Con Internet of Things (IoT), sia industriale sia consumer, ci si sta spostando verso un mondo in cui non sarà raro vedere milioni di fonti di dati che generano dati da raccogliere, elaborare e analizzare. In effetti, sta già accadendo in alcuni settori come il manufacturing e l’oil and gas. Quando trenta anni fa nacque il data warehousing, con la pubblicazione del noto paper di Devlin e Murphy di IBM (“An architecture for a business and information system”, Devlin and Murphy, IBM Systems Journal Vol 27, N. 1, 1988), nessuno immaginava uno scenario di centinaia di fonti di dati, per non parlare di migliaia, centinaia di migliaia o milioni. Pertanto, furono creati strumenti di estrazione, trasformazione e caricamento (ETL, exact, transform and load) per accelerare lo sviluppo di processi di pulizia, trasformazione e integrazione dei dati senza che servisse scrivere codice per elaborare i dati.

Tuttavia, molti altri compiti erano ancora in larga misura manuali. Gli strumenti ETL hanno avuto molto successo nel migliorare la produttività, funzionando bene per numerose fonti di dati, ma oggi esistono differenze in termini di varietà, volume e velocità dei dati, e c’è anche stata un’esplosione nel numero di fonti di dati. Non solo: molte di queste fonti di dati provengono dall’esterno dell’azienda. Inoltre, sono ora necessari diversi tipi di carichi di lavoro analitici per produrre insight necessari, e sono emersi nuovi data store, oltre ai RDBMS analitici del data warehouse, ottimizzati per diversi tipi di analisi. Questi comprendono il cloud storage, i DBMS grafici NoSQL per l’analisi dei grafi, Hadoop e le piattaforme analytics e di streaming dati. Oggi, nelle aziende vi è un ampio spettro di attività analitiche che vanno oltre le query e il reporting nei data warehouse: vi sono il machine learning supervisionato (per esempio, per costruire modelli predittivi), quello senza supervisione (per i dati del cluster), il deep learning, l’elaborazione del linguaggio naturale, l’analisi dei grafi e lo streaming analytics. E molti di questi vengono ora eseguiti su larga scala su tecnologie come Apache Spark.

#IntelligenzaArtificiale per la gestione dei dati, ma servono nuove regole @mikeferguson1
Click To Tweet

Modello relazionale a fine corsa?

Si tratta sicuramente di un progresso, ma non mancano gli effetti collaterali, tra i quali vi è la complessità in termini di gestione dei dati. Ci sono numerosi data store, sono emerse migliaia di origini dati, i file intermedi sono ovunque e i dati si spostano in tutte le direzioni, dal cloud all’on premises e dall’on premises al cloud, dal NoSQL DBMS a Hadoop, da Hadoop a RDBMS e ritorno. Una cosa è certa: l’IT non sta tenendo il passo con le richieste del business. C’è bisogno di un cambio di passo nella produttività del software di gestione dei dati, che consenta di affrontare la complessità, aprendo al contempo la possibilità di coinvolgere analisti e data scientist in modo che l’IT e le imprese lavorino in modo collaborativo sugli stessi progetti per produrre dati attendibili per l’analisi. Le attività devono essere automatizzate per integrare velocemente nuovi dati e consentire l’elaborazione rapida. Inoltre, i risultati intermedi devono essere condivisi in modo che tutti sappiano cosa è stato o non è ancora stato prodotto. Per far questo, è necessario un software di gestione dei dati che sia smart, e che sia dotato di interfacce utente per l’IT e per il business, ma soprattutto che fornisca analisi integrate per automatizzare il rilevamento dei dati e la loro profilazione, la codifica semantica, la classificazione della governance dei dati, la catalogazione dei dati e persino la mappatura dei dati.

Data lake logici

Serve un riconoscimento automatico di dati comuni come il codice fiscale, i codici postali, i nomi, gli indirizzi, le date, gli orari e così via. Serve anche la correzione automatica dei dati e un software che abbia capacità di self learning, in modo da migliorare l’automazione e la produttività. Per eliminare il backlog, bisogna consentire alle persone del business che utilizzano la preparazione self-service dei dati e ai professionisti IT che utilizzano strumenti ETL di condividere le specifiche dei metadati e i set di dati intermedi in un ambiente di sviluppo collaborativo, il tutto integrato con un catalogo di informazioni. Perché ciò accada, bisogna che un catalogo di informazioni diventi centrale per tutto, in modo che tutti sappiano quali dati vi sono e dove sono. Nei cataloghi di informazioni, la discovery automatica esamina ogni singolo dato nel tentativo di individuare automaticamente i dati e il loro significato. I modelli predefiniti, quelli definiti dall’utente e gli analytics consentono di identificare automaticamente quali sono i dati, come denominarli, come classificarli a fini di governance e se si riferiscono ad altri dati già catalogati. Questo approccio di intelligenza artificiale è rapido e ideale per aiutare a creare e gestire i cosiddetti “data lake logici” che consistono in più data store, sia on premises sia nel cloud, nei quali i dati provengono spesso da fonti di dati il cui numero aumenta rapidamente, e potrebbero non essere ben compresi. La discovery automatica consente inoltre di scoprire i dati semi-strutturati, e potenzialmente può anche derivare automaticamente dati strutturati da dati non strutturati durante il processo di scoperta, per esempio tramite l’elaborazione del linguaggio naturale. Senza questo, non c’è modo di tenere il passo con la domanda. Questo approccio significa anche che la mappatura di dati disparati in vocabolari di business comuni può anche essere automatizzata, in modo che le aziende possano basarsi sul proprio investimento in un glossario di business oppure iniziarne uno.

#DaNonPerdere Data & Analytics Summit il 21e 22 giugno a Roma – @mikeferguson1 @techtran
Click To Tweet

Policy per una governance complessa

Per affrontare la governance dei dati in un panorama dati così complesso, è necessario definire le politiche e le regole una volta per tutte e applicarle ovunque in tutti i data store in cui compaiono gli stessi dati. Quello che serve è identificare quali dati vi sono e dove sono, classificare i dati (per esempio i dati personali identificabili), quindi taggarli in modo da sapere come governarli. Il passo successivo è collegare le regole alle policy e le policy ai tag. Pertanto, se i dati sono presenti in più data store, possono essere riconosciuti automaticamente, con ogni istanza dotata dello stesso tag semantico. Inoltre, ogni istanza di dati verrebbe probabilmente classificata allo stesso modo con un tag di governance per sapere come governarlo. Pertanto, la stessa policy si applicherebbe indipendentemente da dove si trovano i dati tra diversi data store sia on premises sia nel cloud. Il catalogo dovrebbe quindi sapere dove sono i dati, essere in grado di classificarli automaticamente, utilizzando l’intelligenza artificiale o consentire la classificazione manuale dei dati. Fornirebbe quindi le politiche e le regole per governarli in modo coerente su tutti i data store eterogenei. L’unico altro requisito è quello di disporre di motori di applicazione diversi in ciascuno di questi ambienti per applicare la stessa politica in più data store o per poter passare la policy e le regole su diverse tecnologie sottostanti, tramite l’interscambio di metadati. La buona notizia è che oggi tutto questo sta iniziando a essere implementato dai vendor che si occupano di gestione dati. La tendenza va sempre più verso software di gestione dati con intelligenza artificiale. Se la abbracciamo e la mettiamo all’opera in un panorama dati sempre più complesso, abbiamo buone possibilità di abbattere i muri tra IT e business, rimanendo agili e riducendo ancora il time-to-value.

Mike Ferguson

Managing director di Intelligent Business Strategies, è analista e consulente specializzato in business intelligence ed enterprise business integration. Con oltre trenta anni di esperienza in ambito IT, ha svolto consulenze per importanti aziende su temi quali la business intelligence, l’enterprise architecture, la business process integration, l’application integration e la data integration. Oltre a essere speaker in numerosi eventi e seminari in tutto il mondo, è anche autore di svariati articoli tecnici.

Mike Ferguson sarà il chairman del “Data & Analytics Summit 2018” di Technology Transfer il 21-22 giugno a Roma. Inoltre, presenterà il seminario “Enterprise Data Governance & Master Data Management” il 19-20 giugno.

L'articolo Vincere la complessità dei dati. È l’ora dello smart data management proviene da Data Manager Online.

Anche le fonti di dati crescono senza sosta, con dati di tutti i tipi che provengono sia dall’interno sia dall’esterno dell’azienda. Ma se le analisi sono necessarie quasi ovunque, gli approcci attuali per svilupparle sono lenti e costosi. Per supportare queste esigenze, il moderno mondo degli analytics si è allargato oltre il tradizionale data warehouse, per diventare un ecosistema che comprende numerosi data store e piattaforme ottimizzati per diversi tipi di carichi di lavoro: data warehouse, database NoSQL, piattaforme Hadoop, di cloud storage e di streaming analytics, oltre a tecnologie come Kafka, Apache Spark e Apache Flink. Alcuni fornitori come Cloudera e MapR, stanno cercando di posizionarsi come piattaforme dati in grado di effettuare tutto questo su un singolo sistema. Inoltre, molte aziende hanno creato team di data science per concentrarsi su specifici problemi di business, che analizzano i dati su diverse piattaforme sottostanti come Spark/Hadoop, i sistemi di elaborazione dei flussi dati e i RDBMS analitici che supportano i data warehouse. È per questo che tali team operano nell’ecosistema analitico su dati presenti in più depositi, cioè in quello che sta diventando un data lake logico distribuito e non un archivio unico di dati centralizzato.

