppo spesso ancora ci si focalizza sulle metriche sbagliate quali “likes”, “fan, “follower”. Queste metriche non rivelano niente di sostanziale. Pochi – ancora sono in grado di sapere come viene percepito il proprio brand e come si posiziona in confronto alla concorrenza, chi sono gli utenti “influencer” e chi quelli “influenced” e veramente pochissimi sono in grado di legare queste informazioni ai clienti presenti nel proprio database di marketing».

L'articolo Socialytics = Social+Big Data+Analytics proviene da Data Manager Online.

Il mondo delle TLC assiste a una costante evoluzione dello scenario delle frodi. La gestione corretta dei fenomeni fraudolenti non puo’ prescindere dal corretto uso dell’IT. In Telecom Italia, abbiamo re-ingegnerizzato le architetture di detection. Per rispondere all’aumento di complessità delle frodi, abbiamo integrato i processi di identificazione con nuove regole di controllo, interpolando i profili dei clienti con i modelli predittivi e di data mining. Il progetto ha preso la sua forma definitiva nel corso del 2012 e ci ha permesso di raccogliere segnali chiari e benefici misurabili derivanti dall’applicazione delle logiche innovative di data mining. Oggi, copriamo la totalità dell’offerta di rete fissa Telecom Italia. I risultati, dal punto di vista qualitativo, si traducono in un recupero sostanziale di efficienza e di efficacia. In fase di test – grazie agli algoritmi basati su logica georeferenziata delle richieste di acquisto e che utilizzano anche variabili socio-demografiche e indicatori interni Telecom – abbiamo individuato fino all’80-85% dei casi, caratterizzati da alto rischio frode. I motori di data mining ci hanno permesso di trovare relazioni inedite tra i soggetti e i comportamenti fraudolenti, individuando modelli di contrasto più efficaci. Quando i margini di guadagno si assottigliano perché la concorrenza si fa agguerrita, i comportamenti fraudolenti possono erodere alla base gli sforzi di una intera campagna di marketing. Si tratta di una minaccia subdola che le aziende non si possono più permettere di ignorare o considerare fisiologica. Oggi, la lotta alle frodi diventa strutturale. La collaborazione tra divisioni e la condivisione della conoscenza all’interno della squadra sono fattori decisivi per contrastare con successo il fenomeno delle frodi. Gli strumenti sono importanti, il fattore umano resta critico. Anche i comportamenti individuali sono importanti. Cambiare le logiche di detection significa innovare le architetture IT e le modalità di lavoro, adottando strumenti in grado di far emergere relazioni nascoste. L’intromissione abusiva nel sistema informatico e telematico di un operatore telefonico determina l’acquisizione e l’utilizzo fraudolento delle credenziali di accesso riservate. L’attivazione di promozioni non autorizzate su diverse utenze telefoniche permette, per esempio, di monetizzare illecitamente il traffico telefonico con un danno economico rilevante. Sono due le direttrici principali del fenomeno: furto di identità e furto di traffico e di prodotti. Per rispondere a queste minacce, abbiamo organizzato una task force di esperti, adottando strumenti analitici innovativi in grado di prevenire e individuare i comportamenti fraudolenti, prima che diventino un rischio concreto. Eravamo abituati a intercettare le frodi attraverso l’individuazione delle anomalie nel normale flusso di traffico telefonico o dei processi di commercializzazione. Si trattava in sostanza di una ricerca per eccezioni che erano subito evidenti. Oggi, il fenomeno è diventato molto più complesso. Con l’introduzione dell’offerta legata al prodotto o con l’abbassamento generalizzato delle tariffe, i picchi di traffico non sono più così evidenti e la frode si mimetizza e si “spalma” sulla curva media di traffico. Alla mimetizzazione, si aggiunge la frode da sottoscrizione che va intesa come furto di identità attraverso la stipula di contratti con dati che appartengono ad altri clienti ignari, oppure, di sottoscrizioni che simulano l’esistenza di soggetti che in realtà non esistono. Questi comportamenti sono difficili da monitorare in tempo reale, soprattutto in fase di commercializzazione sulla base di banche dati tradizionali, che rivelano solo se un soggetto è un buono o cattivo pagatore. L’azione di detection, quindi, deve rispondere ad altre logiche. La priorità della repressione frodi si focalizza sull’intercettazione preventiva dei comportamenti fraudolenti. Piuttosto che fare entrare “il ladro in casa” è opportuno prevenirne l’ingresso – verificando, in fase di acquisizione – che il cliente sia effettivamente un buon cliente, un buon pagatore e che soprattutto – dietro la richiesta di prodotti o servizi – non si nasconda un tentativo di furto di identità.

Cristoforo Lignola responsabile gestione frodi rete fissa di Telecom Italia

L'articolo Cambiare le logiche di detection proviene da Data Manager Online.