MacroambienteBig Data: come scegliere la soluzione migliore

Big Data: come scegliere la soluzione migliore

I Big Data Analytics possono contribuire al successo di un'azienda, ma molte ancora preferiscono non rischiare. Scopriamo le cause e come scegliere le migliori soluzioni

Big Data: come scegliere la soluzione migliore

Che l’impiego di tecnologie di Big Data Analytics consenta di fare previsioni con una significativa accuratezza tanto da creare valore aggiunto per il business di un’azienda, è stato ormai più volte detto. Così come è stato sottolineato quanto l’analisi di grandi quantità di dati nelle imprese sia sempre più diffusa, tanto da ottenere solo nel 2015 in Italia una crescita del 14% per un valore complessivo di 790 milioni di euro. A confermarlo ci sono le indagini estese che la Forrester Research ha realizzato negli ultimi due anni, attestando che più dell’80% delle imprese attualmente investe in sistemi di analisi predittiva, con un 45% che nel 2015 ha aumentato il livello di spesa rispetto all’anno precedente e un restante 36% che l’ha mantenuto invariato. Dalle stesse analisi, però, emerge anche un altro dato importante: i vantaggi che questi investimenti apportano al business riguardano soprattutto la migliore efficienza operativa, pertanto coinvolgono prevalentemente le funzioni aziendali finanziarie, dell’Information Technology e delle operations. Meno evidenti agli occhi dei manager risultano i benefici dei Big Data in ambito commerciale (marketing, vendite e customer service), settore in cui invece spesso vengono promesse grandi opportunità dalle analytics.

Le cause? Prima di tutto, ancora troppe aziende non hanno consapevolezza delle migliori tecnologie analitiche da adottare rispetto agli specifici obiettivi da raggiungere; inoltre, risulta ancora forte la carenza di risorse umane con adeguate competenze a lavorare con i Big Data in più ambiti. Piuttosto che rischiare, molte aziende scelgono di proseguire con le tante soluzioni di Business Intelligence per l’analisi dei dati che il marketing digitale attualmente offre. Inoltre, la varietà e l’aggiornamento costante dell’offerta tecnologica rende ancora più complicato questo mercato in continua evoluzione.

Per chiarire questo aspetto, Forrester ha elaborato un grafico (fig.1) in cui sono rappresentate le soluzioni di Big Data Analytics, suddivise in tre macro-aree di offerta a cui corrisponde il processo di trasformazione ed elaborazione dei dati in previsioni.

Big Data Analytics

Figura 1: dai dati alle previsioni: il percorso di trasformazione – Fonte: Forrester Research, 2015

Il grafico mostra il posizionamento delle tre macro-aree e dei relativi  fornitori rispetto al livello di approccio analitico del “vendors” e alla maturità dei processi di marketing dell’azienda utente, dando origine a tre categorie di soluzioni:

  • Data Aggregators.  Acquisiscono, raccolgono e organizzano i dati, sia interni all’azienda che soprattutto provenienti da fonti esterne, in modo che possano essere impiegati per il business dell’azienda. In alcuni casi includono anche servizi di data management, come pulizia dati interni ‘sporchi’ (ridondanti, equivoci, incerti…) e arricchimento.
  •  Data Enrichers. Perfezionano e completano i dati “grezzi” o che presentano errori, con elementi di diversa fonte come sensori, feed e clickstream raccolti dal Web e dai social network. In molti casi pre-elaborano i dati per estrarre informazioni mirate ai bisogni dell’azienda, tendendo ad entrare nel campo delle analisi predittive.
  •  Predictive Modelers.  Analizzano i dati mediante algoritmi che consentono di stimare la probabilità con cui un evento possa accadere, in modo da costruire modelli di previsione del comportamento futuro e anticipare le tendenze. Applicata al business, i modelli predittivi possono aiutare a comprendere meglio clienti, prodotti e partner e identificare i rischi e le opportunità potenziali per una azienda.

Lo schema proposto da Forrester può aiutare ad effettuare in maniera più chiara una prima valutazione delle soluzioni esistenti. Al di là delle proposte tecniche, la capacità di tradurre in valore economico le informazioni estrapolate dai Big Data dipende sicuramente molto dal grado con cui il management aziendale riesce ad adattarsi al cambiamento culturale e a ripensare in chiave digitale non solo le competenze tecniche ma anche quelle relazionali e comportamentali.


A firma di: Marianna Cadoni Contributor
© RIPRODUZIONE RISERVATA E' vietata la ripubblicazione integrale dei contenuti

Corsi Formazione

Tutti i corsi
Le vostre Opinioni