L’esigenza di scalare a basso costo

La richiesta di nuovi dati e di nuovi tipi di analisi su un alto volume di dati multi-strutturati ha fatto sorgere anche l’esigenza di scalare a basso costo, cosa che a sua volta ha innescato la rapida adozione di tecnologie come Hadoop e Apache Spark per scalare i dati e l’elaborazione analitica. Inizialmente, l’adozione di queste tecnologie è stata lenta, ma oggi sono ormai mainstream, con molti diversi tipi di analytics che vengono sviluppati nei progetti di data science, utilizzati per analizzare i dati sia in ambito big data sia negli ambienti tradizionali. I tipi di analisi intrapresi comprendono il machine learning supervisionato e non supervisionato, l’analisi dei testi, l’analisi dei grafi, il deep learning e l’intelligenza artificiale. Molto probabilmente la crescita più rapida tra questi riguarda il machine learning: quello supervisionato per classificare (prevedere) e quello non supervisionato per descrivere i modelli nei dati, per esempio per raggruppare cluster simili in gruppi nella segmentazione dei clienti. Con il machine learning supervisionato, i dati vengono prima preparati e poi alimentati in un algoritmo per addestrarlo a predire correttamente un risultato. I possibili esempi sono prevedere l’abbandono dei clienti, cioè il churn, oppure i guasti ai macchinari. In questo caso, i dati vengono spesso suddivisi in dati di addestramento e di test, con un ulteriore subset tenuto indietro per vedere come un modello si comporta su dati totalmente invisibili dopo che è stato addestrato. Vi è una quantità di algoritmi che possono essere utilizzati per le previsioni: i data scientist svilupperanno tipicamente più modelli, ognuno con un algoritmo diverso, confrontando i risultati per trovare il più accurato. Il machine learning non supervisionato si ha quando viene eseguito un algoritmo sui dati senza alcuna formazione per trovare modelli nei dati. Un buon esempio qui è il clustering per raggruppare dati analoghi o il rilevamento di associazioni per l’analisi dei basket di mercato.

#DataScience Pronti per la conferenza di @techtran con @mikeferguson1 ? A Roma il 4-5 dic
Click To Tweet

Perché la data science può diventare un collo di bottiglia?

Tuttavia, gli attuali approcci allo sviluppo del modello analitico di machine learning hanno mostrato numerosi problemi. Per cominciare c’è una vera e propria carenza di data scientist qualificati che, anche se si riesce ad assumerli, diventano rapidamente preda degli head hunter. Anche lo sviluppo di modelli analitici è spesso lento, soprattutto sulle grandi piattaforme di dati sulle quali i data scientist preferiscono sviluppare tutto manualmente, scrivendo codice in linguaggi molto utilizzati come Java, R, Scala e Python. Ciò comporta che la funzione data science diventa un collo di bottiglia, con un conseguente backlog di analisi che devono ancora essere costruite. Anche il costo dello sviluppo è superiore a quello che dovrebbe o potrebbe essere perché la data science viene spesso suddivisa su persone diverse, talvolta utilizzando approcci di sviluppo incoerenti, oltre a librerie e strumenti diversi. Ciò porta a una frammentazione di competenze distribuite in maniera esigua su troppe tecnologie. Questo limita anche il riutilizzo e la condivisione di set di dati e modelli. La manutenzione diventa quindi un problema, il costo aumenta e non esiste un programma integrato di attività analitica. Tutto ciò impedisce l’agilità e aggiunge complessità. Inoltre, con il ritmo di sviluppo lento, la data science può diventare un collo di bottiglia, il che a sua volta può far sì che gli analytics già in esecuzione rallentino in quanto le persone vengono trattenute su altre attività di sviluppo connesse al backlog di cui si diceva poco sopra. Inoltre, una funzione data science frammentata ed eccessivamente complessa può anche portare a una preparazione dei dati self-service non gestita, se i team adottano approcci diversi. Ciò avviene soprattutto nel caso in cui tutto venga codificato a mano senza una linea di metadati e senza alcun modo per sapere come è stato preparato il dato. Anche la produttività e la governance soffrono, con impatti negativi sul time-to-value.

Come risolvere tutto questo?

La risposta è quella di accelerare la funzione data science automatizzando lo sviluppo di modelli predittivi. Non a caso, stanno emergendo molte nuove tecnologie di questo tipo, come per esempio DataRobot, Tellmeplus e IBM Data Science Experience. E anche Google sta percorrendo questa strada. L’automazione del machine learning consente di costruire e confrontare rapidamente modelli predittivi e permette ai business analyst che non hanno skill specifici di diventare data scientist a tutti gli effetti. Ma permette anche di integrare modelli, costruiti sia automaticamente sia in maniera personalizzata, in un programma comune di tipo campione/sfidante, in modo da coordinare e gestire tutti i progetti di machine learning da un unico punto.

Per valutare gli strumenti di automazione del machine learning, alcuni dei requisiti chiave da prendere in considerazione sono:

• Project management e allineamento con la strategia di business.
• Sviluppo e condivisione collaborativi.
• Integrazione con un catalogo di informazioni per facilitare la ricerca dei dati da parte dei data scientist.
• Dare accesso a dati sulle piattaforme dei big data e di quelli normali, all’interno o all’esterno dell’azienda.
• Supporto per una facile esplorazione e profilazione dei dati.
• Preparazione dati self-service di terze parti incorporata e integrata.
• Possibilità di automatizzare o definire manualmente i set di dati per formare e convalidare i modelli.
• Possibilità di automatizzare la selezione variabile per l’input a un algoritmo di machine learning.
• Capacità di creare, formare e convalidare automaticamente più modelli candidati usando diversi algoritmi.
• Supporto per una formazione interattiva per una maggiore precisione.
• Possibilità di includere algoritmi dalle librerie di terze parti per integrare tecnologie e formare modelli candidati da una piattaforma comune.
• Capacità di integrare modelli personalizzati costruiti in diversi linguaggi in notebook interattivi come Zeppelin e Jupyter.
• Capacità di confrontare facilmente l’accuratezza predittiva di più modelli candidati.
• Possibilità di selezionare e implementare facilmente modelli per il consumo da parte di altre applicazioni e strumenti.
• Possibilità di implementare facilmente modelli in diversi ambienti di esecuzione, per esempio in cloud, Spark, database, Hadoop o stream.
• Capacità di creare una “fabbrica” di machine learning non solo per industrializzare lo sviluppo, ma anche per automatizzare il monitoraggio della precisione del modello e la manutenzione e l’aggiornamento dei modelli esistenti.

#BigData #DataScience Una “fabbrica” di machine learning @techtran @mikeferguson1
Click To Tweet

Mike Ferguson

Managing director di Intelligent Business Strategies Ltd, analista e consulente specializzato in Business Intelligence ed Enterprise Business Integration. Con oltre trenta anni di esperienza in ambito IT, ha svolto consulenze per importanti aziende su temi quali la Business Intelligence, l’Enterprise Architecture, la Business Process Integration, l’Application Integration e la Data integration. Oltre a essere frequentemente speaker in numerosi eventi e seminari in tutto il mondo, è anche autore di svariati articoli tecnici.

Mike Ferguson sarà a Roma per Technology Transfer il chairman della Conferenza “Big Data & Data Science International Conference 2017” il 4-5 dicembre 2017. Presenterà inoltre i seminari “Predictive e Advanced Analytics” il 9-10 ottobre 2017, “Progettare, costruire e gestire un Enterprise Data Lake” il 6-7 dicembre 2017 e “Big Data e Analytics: dalla strategia all’implementazione” il 13-14 dicembre 2017.

L'articolo Big data e analytics. Se il machine learning accelera anche la data science proviene da Data Manager Online.

Siamo quasi a metà del 2017 e mai titolo di libro fu più appropriato, anche se pubblicato dieci anni fa. Si tratta di “Competing on Analytics, the New Science of Winning”, di Jeanne G. Harris e Thomas H. Davenport. Senza dubbio competere sugli analytics è un tema al centro della strategia di business di quasi tutte le aziende che cercano di sopravvivere nel medio-lungo termine. Dalla mia personale esperienza, direi che avere una vista unica sul cliente e rispettare la privacy dei dati sono le due priorità in quasi tutti i settori in Europa. La privacy è dominata dal regolamento GDPR, General Data Privacy Regulation, che sarà applicabile in ogni paese membro a partire dal maggio 2018, cioè tra poco più di un anno. Non sorprenderà quindi sapere che molte aziende stanno rivedendo le loro priorità per arrivare a essere in regola in tempo. La governance dei dati nell’area dell’Unione europea sarà dominata dal GDPR da qui a maggio 2018, principalmente per quanto riguarda le informazioni di identificazione personale (PII, Personal Identifiable Information), che concernono in primo luogo i clienti e i dipendenti.

L’esigenza di capire veramente ogni cliente è diventata fondamentale per la sopravvivenza delle aziende per una ragione molto semplice: ora comandano i clienti. I device mobili, Internet, i motori di ricerca, i social e i siti web di recensioni hanno reso onnipotenti i clienti, anche quelli potenziali, che possono facilmente trovare prodotti e servizi concorrenti a quello che offre una determinata azienda, e possono anche confrontare facilmente offerte alternative e verificarne la qualità. E possono farlo anche quando sono in giro: oggi, è facilissimo per i clienti guardarsi attorno ed essere ben informati prima di acquistare. E davvero non fa differenza se è B2C o B2B. Il potere che i clienti hanno a portata di mano è enorme.

Il mondo digitale non ha pietà

Quindi, se ci si sta basando unicamente sulla “buona fede” per mantenere i clienti, semplicemente perché hanno comprato da noi in passato, allora probabilmente ci si prospetta un brusco risveglio. Il mondo digitale non ha pietà: ha fornito la reperibilità, la convenienza, la rapidità e l’automazione. Ma la fedeltà è diventata a buon mercato, e i clienti se ne andranno se trovano un prodotto o un servizio migliore altrove: la lotta per la sopravvivenza non è mai stata così serrata.

Le aziende devono quindi fare quanto in loro potere per competere, tramite una conoscenza più approfondita dei loro clienti: hanno bisogno di una vista unica su ogni singolo cliente. L’aspettativa dei clienti è che l’azienda abbia una conoscenza comune su di loro sempre aggiornata in tempo reale e su tutti i canali, e che sia in grado di offrire a ciascuno di loro prodotti e servizi personalizzati. Per inciso, sembra strano che sto scrivendo qui circa la necessità di una vista unica del cliente, quando posso ricordare di aver usato la stessa identica espressione vent’anni fa, quando parlavo di realizzare un data warehouse.

Ma allora, cosa è cambiato?

La prima cosa da capire è che la creazione di una vista unica del cliente significa andare ben oltre lo storico delle transazioni dei clienti che potrebbero essere disponibili in un tipico data warehouse. Oggi, c’è bisogno di molto più di quello, perché del cliente occorre conoscere esigenze, desideri, intenzioni, opinioni, e anche i rapporti con le altre persone, i luoghi e le cose. Non solo: bisogna anche capire con chi interagiscono nei social network, chi sono gli influencer in ciascuno dei social network in cui sono, qual è il loro comportamento online e come si differenzia dagli altri clienti. Di più: bisogna comprendere come il cliente utilizza il prodotto, e come tutto questo cambia nel tempo, e bisogna creare profili arricchiti molto più completi, acquisendo e analizzando nuovi dati per ricavare insight diversi, e integrare ciò che si trova con quello che già si conosce. Inoltre, ogni profilo cliente “arricchito” ha bisogno di essere collegato a tutte le attività di marketing associate a tale cliente, in modo che sia possibile determinare se le campagne sono riuscite a mantenere e aumentare il valore, e a sviluppare la base clienti.

Come Costruire un #DataLake con @mikeferguson Roma, 2-3 maggio 2017 @techtran
Click To Tweet

La business intelligence non basta

Ma tutto questo non si può fare solo con la BI: query e reporting non bastano. Servono gli analytics, per essere in grado di segmentare la base di clienti in maniera sensata, per prevedere il tasso di abbandono (il churn rate) e per tenere traccia delle modifiche nei livelli di tale tasso nel corso del tempo. È necessario essere in grado di prevedere gli acquisti al fine di promuovere marche specifiche e per fare le raccomandazioni giuste in tempo reale e in modalità batch, e per migliorare il valore per il cliente attraverso il cross-selling e l’up-selling. È necessario tenere traccia di ogni interazione con il cliente in tutti i canali nel corso del tempo, in modo che il cliente sia tenuto a conoscenza di tutti e tutto su base continuativa. È anche necessaria l’analytics dei testi per capire le opinioni, oltre all’analisi dei grafi per comprendere le relazioni e trovare influencer nei social network.

Se le aziende intendono seriamente far questo, allora i dati interni ed esterni devono essere acquisiti, puliti e integrati. I dati dei clienti non possono essere incoerenti. Se sono incoerenti in tutti i canali, allora come ci si può aspettare di fare cross-selling o up-selling con successo? La vista unica del cliente consiste nell’acquisire tutti i tipi di dati e sfruttare le analisi più adatte a ricavare i necessari insight: servono il machine learning, l’analisi dei testi, quella dei grafi e quella dei clickstream. Servono un rapido streaming dei dati su base continuativa e un’analisi in tempo reale per monitorare, prevedere e rispondere in modo agile. E c’è bisogno di fare questo in un mondo self-service dove le questioni di governance sono importanti e dove le regole sulla privacy e l’utilizzo dei dati sono rispettate.

Ma c’è anche bisogno di agilità

Con tutto questo lavoro da fare, bisogna liberare le persone che lavorano nel data warehousing tradizionale per spostarle a nuovi tipi di lavoro analitici. Sono passati quasi trent’anni dal primo paper sul data warehousing di Devlin e Murphy, del 1988. Sappiamo come realizzare i data warehouse e abbiamo introdotto maggiore agilità in loro, oltre ad averne automatizzato lo sviluppo. La progettazione di data vault e di data mart virtuali al posto di quelli fisici, e l’automazione del data warehouse sono tutti ormai necessari per migliorare l’agilità. Servono dati coerenti e affidabili di alta qualità in un mondo self-service. Non si tratta di un self-service gratuito per tutti. Dati coerenti su prodotti e servizi, preferenze di privacy dei clienti, preferenze di canale dei clienti, informazioni di contatto con i clienti, le relazioni sociali, i rapporti personali e aziendali: sono tutti necessari se vogliamo migliorare l’efficacia. Abbiamo anche bisogno di arricchire i dati dei clienti ricavando attributi aggiuntivi dai loro social media e dai siti web di tipo open government.

Oltre il data warehousing

C’è molto da fare per creare una singola vista del cliente. E va ben oltre il data warehousing. Non deve sorprendere che la sete di nuovi dati da analizzare sia aumentata moltissimo. Una crescita dei ricavi, che sia anche redditizia, dipende sempre più da nuovi dati e da nuove analisi per ottimizzare l’efficacia di marketing, vendite e attività di canale. Non ci resta che canalizzare questa energia ed entusiasmo in più progetti di analisi orientate al cliente, ma sempre con un occhio alla governance dei dati e alla conformità al GDPR. Bisogna infine aumentare gli investimenti negli analytics per fornire insight fruibili sui clienti a tutti i canali contemporaneamente, e integrare gli analytics negli strumenti e nelle applicazioni di business intelligence.

Mike Ferguson

Managing director di Intelligent Business Strategies Ltd. Analista e consulente, specializzato in Business Intelligence ed Enterprise Business Integration. Con oltre trenta anni di esperienza in ambito IT, ha collaborato per importanti aziende in materia di BI, Enterprise Architecture, Business Process Integration, Application Integration e Data Integration. Speaker in numerosi eventi e seminari in tutto il mondo, è anche autore di molti articoli tecnici. Mike Ferguson sarà il chairman della Conferenza di Technology Transfer “International Data, Business Intelligence e Analytics Conference: Costruire la Data Driven Smart Enterprise” il 22-23 giugno 2017. Presenterà inoltre i seminari “Costruire un Enterprise Data Lake” il 2-3 maggio 2017, “Predictive e Advanced Analytics” il 4-5 maggio 2017, “Big Data e Analytics: dalla strategia all’implementazione” il 5-6 giugno 2017 e “Enterprise Data Governance e Master Data Management” il 7-8 giugno 2017.

L'articolo Dati, business intelligence e analytics. La vera linfa vitale per la sopravvivenza nel mercato proviene da Data Manager Online.

Recentemente ho svolto una ricerca in Europa sulle priorità di business nei diversi settori verticali, e ne ho ricavato che sono tre gli aspetti che dominano quasi ogni tipo di attività. Prima di tutto, la necessità di diventare customer centric e migliorare il coinvolgimento dei clienti attraverso tutti i canali. Poi, la necessità di ottimizzare le operazioni di business. Infine, la necessità di investire in termini di privacy e sicurezza dei dati, allo scopo di rimanere in regola con la nuova normativa dell’Unione europea sulla protezione dei dati (GDPR, General Data Protection Regulation), che le aziende devono essere in grado di garantire da maggio 2018. I primi due aspetti non dovrebbero costituire una sorpresa: dopotutto, hanno chiaramente a che fare con i margini di profitto, visto che l’attenzione al cliente serve per proteggere e aumentare i ricavi, mentre ottimizzare le operazioni attiene all’efficienza e alla riduzione dei costi. La sorpresa è forse il rapido aumento dell’importanza della privacy dei dati, causata senza dubbio dall’introduzione della nuova normativa da parte del Parlamento europeo. E questo obbligo si è imposto sulle aziende a fianco dei primi due, che sono puramente di tipo business driven. Tuttavia, tutti e tre sono aspetti che richiedono forti investimenti nella gestione dei dati, nei big data e negli analytics: è quindi il caso di dare un’occhiata a ciascuno di questi in maniera più dettagliata.

La centralità del cliente

Per quanto riguarda la centralità del cliente, l’obiettivo è quello di mantenere e far crescere la base di clienti, offrendo prodotti e servizi personalizzati e competitivi, uniti a un servizio clienti di elevata qualità. Questo impone che le aziende acquisiscano la massima conoscenza dei propri clienti, che vada ben oltre gli insight ricavati dall’analisi storica delle transazioni presenti nei data warehouse e nei data mart, in quanto comporta invece la cattura e l’analisi di molti più dati provenienti da fonti interne ed esterne. Un esempio potrebbe essere quello dei dati dei social media, da cui si possono ricavare le opinioni dei clienti e le reti di amici e influencer per ciascun cliente. Altri esempi potrebbero essere i dati riguardanti la posizione delle persone, i dati meteo e o quelli di tipo open government, che possono fornire una comprensione più profonda circa i comportamenti di acquisto e i fattori in grado di influenzare le vendite. Acquisire una comprensione del parere dei clienti sul proprio brand e sui propri prodotti richiede la raccolta e l’analisi di dati di testo dai social media e l’osservazione dei siti web, mentre per comprendere il comportamento online dei clienti vanno esaminati i clickstream dai web log. Però, catturare ogni click e ogni tocco di un schermo del telefono cellulare può rivelarsi impegnativo, visto che questo tipo di dati può essere molto ampio in volumi, a maggior ragione se si prevede anche di acquisire i dati intermedi del carrello della spesa che portano a un acquisto, per identificare i prodotti di interesse potenziale che sono stati guardati ma non acquistati, o che sono stati messi nel carrello ma poi tolti.

Inoltre, se si desidera offrire consigli personalizzati quando un cliente o un potenziale cliente si trova in linea, i dati di log devono essere catturati, preparati e analizzati in tempo reale mentre le persone navigano: di nuovo, si tratta di un compito impegnativo che richiede massima scalabilità. Non solo: se si intende monitorare la posizione del cliente in continuo, è necessario raccogliere rapidamente i dati del sensore GPS dallo smartphone dei clienti, nel momento in cui sono generati. Il punto qui è che se le aziende vogliono disporre di una vista unificata e completa di un cliente, hanno bisogno di nuovi dati, e questo può portare a nuove sfide, che possono comportare il ricorso a molteplici piattaforme analitiche, una sola delle quali è il data warehouse. C’è bisogno di analytics più avanzati, che devono essere in grado di scalare per gestire i notevoli volumi di dati e la loro rapidità. Inoltre, i dati possono dover essere integrati in scala per prepararli all’analisi, e se i nuovi insight sono il risultato di molteplici piattaforme analitiche, allora hanno bisogno di essere integrati per ogni cliente su queste piattaforme, in modo da fornire la necessaria visione unificata del singolo cliente. Ma non solo: per questa strategia è anche fondamentale un master data management per cliente. Questo, per impostazione predefinita, porta sotto i riflettori diverse altre esigenze di gestione dei dati, tra cui gestione delle identità, profilazione dei dati, standardizzazione, pulizia, arricchimento e corrispondenza, che sono fondamentali per fornire una vista unificata del cliente. La necessità di presentare una visione da diverse piattaforme analitiche sottostanti come una vista unificata e integrata per cliente è resa possibile dall’uso di software di virtualizzazione dei dati, per consentire ciò che alcuni chiamano “logical data warehouse”.

#bigdata #analytics @mikeferguson1 La lista delle priorità per gli investimenti
Click To Tweet

L’ottimizzazione delle business operations

Anche l’ottimizzazione delle operazioni di business comporta alcune sfide. Le aziende stanno cominciando a dotarsi di strumenti in modo da acquisire una comprensione più profonda di ciò che sta accadendo in un’area nella quale spesso non si è saputo molto. L’implementazione di sensori nelle linee di produzione e nelle operazioni di logistica comporta avere a disposizione nuovi dati per capire cosa succede in ogni fase della produzione, fino alla consegna del prodotto. Allo stesso modo, nell’ambito Oil & Gas, i sensori permettono di vedere dal vivo le operazioni di perforazione, di monitorare l’integrità dei pozzi e i flussi negli oleodotti. Tuttavia, questo tipo di dati è tipicamente generato a prezzi molto elevati. Inoltre, può essere memorizzato nel cloud, e questo comporta che la gestione dei dati deve comprendere sia l’on-premise sia lo storage in cloud.

Ma tutti questi dati vanno portati al centro del sistema per essere analizzati, oppure alcune delle analisi dovrebbero essere svolte molto più vicino al punto in cui i dati vengono generati? Io preferisco quest’ultima ipotesi, per diversi motivi. In primo luogo, non è saggio aspettare che tutti i dati vengano centralizzati prima di poterli analizzare. Individuare modelli in tempo reale, e agire su di essi via via che accadono, consente alle aziende di rispondere rapidamente per mantenere le operazioni sempre ottimizzate. In secondo luogo, non è saggio immettere tutti i dati sulla rete quando i sensori, per esempio, potrebbero emettere la stessa lettura a ogni intervallo, con piccole variazioni solo occasionalmente. Pertanto, solo una piccola percentuale di tali dati (che potrebbe comunque essere considerevole) è suscettibile di essere utilizzata nell’analisi. In terzo luogo, bisogna sempre essere in grado di scalare in questo tipo di ambienti, e il modo migliore per farlo è quello di distribuire gli strumenti di analisi nell’edge della rete.

La privacy dei dati

L’ultima priorità è la questione della privacy dei dati, che per tutti noi qui in Europa non è solo un problema di governance dei dati, ma rappresenta ora un requisito legale, a seguito dell’introduzione del GDPR dal Parlamento europeo all’inizio di quest’anno. Si tratta di un compito non indifferente per la maggior parte delle aziende, e lo è per molte ragioni, la principale delle quali è che ora si ha a che fare con molteplici tipi di archivi dati sia all’interno dell’azienda sia nel cloud: il “data lake” non è centralizzato, come invece vorrebbero farci credere i vendor Hadoop, ma è distribuito con copie ridondanti di dati in più ubicazioni e archivi dati. La sfida è quindi quella di individuare dove si trovano i dati sensibili, per classificarli con il livello di sensibilità richiesto e quindi applicare le politiche e le regole adatte. Più in particolare, c’è bisogno di politiche di privacy quando si hanno dati sensibili, indipendentemente dal tipo di archivio di dati nei quali risiedono. Ma c’è anche bisogno di applicare le stesse politiche ai dati duplicati in più archivi e se si spostano i dati tra diversi tipi di storage. Infine, dobbiamo fare in modo che le persone non possano essere identificate quando i dati vengono integrati e analizzati: si tratta davvero di una sfida impegnativa.

Mike Ferguson

Managing director di Intelligent Business Strategies, analista e consulente specializzato in Business Intelligence ed Enterprise Business Integration. Con oltre trenta anni di esperienza in ambito IT, ha svolto consulenze per importanti aziende su temi quali la Business Intelligence, l’Enterprise Architecture, la Business Process Integration, l’Application Integration e la Data integration. Oltre a essere frequentemente speaker in numerosi eventi e seminari in tutto il mondo, è anche autore di svariati articoli tecnici.

Mike Ferguson sarà il chairman della Conferenza di Technology Transfer “Big Data Analytics International Conference 2016” il 28-29 novembre 2016 a Roma.

Presenterà inoltre i seminari “Big Data e Analytics: dalla strategia all’implementazione” il 3-4 novembre 2016 e “Costruire un Data Lake e una Data Refinery: la strada per i Data as a Service” il 30 novembre – 1 dicembre 2016.

L'articolo Le sfide dei Big Data, qual è la lista delle priorità? proviene da Data Manager Online.

“Passare al digitale” e diventare una “data-driven enterprise” sono le due principali esigenze di business di cui si sente maggiormente parlare. Nel primo caso, l’agenda è dominata dall’introduzione di canali digitali e dall’Internet of Things (IoT). L’adozione di canali digitali ha visto l’ingresso in azienda di web, mobile commerce e social, alla luce del fatto che sempre più persone preferiscono effettuare transazioni online da desktop e dispositivi mobili, oltre che attraverso le pagine di social network aziendali. Questo sta creando enormi quantità di dati cosiddetti “digital exhaust”, come dire gas di scarico digitali, costituiti per esempio dai dati di click stream nei log dei server web o dai dati non transazionali dei carrelli della spesa spesso memorizzati nei database NoSQL. Il click stream registra tutto ciò su cui clicchiamo con il mouse o col touch sul dispositivo mobile, mettendo i dati in un file di log web. Questo significa che si può tracciare con precisione il percorso di navigazione di ogni visitatore di un sito web. Si può vedere quali pagine sono state viste e in quale sequenza, e molto altro ancora. Come si può immaginare, se ci sono decine di migliaia di visitatori, o anche di più, che stanno navigando su un sito web, non ci vuole molto prima che il volume dei dati di click stream diventi enorme.

#datadriven_enterprise @mikeferguson1 Il futuro delle imprese è deciso dai dati @techtran
Click To Tweet

Allo stesso modo, il carrello della spesa registra una storia di quello che vi si mette, quello che si tira fuori, ciò che si mette di nuovo, anche prima dell’acquisto effettivo. Ciò significa che si può vedere quali sono i prodotti e i servizi ai quali potrebbero essere interessati i visitatori o i clienti, anche se poi non li acquistano effettivamente. Per quanto riguarda l’Internet of Things, sempre più oggetti dispongono di sensori che emettono dati, come per esempio telefoni cellulari con sensori GPS, orologi, bracciali fitness, automobili, attrezzature industriali, frigoriferi e così via. La lista potrebbe continuare: anche in questo caso, i volumi di dati che vengono generati sono enormi. Tuttavia, le aziende vogliono questi dati, perché, se già si catturano le attività di transazione, questo tipo di dati può dire molto di più di ciò che già si conosce: si possono imparare cose nuove da questi nuovi dati, soprattutto quando si combinano con i dati dei clienti. E questo porta al secondo aspetto: l’impresa guidata dai dati. Ma cosa significa data-driven? Wikipedia lo spiega come “…il progresso in un’attività indotto dai dati, invece che dall’intuito o dall’esperienza personale. Viene spesso etichettato come gergo aziendale per quello che gli scienziati chiamano il processo decisionale basato su prove”.

La lista delle domande

Questo significa che i dati, quando sono analizzati, generano insight basati su prove che consentono alle aziende di vedere nuove opportunità per trasformare i mercati esistenti e quelli nuovi. È per questo che diventare data-driven significa essere guidati da dati e analytics. Ma la domanda chiave è: come si fa a raggiungere questo obiettivo? Che cosa serve per diventare data-driven? Come affrontare il diluvio di dati che caratterizza sempre più le aziende? Quali sono le piattaforme o gli analytics necessari? Devono essere in cloud, on-premise o entrambi? Come si fa a massimizzare il potenziale delle analisi predittive e avanzate? Come affrontare l’IoT? Come si integrano i big data nell’architettura analytics esistente? Come si fa a rimanere agili in un mondo in cui i dati sono sempre più distribuiti e quindi più difficili da accedere? Come si fa a gestire la governance dei dati quando i dati sono sparsi su vari file system come OLTP, database NoSQL, RDBMS analitici o cluster Hadoop? Come si fa a superare il caos potenziale della BI self-service e della preparazione dei dati self-service? Come si fa a sfruttare la shadow IT e trasformarla in scienza dei dati?

Il processo decisionale

Prendere una decisone basata sui dati è una sfida importante e non è difficile esserne sopraffatti. Eppure nel caos è il buon senso che deve prevalere. Non si tratta di sostituire quello che si ha già, ma di estendere gli ambienti analytics esistenti per accogliere nuovi dati e nuovi carichi di lavoro analitici al fine di produrre nuovi insight da aggiungere a quello che già si conosce. In passato, il data warehouse era la piattaforma analitica, ma oggi questa deve essere estesa per comprendere anche:

• L’analisi in tempo reale di dati in diretta streaming ad alta velocità.
• Le tecnologie di importazione dati a elevato volume.
• I nuovi archivi di dati analitici come Hadoop HDFS, Amazon S3 e database grafici NoSQL.
• Le tecnologie per l’analisi esplorativa scalabile su grandi volumi di dati multi-strutturati interni ed esterni, come per esempio Hadoop e Apache Spark.
• Gli analytics avanzati, come per esempio il machine learning, l’analisi di testi e l’analytics dei grafi.
• La gestione dei dati end-to-end, l’ETL scalabile e la governance dei dati.
• Una combinazione di sviluppo basato sul self-service e sull’IT.
• L’accesso semplificato a molteplici archivi di dati analitici.

#TechnologyTransfer Mike Ferguson a Roma @techtran Le date 6-7 / 8-9 / 23-24 giugno
Click To Tweet

La piattaforma per decidere

Questa nuova “piattaforma analitica estesa” è architettonicamente molto più complessa perché ora comprende tutto quanto appena visto, oltre a un data warehouse. Tuttavia, deve operare in maniera completamente integrata, e per questo serve:

• Gestire l’importazione scalabile dei dati.
• Creare un serbatoio di dati organizzato e gestirlo come se fosse centralizzato, anche se può essere distribuito.
• Automatizzare la catalogazione e la profilazione dei nuovi dati che entrano nel serbatoio.
• Introdurre la collaborazione nella gestione dei dati per aiutare a classificare i dati nel serbatoio in termini di qualità, sensibilità e valore di business.
• Essere in grado di raffinare i dati in scala attraverso l’elaborazione ELT, definendo come si vogliono trasformare e integrare i dati indipendentemente da dove si vogliano eseguire tali compiti (per esempio in Hadoop, in tabelle di gestione temporanea del data warehouse, nel cloud, etc.).
• Incoraggiare l’agilità, attraverso sandbox esplorativi di data science, la preparazione dei dati self-service e l’analisi self-service.
• Fornire un accesso trasparente ai dati e agli insight, realizzati dai data scientist, indipendentemente dal fatto che i dati siano in un data warehouse, su Hadoop, in un flusso di dati in tempo reale, o in una combinazione di tutti questi. Anche indipendentemente dal fatto che i dati siano on-premise, nel cloud o su entrambi. Questo può essere ottenuto sia tramite SQL sia attraverso la virtualizzazione dati, per creare un layer virtuale “data warehouse logico” in tutti i molteplici archivi di dati analitici sottostanti, indipendentemente dal fatto che siano relazionali o basati su Hadoop.

Work in progress

Al momento, siamo a metà del cammino. Per vedere realizzata questa nuova piattaforma di analisi estesa, molte aziende stanno già utilizzando tecnologie come Hadoop e Spark con l’obiettivo di costruire nuove applicazioni analitiche. Tra i fattori critici di successo vi sono l’allineamento del business (per esempio, assicurandosi che i progetti candidati siano in linea con gli obiettivi strategici di business), l’incremento dell’automazione per far sì che non ci sia bisogno di scrivere codice per preparare e analizzare i dati, oppure di un catalogo informazioni per governare quali dati possono essere disponibili per il riutilizzo, o di un manuale di organizzazione per trasformare rapidamente la sistematica raccolta e analisi di dati in nuovi insight.

Mike Ferguson

Managing director di Intelligent Business Strategies, come analista e consulente è specializzato in business intelligence ed enterprise business integration. Con oltre trenta anni di esperienza in ambito IT, ha svolto consulenze per importanti aziende su temi quali la business intelligence, l’enterprise architecture, la business process integration, l’application integration e la data integration. Oltre a essere frequentemente speaker in numerosi eventi e seminari in tutto il mondo, è anche autore di svariati articoli tecnici.

Mike Ferguson sarà il chairman della conferenza di Technology Transfer “International Data Management e Analytics Conference” il 23-24 giugno 2016.

Presenterà inoltre i seminari “Big Data e Analytics: dalla strategia all’implementazione” il 6-7 giugno 2016 e “Enterprise Data Governance e Master Data Management” l’8-9 giugno 2016.

L'articolo Data driven enterprise. Le fondamenta dell’impresa guidata dai dati proviene da Data Manager Online.

Negli ultimi due anni, abbiamo visto molte aziende andare oltre i data warehouse tradizionali per adottare tecnologie Big Data. Nella maggior parte dei casi il motivo è semplice: hanno bisogno di rimanere competitive, acquisendo più dati per avere nuove visioni d’insieme, per esempio sui clienti. Tra gli esempi di tali dati si possono citare gli open data delle pubbliche amministrazioni, le email inviate dai clienti, i dati dei social media, i clickstream e altro. Potrebbe anche trattarsi di avere più dati sui prodotti, sull’utilizzo dei prodotti o delle infrastrutture, come per esempio i dati dei sensori e quelli generati dalle macchine.

Tutti questi esempi riguardano dati che in genere non si trovano in un data warehouse. Inoltre, gran parte di questi nuovi dati è differente dai dati strutturati in un data warehouse. Questi nuovi dati sono spesso multi-strutturati in termini di tipi di dati, hanno grandi volumi e possono essere generati o creati a tassi molto elevati, fatto che li rende molto più difficili da catturare, preparare e analizzare. Non solo: con un numero sempre maggiore di fonti di dati, c’è un enorme bisogno di accelerare la preparazione dei dati e di contare non solo sull’IT per fare tutto.

#data_integration Più produttività o caos totale? @mikeferguson1 @techtran
Click To Tweet

Gestire i dati in autonomia

A questo scopo, è emersa la nuova tecnologia di integrazione dei dati self-service, rivolta principalmente ai data scientist e ai business analyst, per aiutarli a preparare e integrare i propri dati senza necessità di coinvolgere l’IT.

Sono tre le modalità principali di questa nuova tecnologia di integrazione dei dati: come strumenti stand alone di integrazione dei dati self-service; come funzionalità di integrazione dei dati self-service inserite in strumenti self service di visual discovery di BI e in Microsoft Excel; come nuova opzione per gli utenti business che fa parte di una suite di strumenti di Enterprise Information Management.

Esempi di prodotti della prima categoria sono Paxata, Tamr e Trifacta, mentre tra i vendor con funzionalità di integrazione dei dati self-service inserite in strumenti self service di visual discovery vi sono Datameer, MicroStategy e Tableau. Anche Microsoft Excel 2013 è dotato di funzionalità self-service di integrazione dei dati con PowerQuery. Infine, tra gli esempi di integrazione dei dati self-service come parte di una piattaforma EIM consolidata vi sono IBM DataWorks, Informatica Rev e in una certa misura anche SAS Data Loader for Hadoop.

Più in dettaglio, gli strumenti stand-alone di integrazione dei dati self-service sono emersi in cima a Hadoop e hanno interfacce utente semplificate per renderli più agevoli da usare e più interattivi. Per esempio, Trifacta utilizza un meccanismo denominato interazione predittiva in cui l’utente non ha bisogno di specificare nel dettaglio la trasformazione dei dati. Invece, gli utenti evidenziano le caratteristiche di interesse nella visualizzazione dei dati (come per esempio, il testo che vogliono estrarre da un documento) e, in base a ciò che un utente seleziona, i metodi predittivi suggeriscono una varietà di possibili passi successivi di trasformazione dei dati. Queste trasformazioni vengono classificate in ordine di più alta probabilità di trasformazione che l’utente intende effettuare successivamente. L’utente decide poi il miglior passo successivo e la trasformazione scelta viene poi compilata in un linguaggio che può essere eseguito in parallelo su Hadoop. Per accelerare e guidare la pulizia dei dati, gli strumenti di integrazione dei dati self-service supportano anche la profilazione automatica dei dati. Inoltre, gli utenti possono cliccare su un elenco a discesa associato a ogni colonna e selezionare la trasformazione di pulizia dei dati appropriata per migliorare il profilo di qualità dei dati. Paxata in questo caso compila trasformazioni da eseguire come codice su Spark, che esegue in parallelo su tutti i nodi di dati Hadoop dove il set di dati risiede. Anche tutte le misure adottate dagli utenti vengono registrate in modo che la traccia dei metadati sia disponibile per scoprire come sono stati trasformati i dati, permettendo anche di annullare facilmente le trasformazioni, tornando sui propri passi senza problemi.

#data_integration Incoraggiare la partecipazione del business e dell’IT @mikeferguson1 @techtran
Click To Tweet

Assemblare i dati da più fonti

Il secondo approccio per quanto riguarda l’integrazione dei dati self-service è di incorporare questa funzionalità in strumenti di visual discovery, per consentire ai business analyst di connettersi e “assemblare” i dati da più fonti per rispondere a specifiche domande di business. Tuttavia, sono state aggiunte ulteriori funzionalità in strumenti self-service di visual discovery per aiutare gli utenti a pulire e integrare i dati provenienti da molteplici fonti.

L’ultima categoria è quella delle piattaforme EIM estese per dare l’integrazione dei dati self-service agli utenti business oltre a quelli dell’IT. In questo caso, gli utenti business dispongono di una nuova interfaccia utente semplificata che offre una vasta gamma di servizi dati per gestire, raffinare, eventualmente analizzare e fornire i dati. Tra i servizi dati disponibili, vi sono il caricamento, la profilazione, la convalida, la standardizzazione, la pulizia, la trasformazione, l’integrazione, l’arricchimento, il mascheramento, la crittografia e molto altro. Sia l’IT sia gli utenti business possono definire processi per pulire e trasformare i dati, e possono essere inclusi anche gli analytics per analizzare automaticamente i dati. Inoltre, si ottiene l’esecuzione scalabile dei servizi dati con l’utilizzo della trasformazione in-memory dello streaming dati, dell’elaborazione su Hadoop dell’ELT (extract, load and transform, cioè estrazione, caricamento e trasformazione) dei big data e sui database relazionali MPP.

#data_integration Dati in autonomia e controllo sulla governance IT @mikeferguson1 @techtran
Click To Tweet

Governance dei dati

L’emergere dell’integrazione dati self-service ha creato una domanda ovvia: se gli utenti business fanno “da soli”, cosa significa questo in termini di impatto sulla governance dei dati in azienda? Fino a ora, la maggior parte delle iniziative di governance dei dati in azienda sono gestite da organizzazioni IT centralizzate, che per fare questo utilizzano in genere una suite di tool EIM. Qual è allora l’impatto dell’integrazione dati self-service se gli utenti business integrano i dati in proprio utilizzando strumenti completamente diversi da quelli utilizzati dai professionisti IT? Beh, è abbastanza chiaro che, anche se l’IT centralizzata fa un grande lavoro di gestione dei dati aziendali, l’impatto dell’integrazione dati self-service è che potrebbe facilmente portare al caos dei dati con ogni utente che fa la propria pulizia e integrazione dei dati. L’incoerenza potrebbe regnare e distruggere tutto quello svolto finora dalle iniziative di governance dei dati aziendali. Quindi, cosa si può fare? Stiamo per precipitare nel caos dei dati? Registrare e loggare le azioni self-service degli utenti sui dati per capire esattamente come i dati sono stati manipolati può essere naturalmente una buona cosa. Tuttavia, per gli strumenti stand-alone self-service, la traccia dei metadati rimane nel repository dello strumento di integrazione dei dati self-service e non in quello della piattaforma EIM utilizzata dall’IT. Inoltre, non ci sono standard per l’import/export dei metadati da/verso i repository della piattaforma EIM esistente, per riutilizzare le definizioni e le trasformazioni di dati tra gli strumenti EIM e quelli di integrazione dati self-service. Se una piattaforma EIM supporta sia l’IT sia il business allora abbiamo il meglio dei due mondi, ma se sono strumenti separati allora c’è bisogno di interfacce per collegare gli strumenti di integrazione dati self-service alle piattaforme EIM, in modo da supportare le iniziative di governance dei dati aziendali. Paxata è un esempio di vendor che ha aperto il proprio prodotto in modo che sia invocato dagli strumenti EIM. Però gli strumenti di integrazione dati self-service devono anche essere in grado di richiamare le azioni di integrazione dei dati sulle piattaforme EIM per riutilizzare ciò che è stato creato dall’IT.

Insomma, l’integrazione dei dati self-service è qui per rimanere. L’IT deve fornire modelli e servizi che possano essere riutilizzati dagli utenti durante la creazione di nuovi insiemi di dati integrati. Ma devono anche monitorare i dati ai quali accedono gli utenti in azienda, per comprendere quali dati sono più richiesti e per incoraggiare la partecipazione del business e dell’IT al processo di governance dei dati.

#data_integration A giugno Mike Ferguson sarà a Roma @mikeferguson1 @techtran
Click To Tweet

Mike Ferguson

Attualmente, managing director di Intelligent Business Strategies Ltd, come analista e consulente è specializzato in Business Intelligence ed Enterprise Business Integration. Con oltre trenta anni di esperienza in ambito IT, ha svolto consulenze per importanti aziende su temi quali la Business Intelligence, l’Enterprise Architecture, la Business Process Integration, l’Application Integration e la Data Integration. Oltre a essere frequentemente speaker in numerosi eventi e seminari in tutto il mondo, è anche autore di svariati articoli tecnici.

Mike Ferguson presenterà a Roma per Technology Transfer i seminari “Big Data e Analytics: dalla strategia all’implementazione” nei giorni 3 e 4 giugno 2015 e “Data Virtualization in Practice” il 5 giugno 2015. Sarà inoltre il chairman della conferenza di Technology Transfer “Data Management, Analytics and Business Intelligence Summit 2015” nei giorni 25 e 26 giugno 2015.

L'articolo Data integration self-service. Miglioramento della produttività o caos totale? proviene da Data Manager Online.

Guardando all’attuale scenario della concorrenza, non c’è dubbio che per rimanere competitivi sia necessaria una profonda conoscenza sui clienti e sulle operazioni di business.

Le nuove forme di dati costituiscono una chiave per i vantaggi competitivi, visto che tali dati racchiudono spunti di elevato valore che ogni azienda deve imparare a scoprire, qualora intenda sopravvivere in un mercato dove l’affermarsi del web ha avuto un profondo impatto sul comportamento dei clienti. Perché è noto che sul web il cliente è re: può navigare in giro per confrontare prodotti, servizi e prezzi in qualsiasi momento e ovunque, tramite un dispositivo mobile. Inoltre, con le nuove imprese basate sul web che spuntano ovunque, il cliente ha molta più scelta. La fedeltà di marca è facilmente dimenticata con pochi click del mouse davanti a una proposta migliore. E visto che oggi va così, siamo al punto in cui i dati della transazione non sono sufficienti per fornire una completa conoscenza del cliente. La necessità di comprendere il comportamento online dei clienti è diventata oggi mission critical.

La voce del cliente – Ma il web è anche un luogo dove il cliente ha una voce: l’accesso ai social network è ormai onnipresente e per le aziende non sarebbe saggio non riconoscere che questi costituiscono una ricca fonte di conoscenza del cliente. Inoltre, quando si tratta di decisioni di acquisto, la maggior parte delle persone si affida alla rete di amici e contatti più che ad altre fonti. Per questo, comprendere le relazioni sociali e le interazioni può contribuire a capire meglio chi o che cosa influenza il comportamento d’acquisto. Non solo: le persone sono sempre pronte a confrontare i prodotti e i prezzi, e a condividere queste informazioni con gli altri attraverso i social network, rendendo i potenziali acquirenti sempre più informati. All’interno delle imprese, i web log stanno crescendo a ritmi impressionanti alla luce del fatto che i clienti si rivolgono ai canali online come il loro modo preferito di effettuare transazioni commerciali e di interagire con le aziende. Inoltre, quantità crescenti di reti di sensori vengono implementate per gestire e ottimizzare le operazioni di business. Il risultato è una grande varietà di nuove fonti di big data, un rapido aumento del volume di dati e una raffica di nuovi flussi di dati che hanno tutti bisogno di essere analizzati.

Le caratteristiche di queste nuove fonti di dati sono diverse da quelle dei dati strutturati. Per esempio, la varietà di tipi di dati catturati comprende oggi:

• dati strutturati;
• dati semi-strutturati, come XML o HTML;
• dati non strutturati, come testi, audio o video;
• dati di tipo machine-generated, come web log, log di sistema o i dati provenienti dai sensori.

La voce dei dati  – L’arrivo dei big data e dei big data analytics ha portato con sé un ulteriore livello dei volumi di dati, oltre i tradizionali carichi di lavoro visti nei data warehouse. Tra gli esempi di nuovi carichi di lavoro analitici vi sono:

• analisi dei dati in movimento;
• analisi complessa di dati strutturati;
• analisi esplorativa dei dati multi-strutturati non modellizzati;
• analisi dei grafi, per esempio dei social network;
• accelerazione dell’elaborazione ETL di dati strutturati e multi-strutturati per arricchire i dati in un data warehouse o in un’appliance analitica;
• la conservazione a lungo termine e la rielaborazione dei dati archiviati nei data warehouse per un rapido recupero selettivo.

Enterprise analytical ecosystem – Per questo si rende necessaria una nuova architettura, che presupponga un ecosistema analitico di tipo enterprise (enterprise analytical ecosystem) e che supporti l’analisi, il reporting e l’elaborazione delle query ad hoc tipiche del data warehouse tradizionale nonché i nuovi grandi carichi di lavoro analitici dei big data ora necessari. L’ecosistema analitico comprende una serie di nuove piattaforme di analytics che si integrano e si espandono al di là del tradizionale ambiente di data warehouse. I componenti tecnologici richiesti in questa nuova architettura sono:

• una suite di strumenti di enterprise information management (EIM);
• molteplici piattaforme analytics integrate per la gestione dei big data e dei carichi di lavoro analitici tradizionali, quali una DBMS di tipo non SQL per l’analisi dei grafi, una piattaforma Hadoop, un DBMS relazionale analitico, un data warehouse e infine un motore di elaborazione dei flussi;
• nuovi strumenti e tecniche che sono state anche aggiunte per soddisfare le nuove esigenze dettate dai carichi di lavoro per gli analytics, tra cui vi sono:

o    le applicazioni analitiche personalizzate scritte per sfruttare il framework Hadoop MapReduce o il framework in-memory Hadoop Spark, per analizzare i dati multi-strutturati in batch;

o    gli strumenti di BI che generano codice applicativo MapReduce o Spark per recuperare e analizzare i dati tipicamente memorizzati in Hadoop;

o    gli strumenti di BI basati sulle ricerche che indicizzano i dati tipicamente da Hadoop a supporto delle analisi esplorative di dati multi-strutturati;

o    gli strumenti di analisi dei grafi che visualizzano i dati da database NoSQL a supporto dell’analisi esplorativa;

• gli strumenti esistenti della piattaforma BI che possono accedere a entrambe le piattaforme analitiche SQL e NoSQL (per esempio accedere ai dati Hadoop tramite un’iniziativa SQL su Hadoop), a supporto dei diversi tipi di esigenze di discovery visiva e di reporting;

• dovrebbe infine anche essere possibile sviluppare modelli predittivi e statistici per implementarli in un sistema Hadoop, un RDBMS di analisi e di workflow di elaborazione dei flussi di eventi per l’analisi predittiva in tempo reale.

L’analisi cross-platform – All’interno di questo nuovo ecosistema di analytics è richiesta anche un’integrazione, per facilitare l’analisi cross-platform. Per esempio, quando si verificano variazioni nei flussi di dati, viene analizzato l’impatto sul business, in modo da poter intervenire se necessario. Gli eventi di interesse filtrati possono anche essere passati al software EIM e caricati in Hadoop per la successiva analisi storica. Se ogni ulteriore approfondimento di analisi viene realizzato da Hadoop, questo potrà essere inserito in un data warehouse per arricchire ciò che è già noto. Invece, i dati multi-strutturati non-modellati possono essere caricati direttamente in Hadoop dove possono essere puliti, trasformati e integrati con i software di integrazione dati di tipo EIM sulla piattaforma Hadoop in preparazione per l’analisi esplorativa da parte dei data scientists. Questi ultimi possono quindi analizzare i dati utilizzando applicazioni analitiche personalizzate, oppure gli strumenti di mappatura e riduzione che generano Java o Pig, mentre gli analytics in-Hadoop possono essere utilizzati quando necessario. In alternativa, gli strumenti di BI basati sulla ricerca possono essere utilizzati per analizzare i big data tramite gli indici di ricerca incorporati in Hadoop. Se i data scientists realizzano insight di valore, vi si potrà accedere tramite gli strumenti di BI che utilizzano SQL o Hadoop.

Enterprise Data Hub – Un ruolo chiave emergente per Hadoop è oggi quello di Enterprise Data Hub, che è un ambiente Hadoop gestito e governato nel quale riunire i dati grezzi, raffinarli e pubblicare nuovi insight che possono essere resi disponibili agli utenti autorizzati in tutta l’azienda sia on demand sia su base regolare. Questi utenti potrebbero voler aggiungere nuovi insight nei data warehouse e nei data mart esistenti per arricchire ciò che già conoscono, oltre a condurre ulteriori analisi per ottenere vantaggi competitivi.

L’Enterprise Data Hub è composto da:

• una “landing zone” dei dati gestiti, cioè il serbatoio dei dati, o data reservoir;
• una raffineria governata dei dati;
• insight di elevato valore pubblicati, protetti e sicuri;
• storage a lungo termine dei dati archiviati dal data warehouse.

Tutto ciò è reso disponibile in un ambiente sicuro e ben governato. All’interno del data center aziendale, i dati grezzi vengono convogliati, raccolti e organizzati prima che entrino nella raffineria dei dati in cui viene effettuata la discovery dei dati e delle relazioni tra i dati, e dove i dati vengono analizzati, profilati, purificati, trasformati e integrati. Successivamente, vengono resi disponibili ai data scientists, che possono combinarli con altri dati attendibili, quali i dati anagrafici o i dati storici provenienti da un data warehouse, prima di effettuare le analisi esplorative in un ambiente sandbox per identificare e produrre nuovi insight di business.

Mike Ferguson

Specializzato in business intelligence ed enterprise business integration, Mike Ferguson è managing director di Intelligent Business Strategies. Con oltre trenta anni di esperienza in ambito IT, ha svolto consulenze per importanti aziende su temi quali la business intelligence, l’enterprise architecture, la business process integration, l’application integration e la data integration. Oltre a essere frequentemente speaker in numerosi eventi e seminari in tutto il mondo, è anche autore di svariati articoli tecnici.

Mike Ferguson sarà il chairman dell’International Big Data Analytics Summit 2014, un evento internazionale organizzato da Technology Transfer che si terrà a Roma nei giorni 4 e 5 dicembre 2014. Presenterà inoltre a Roma per Technology Transfer i seminari “Data Governance e Master Data Management” nei giorni 1 e 2 dicembre 2014 e “Massimizzare l’impatto sul Business usando Self-Service, Collaborative e Mobile BI” il 3 dicembre 2014.

L'articolo Enterprise analytical ecosystem proviene da Data Manager Online.

Il settore finance, pur nella lunga crisi finanziaria che l’ha duramente colpito e che non è ancora del tutto superata, ha compiuto massicci investimenti in risorse e in tecnologie ICT. Tra le aree di maggiore investimento, le soluzioni di BI e le soluzioni di risk management. La BI è utilizzata nel finance per soddisfare le esigenze strategiche e operative delle aree più cruciali del business: la realtà in cui viviamo costringe ad analizzare scenari di business sempre più complessi, con tempi di risposta più rapidi e con analisi affidabili e approfondite. La gestione del rischio è fondamentale per far fronte alle incertezze del mercato in cui si opera, ed è condizione necessaria per evitare di ripetere gli errori fatti in passato.

La BI nel Finance

Le banche e le società finanziarie sono da sempre le aziende più attive negli investimenti nella BI. Ma in quali applicazioni investono? Lo abbiamo chiesto a Mike Ferguson, CEO di Intelligent Business Strategies (www.intelligentbusiness.biz) analista e consulente specializzato in business intelligence (BI) ed enterprise business integration, speaker per Technology Transfer in due seminari che si terranno a Roma alla fine del mese di giugno. «Da sempre – dice Ferguson – le società che operano nel settore finanziario sono state le prime ad adottare soluzioni di BI: in particolare, i più attivi sono stati il settore del retail banking e delle assicurazioni commerciali. Nel retail banking, per esempio, sono state sviluppate applicazioni di BI per misurare e monitorare la redditività dei prodotti, per misurare e monitorare la redditività dei clienti, per migliorare la segmentazione della clientela, per misurare il rischio credito a livello di prodotto, per il monitoraggio delle frodi. Il monitoraggio delle frodi richiede gli analytics real-time, in cui il data mining è usato per costruire modelli in grado di rilevare i fenomeni fraudolenti in attività di transazione. L’attività di controllo include anche l’anti-riciclaggio di denaro, un settore in cui, nonostante gli investimenti, diverse banche sono state penalizzate soprattutto a causa della mancanza di una vera e propria visione a 360 gradi a livello del cliente, per tutti i prodotti e tutte le attività di transazione. La compliance ha anche portato a investimenti di BI nei servizi finanziari per la produzione dei report richiesti dagli organismi di regolamentazione per aderire alle diverse norme dell’Unione europea: Basilea II, Basilea III e Solvency II. Inoltre, molte banche commerciali si sono concentrate sui clienti per beneficiare di una migliore comprensione della redditività dei clienti e per migliorare la segmentazione della clientela. Le aree sales e marketing nel settore bancario sono gli sponsor principali dei progetti di BI correlati ai clienti. I vantaggi sono una migliore comprensione del valore del rapporto con la clientela per tutta la sua durata, potendo sfruttare le opportunità del cross-selling e dell’up-selling, e i risultati delle campagne di marketing». 

Risk Management & Business

Il controllo dei rischi è sicuramente necessario per una efficace gestione del proprio business, per offrire più alte garanzie ai risparmiatori e per rispondere ai nuovi e più vincolanti requisiti normativi. Da anni, è apparso chiaro che fosse necessario disporre di modelli più sofisticati in grado di valutare nel modo migliore sia i singoli rischi, sia le interrelazioni fra le diverse tipologie di rischio per una visione integrata dell’esposizione della banca. Con tutti questi investimenti, ci si potrebbe chiedere come sia stato possibile non prevedere la crisi finanziaria degli ultimi anni. Spiega Ferguson: «Nonostante gli investimenti, fino al 2008 il sistema bancario non ha compreso l’importanza critica di una visione dei clienti, e di una loro analisi, a 360 gradi. L’unica area in cui c’erano carenze era la gestione del rischio del livello del credito dei clienti. Per anni, fino al 2008, le banche avevano implementato il risk management a livello di prodotto, dove era possibile sapere l’esposizione di un cliente per ogni singolo prestito/credito del prodotto. Tuttavia, al momento del crollo del mercato dei mutui in tutto il mondo, pochissime banche avevano un vero e proprio ritratto a 360 gradi di ogni esposizione al rischio della clientela in tutte le carte di credito, i mutui e i prestiti da essi posseduti. Questo significava che anche se molte banche avessero potuto conoscere il rating di un cliente che possedeva un prestito o un mutuo, non sarebbero state in grado di quantificare la loro esposizione globale nei confronti di un cliente con un prestito, un mutuo e due carte di credito. La mancanza di comprensione vera del rischio di credito a livello cliente ha costretto le banche a implementare data warehouse a livello cliente dove è possibile avere una visione globale di un cliente e di tutti i prodotti e servizi di loro proprietà. Solo quando questo accade, le banche possono raccogliere i benefici delle relazioni con la clientela». 

Gestione strategica del rischio

Il risk management (RM) è un processo che viene implementato da un’organizzazione per arrivare a una gestione strategica dei rischi, per migliorare l’analisi e il processo decisionale, e nello stesso tempo essere di supporto alla crescita e alle performance aziendali. Secondo dati IDC (www.idc.com) relativi all’anno 2012, il mercato del risk management ammonta a oltre 61 miliardi di dollari: questa cifra comprende investimenti nell’hardware, nel software, nei servizi IT e la spesa IT interna. Oltre 25 miliardi sono gli investimenti fatti nell’America del Nord, mentre quasi 20 miliardi, circa un terzo del mercato, è la cifra investita in Europa. La quota dell’Estremo Oriente è di poco inferiore al 20%, mentre nel resto del mondo gli investimenti sono un po’ meno di cinque miliardi. Le spese relative alla sola voce delle applicazioni software per il risk management ammontano a poco meno di dieci miliardi di dollari: anche in questo caso, l’area dove gli investimenti sono superiori è l’America del Nord, con un importo di 5,6 miliardi di dollari, seguita dall’Europa con 2,2 miliardi, dall’Estremo Oriente con 1,3 miliardi di dollari e, infine, dal resto del mondo dove gli investimenti superano di poco il mezzo miliardo di dollari. Negli ultimi anni gli investimenti in questo mercato stanno sensibilmente aumentando: vengono effettuati soprattutto da parte di banche e società finanziarie. Anche le aziende grandi e piccole che operano nel settore della produzione o dei servizi stanno – però – sviluppando importanti progetti in questo ambito. Spiega Angelo Cian, responsabile soluzioni di business intelligence Zucchetti (www.zucchetti.it): «Il rischio di credito è sicuramente il parametro monitorato più attentamente, perché in Italia il ritardo nei pagamenti – a tutti i livelli (e non solo considerando la situazione ormai paradossale della pubblica amministrazione) – sta diventando insostenibile soprattutto per le imprese ancor prima che per le banche. Per il momento, soprattutto il mondo finance sta utilizzando maggiormente gli analytics a supporto delle proprie unità di risk management, sia in considerazione delle normative europee, sia per aumentare la propria efficienza interna. Nell’ultimo periodo abbiamo riscontrato un aumento delle richieste anche da parte delle aziende di servizi e delle imprese che lavorano per commesse/progetti. Anche per questi motivi le soluzioni di BI sono in cima alle priorità di investimento in ambito IT. La soluzione Zucchetti, che si chiama InfoBusiness, nel 2012 ha fatto registrare un +23% rispetto all’anno precedente. Come sosteniamo sempre, però, le soluzioni di BI risultano efficaci solo se ci sono persone in azienda che sanno interpretare i risultati per prendere decisioni strategiche e imporre i cambiamenti organizzativi necessari a migliorare le proprie performance. Utilizzando InfoBusiness al nostro interno – ad esempio – abbiamo capito come migliorare il nostro processo di recupero crediti attuando operazioni che ci hanno permesso nel 2012 di ridurre gli insoluti del 2,5% rispetto all’anno precedente. Questo ha significato per noi avere subito in cassa qualche milione di euro in più». Dello stesso avviso Mauro Tuvo, principal consultant Information Management di System Evolution (www.systemevolution.it): «Abbiamo orientato le nostre soluzioni e i nostri servizi principalmente al settore finance. Banche e assicurazioni hanno la necessità – anche dettata da requisiti regolamentari – di valutare rischi di varia natura, attraverso opportuni modelli che richiedono l’impiego di strumenti analitici. È vero che anche in altri segmenti di mercato (utility o engineering & construction) hanno assunto una crescente rilevanza nel tempo alcune tipologie di rischio particolari – ad esempio, il rischio “paese”, il rischio di tasso o particolari forme di rischio operativo – il cui monitoraggio costituisce un fattore chiave». Aggiunge Massimo Missaglia, amministratore delegato di SB Italia (www.sbitalia.com): «Numerosi settori si avvalgono di strumenti di analisi orientati alla valutazione e previsione del rischio, principalmente perché la maturità raggiunta dai sistemi di BI volti alla definizione di analytics in ambito di risk management consentono una grande rapidità di analisi: i settori bancario, assicurativo, farmaceutico, ospedaliero, utility, retail sono solo alcuni di quelli che possono avere enormi benefici dal controllo “intelligente” dei propri fattori di rischio. Questi strumenti sono utilizzati in numerosi settori, proprio perché le problematiche che consentono di indirizzare e risolvere sono trasversali e  comuni alle diverse realtà: dalla media alla grande azienda, in settori dal bancario al farmaceutico. I benefici passano dal monitoraggio continuo del rischio alle attività di analisi predittiva sull’individuazione di cluster comportamentali in grado di identificare specifici soggetti compatibili con il fattore rischio analizzato. Per fare un esempio, grazie al sistema di BI implementato da SB Italia, una tipica media azienda italiana come Sicuritalia può avvalersi di analisi real-time e informazioni chiave per identificare problemi di business e nuove opportunità a beneficio sia del top management, sia dei diversi livelli aziendali. I risultati ottenuti consentono di analizzare dati aggregati e disaggregati da ricondurre al conto economico e di creare report operativi che coprono fino al dettaglio minimo dei costi».

La formula del rischio

Gli ambiti nei quali sono utilizzate le soluzioni di RM e le loro principali caratteristiche sono ben sintetizzate da Tuvo (System Evolution): «Nelle banche il rischio di credito è quello maggiormente considerato sia per motivi normativi, sia per l’impatto sui risultati. Distinguiamo in quest’ambito due tipologie di modelli: una, di orientamento più istituzionale, per la valutazione dei rischi nelle loro componenti descrittive (probabilità del default, perdita in caso di default, rating della clientela, requisiti di capitale); un’altra supportata da applicazioni analitiche per il monitoraggio, per esempio, della qualità del credito (mappe di transizione dei crediti nei differenti stadi di criticità). Le indicazioni regolamentari impongono inoltre che siano controllate altre tipologie di rischio, come quelle legate alle risorse umane, ai sistemi, ai processi, agli eventi esterni. Le evoluzioni della normativa in materia di vigilanza prudenziale sono poi orientate a una maggiore attenzione nei confronti di fenomeni quali il rischio informatico, la continuità operativa. In questi ambiti, ci aspettiamo una crescente attenzione da parte delle banche». Come si deve operare con questi strumenti? Lo spiega Roberto De Flumeri, Offering Treasury & Credit di Gruppo Formula (www.formula.it): «La crisi finanziaria, l’aumento del costo del denaro, gli obblighi normativi e le nuove necessità di autofinanziamento, spingono molte imprese di diversi settori a una nuova cultura del cash e dei rischi. La direzione finanziaria si trova a orchestrare, in un movimento continuo, il capitale circolante nel rapporto con i fornitori, nelle condizioni di vendita per i clienti e nelle coperture sui prezzi delle materie prime. L’obiettivo è di padroneggiare l’uso delle linee di credito e degli affidamenti gestendo la disponibilità di risorse da investire a sostegno della strategia di business. E’ inutile analizzare un solo fattore di rischio senza collegarlo ad altri e – d’altra parte – è spesso difficile che le PMI abbiano un modello di asset liability management (ALM). A questo proposito e per questa tipologia di aziende è utile oggi più che mai una gestione di “cash flow at risk”, essendo importante non solo valutare il capitale necessario per resistere sul mercato e smobilizzare la posizione finanziaria nel tempo necessario, ma anche il livello massimo atteso di riduzione del cash flow. La modalità più attuata dai nostri clienti è la creazione di un rendiconto finanziario, dividendo ove possibile le voci in base ai rischi associati (commodity, mercato, tassi, legali, operativi, credito…) cui segue la simulazione di possibili scenari. E’ importante trattare ogni flusso finanziario come uno zero-coupon in base al fattore di rischio associato, calcolare il coefficiente di correlazione tra le variabili di rischio e attuare il calcolo VaR (value at risk), prevedendo anche stress test con modelli di estinzione anticipata o a vista di finanziamenti e linee di credito».

L’IT che dà credito al business

Spiega Missaglia (SB Italia): «Fra le diverse tipologie di rischio, il rischio legato alla gestione dei crediti rappresenta uno dei più critici. Dotarsi di strumenti in grado di consentire un’immediata analisi degli insoluti, di verificare l’efficacia delle azioni di recupero crediti, ottenere automaticamente indicatori per evidenziare eventuali rischi su clienti o singole fatture, sono funzionalità integrate che consentono un’eccezionale possibilità di gestione e prevenzione». Aggiunge Giovanni Campani, product manager Crediti di Cedacri (www.cedacri.it): «La particolare congiuntura macroeconomica e le regolamentazioni sempre più stringenti inducono gli istituti finanziari italiani di ogni dimensione a gestire con crescente attenzione i processi del credito e i rischi collegati, ottimizzando l’allocazione del capitale e la redditività degli impieghi. Di conseguenza, come Cedacri notiamo un significativo aumento d’interesse per le nostre soluzioni per la gestione dei rischi del credito, con oltre quaranta banche, che già si affidano alle nostre piattaforme. In particolare – con la nostra applicazione Origination Crediti – gli istituti finanziari possono automatizzare completamente il processo di erogazione del credito, dall’accettazione del cliente all’istruttoria della domanda di credito, dalla valutazione completa del cliente sotto il profilo dell’adeguatezza patrimoniale e della capacità economica di rimborso del credito, fino all’accettazione (o rigetto) della domanda. Tramite la piattaforma Credit Rating System di Cedacri – invece – le banche possono ottenere una maggiore automazione dei processi legati alla rating attribution, con il vantaggio di gestire tramite un unico motore applicativo una molteplicità di modelli di valutazione che si differenziano sia a livello di banca, sia per segmento di rischio. Infine, la nuova piattaforma di monitoraggio del credito di Cedacri, lanciata proprio in questi mesi, consente alle banche di ottimizzare la gestione del portafoglio crediti concessi e facilita l’esercizio di azioni correttive ancor prima che eventuali anomalie si manifestino in modo conclamato». Oggi, questi strumenti sono utilizzati con nuovi approcci, come spiega Francesco Maselli, direttore tecnico Italia di Software AG (www.softwareag.com/it): «Le sfide del business poste dalla concorrenza globale, da clienti sempre più esigenti e marginalità sempre più esigue, vanno anche a caratterizzarsi in aspetti normativi e di gestione del rischio sempre più avanzati. Le realtà più innovative riescono – infatti – a ripensare i tradizionali strumenti di valutazione del rischio appoggiandoli su strumenti tecnologici sempre più raffinati di continuous control monitoring. Si rivoluziona in questa maniera l’approccio e la percezione degli strumenti di risk management, che da essere tradizionalmente visti come un “freno” per le attività commerciali e di business development, possono essere utilizzati – come nelle vetture da competizione – per garantire prestazioni sempre più elevate e superare la concorrenza, in pratica per andare più forte. Nel caso delle nostre soluzioni ARIS GRC, il poter legare la mitigazione di rischi operativi e di compliance alla gestione e al monitoraggio dei processi di business collegati, permette di incrementare ulteriormente gli aspetti di governo, come la telemetria per i sistemi di controllo integrato delle vetture da competizione, garantendo al proprio business prestazioni elevatissime nei settori più diversificati». Alcuni esempi di utilizzo sono elencati da Andrea Maderna, sales director di BOARD Italia (www.board.com/it): «Molteplici nostri clienti utilizzano il nostro software per valutare i rischi connessi alle loro attività. Per esempio, un nostro cliente della grande distribuzione utilizza BOARD nell’area crediti, avendo implementato un’analisi sull’affidabilità della clientela e andando a esaminare l’evoluzione dei crediti accordati, la composizione delle garanzie, il rating e la sua evoluzione storica. Altri – come per esempio un primario istituto bancario – utilizza BOARD per l’individuazione di comportamenti inattesi o anomali delle filiali e soprattutto della clientela. Il sistema di BI implementato si basa su analisi di un set di key risk indicator (KRI) strutturati ad albero logico di aggregazione, suddiviso per filiali e per le seguenti famiglie di fenomeni: contante (prelevamenti e versamenti); rapporti (quelli potenzialmente a rischio antiriciclaggio); assegni circolari (emissioni e cambio); bonifici (Italia e Estero), carte e altro (ricariche e utilizzi). Ciascuna famiglia è rappresentata da un indicatore di sintesi, a semaforo, che assume un punteggio (scoring da 0 a 100), il quale rappresenta le filiali: compliant (semaforo verde), warning (semaforo arancione) e alert (semaforo rosso). Gli utenti possono poi procedere nell’indagine, in modo guidato, esplorando gli argomenti sottesi alle rispettive famiglie in maniera dinamica su molteplici dimensioni di analisi e fino al massimo livello di dettaglio, arrivando cioè alle singole operazioni/clienti che hanno generato il punteggio di rischio dell’indicatore».

HIGH PERFORMANCE ANALYTICS
L’APPROCCIO DI SAS
Più valore ai dati

La crisi finanziaria non è ancora superata e ancora adesso ci si sforza di stabilire l’ammontare delle perdite associate a svalutazioni di attivi o perdite sui crediti. «In ambito finanziario – spiega Mirella Cerutti, sales director Finance di SAS – stiamo notando che la rischiosità delle posizioni in portafoglio sta esercitando un forte impatto sul business in tutti i suoi aspetti, a cominciare dal costo del credito per arrivare ai ricavi e agli stessi corsi azionari». Le banche si trovano nella necessità non solo di valutare il tasso di rischiosità nel suo complesso, ma anche di prevederne la dinamica. «Poter monitorare – per mezzo di report analitici e cruscotti direzionali sintetici, l’evoluzione delle posizioni critiche, l’andamento dei flussi di cassa e gli effetti degli interventi messi in atto per la rinegoziazione e il recupero – è fondamentale. In questo ambito, i business analytics fanno la differenza, perché consentono di ottimizzare l’allocazione delle risorse e l’offerta dei servizi e, al contempo, suggeriscono tra le alternative disponibili la più efficace e redditizia, simulandone gli effetti e le conseguenze sui costi. L’individuazione tempestiva dei segnali anomali e la capacità di esaminare nel dettaglio le cause che li hanno prodotti facilitano la definizione delle strategie ottimali per recuperare situazioni critiche. Negli altri settori di mercato invece evidenziamo tutti quei rischi legati alla tempestività di reazione da parte dell’azienda. Poter rispondere in real-time oggi, nell’era dei social network, diventa cruciale. Ma ci vuole la capacità di analizzare enormi quantità di dati, individuare quelli rilevanti e comprenderne il significato anche dal punto di vista semantico».

L'articolo Gli analytics nel finance. Gestire il rischio in tempo di crisi proviene da Data Manager Online.