1. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Business Intelligence, Analytics e Big Data:
una guida per capire e orientarsi
Paolo Pasini
Head of Information Systems Management Unit
Responsabile Osservatorio Business Intelligence
(www.sdabocconi.it/obi)

2. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
La “storia”: Posizionamento dei sistemi MIS,
DSS, ESS e EIS, BI, BA e BD
D.S.S.
E.S.S.
Futuro
Incertezza
Passato
Certezza
Analisi e
Diagnosi
Accesso e
Presentazione
Fonte: Gary Anderson, 1989
E.I.S.
M.I.S.
Metà ‘90 2005 2012

3. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Business Intelligence
1. ricerca intelligente di dati,
2. produzione e analisi in “tempo reale relativo” di
informazioni e conoscenza
3. tramite l’integrazione di
molteplici funzionalità (BI tools),
• Reporting, query, OLAP, simulazione, modelling, mining, cruscotti-scorecards,
e applicazioni (Business Analytics)
• di analisi di processi e attività funzionali o di settore, di budgeting, di previsione,
predizione, di scenario analysis, di ottimizzazione, ecc.
4. “push”, ma soprattutto “pull”,
5. per il supporto di processi di controllo e di decisione
6. di manager e professional di qualunque livello aziendale
7. si “appoggia” generalmente su sistemi di
Datawarehousing o Repository di dati non strutturati

4. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Attività e processi
operativi
Attività e processi
tattici, di P&C
Attività e processi
di pianificazione
strategica
Attività e processi
di Governance
Funzioni e unità
operative
Direzioni Funzionali
Alta Direzione o
Direzioni di Business Unit
Stakeholders,
A.D., D.G
UNITA' ORG.VE
ATTIVITA' AMM/FIN.
MKTG/
VENDITE
DIVISIONI
COMM.LI AGENTI LOGISTICA D.G.
prepazione dati di
consuntivo,
ultimi 12 mesi
definizione obiettivi e
previsioni di budget
consolidamento
validazione
stesura budget finale
vedi dettaglio
definiz.
obiettivi
Q x raggrupp.,
MDC, Dp increm.:
x agente (div.I), x
cliente (div.E), x
aggregaz. (div.
G,H)
definiz.
Q
1.integraz.
Clienti e prod.
Nuovi;
2.criteri di
mensilizz. Q x
aggregaz., x
agente, x
campagna;
3.prev. Costi
comm.li
costi di trasporto
BUDGET
VENDITE
N30 0 30 60 90Kilometers
Titolo diagramma
prontezza:
tempo medio
di risposta
tempestività:
% consegne
in ritardo
disponibilità:
lead time di
richiesta e consegna
accuratezza:
%cons.complete/
tot.consegne
regolarità:
......
lead time
venditori
lead time
amministrazione
lead time
acquisti e
fornitori
lead time
produzione
lead time
logistica
in uscita e trasporti
lead time
.......
ANALISI DEI
LEAD TIME
(vedi Reporting
ad hoc)
REPORTING
LIVELLO DI
SERVIZIO
QUALITA'
INTERNA
QUALITA'
ESTERNA
REPORTING
QUALITA'
INTERVENTI
IN GARANZIA
ANALISI DEI
RECLAMI
REPORTING
POST-VENDITA
REPORTING
DIREZIONALE
DIMENSIONE
PRODOTTO
DIMENSI
ONE
CLIENTE
DIMENSIO
NE
INIZIATIVE
DI
MARKETIN
G
MISURE DI
PERFORMAN
CE
DIMENSIONE
GEOGRAFIA
ORDINA
TO
GRADO DI SODDISFAZIONE
TEMPI MEDI CONSEGNA
MARGINE DI CONTRIBUZIONE
SETTIMANA
MESE
PERIODO INFRA-ANNUALE
ANNO
...
BACINO DEL PUNTO VENDITA
PROVINCIA
REGIONE
NAZI
ONE
SETTORE
SOTTO-SETT.
FAMIGLIA
SOTTO-FAM.
ARTICOLO
N°
RECLAMI
N° INTERVENTI ON-
SITE
La «gamma» applicativa della BI
BI
Real
time

5. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
The new BI scenario
BI Tools
What’s the best that can happen?
What will happen next?
What if these trends continue?
Why is this happening?
What actions are needed?
Where exactly is the problem?
How many, how often, where?
What happened?
CompetitiveAdvantage
Degree of Intelligence Insight
Decision Optimization
Predictive Analytics
Forecasting
Statistical models
Alerts
Query/drill down
Ad hoc reports
Standard reports
(adattamento da Davenport, 2007)
Information
BI Analytics

6. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
La piramide delle tecnologie software della
BI: dai BI Tools alle Analytics ai Big Data
Data e Content
Mining
Social analytics
Analytics (statistics)
Modelling, Predictive
Simulation, Scenario
Business Analytics
Performance Management,
Analisi Geografica
Query e Reporting ad Hoc (“self-service”),
Analisi Multidimensionale, OLAP
Cruscotti Direzionali,
Reporting standard (“push”)
(Fonte: Osservatorio BI, SDA Bocconi, 2012)
AUMENTA:
• IL GRADO DI
SOFISTICAZIONE E DI
STRATIFICAZIONE
TECNOLOGICA
• LA NECESSITA’ DI
CULTURA E
COMPETENZE
ANALITICHE
• IL VALORE DEL
SISTEMA DI BI
mentre
SI RIDUCE IL N° DI UTENTI
6

7. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Processi decisionali core business per settore e
relative Analytical Applications
Settore Core Analytical Applications Portfolio
Servizi
finanziari
Credit scoring, fraud detection, pricing dinamico, claims analysis, customer
profitability, channel profitability, compliance
Retail Promotions analysis, ottimizzazione dei riassortimenti, ottimizzazione degli
scaffali, demand forecasting, ottimizzazione della logistica e dei centri
distribuzione, pricing, geo-intelligence
Manifatturiero Supply chain optimization (matching tra stabilimenti-magazzini-PdV), demand
forecasting, analisi garanzie, previsione personalizzazione e innovazione prodotti
Health care Diagnosi preventiva, previsione visite, revenue management, financial resource
analysis e forecasting
Energy, Utility Energy management, trading allocation, demand forecasting, compliance, pricing
and contracts differentiation
Telco Customer retention, demand forecasting, capacity planning, network
optimization, customer profitability
Web channels Web site metrics, customer recommendations and advs, Social Media Analysis,
Location based services analysis
… …

8. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Tutti i processi decisionali “complessi” si alimentano di
Informazioni «Hard e Soft» e impiegano capacità di
«ricerca dati intelligente» e di «analisi dati»
Informazioni Hard
Interne ed esterne
Informazioni Soft
Interne ed esterne
Prospetti
finanziari
Statistiche
Informazioni
da archivi
storici
Notizie riferite
mezzo stampa
Tendenze dei
settori
industriali
Dati di ricerca
Program-
mi
Piani
formali
Norme,
leggi,
circolari
Contratti
Spiegazioni
Giustifi-
cazioni
Valutazioni
Interpre-
tazioni
Predizioni
Speculazio-
ni
Previsioni
Stime
Opinioni
Sensazioni
Idee
Voci
Pette-
golezzi
Dicerie
Grado di oggettività
+ -
Grado di certificabilità
+ -
Grado di condivisione del significato e della semantica (tassonomie, classificazioni)
+ -
Grado di strutturazione del contenuto
(in prevalenza all’origine)+ -

9. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
consumer
RECENCY, FREQUENCY,
MONETARY
FIDELITY CARD, PUNTI PREMIO
STRUMENTI DI PAGAMENTO
SOCIAL WEB DATA (RT e non RT)
GEO-POSITIONING
FEEDBACK E-SURVEY
INFORMAZIONI E RECLAMI
AL CONTACT CENTER
VIDEO-INTELLIGENCE
(riconoscimento volti e
Comportamento fisico)
GARANZIE PRODOTTI
BASKET E MIX
DI ACQUISTO
PROFILO SOCIO-DEMO
PROFITABILITY
Un esempio di BIG DATA: velocity, variety, volume.
I vettori di conoscenza del consumer
DATI
STRUT-
TURATI
DATI
STRUT-
TURATI
DATI
NON
STRUTT.
DATI IN
STREAMI
NG,
RealTime
DATI
NON
STRUTT.
DATI
STRUT-
TURATI
DATI IN
STREAMI
NG,
RealTime
DATI IN
STREAMI
NG,
RealTime
DATI IN
STREAMI
NG,
RealTime
Una “vista analitica degli oggetti di business”: Verso
i Big Data!

10. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
1. Risolvere nuovi problemi aziendali:
– Dal mondo fisico-scientifico e R&D (medico-farma, clima-eventi naturali,
geologia, smart grid, …)
– Al mondo del management aziendale (strategie future, ottimizzazione dei
processi core, insight di mercato e clienti, …)
2. “Start with questions or start with collecting data?
• Approcci Bottom-up, mining-based, ”ricercare l’inaspettato» in questa nuova
disponibilità di dati (es. casi di Hertz, Mediaset, Twitter Data analysis)
• Approcci Top-Down, «requirements o model – based (es. casi di Vestas,
Terraechos, Acea)
3. Mix diversi di Velocità, Volumi e Varietà
4. Dati storici, correnti, in tempo reale, futuri
BIG DATA: nuove frontiere della conoscenza
aziendale e della cultura manageriale
10

11. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Data Quality
(Veracity),
Security, Privacy
New
Knowledge
and Insights
New
Potential
Business
Value
Big Data Framework
Enablers to Big Data
BI & Analytics,
DB platform
Cloud services
Management
Culture and
Capabilities,
New Skills
Information
Complexity Scale
High
Low
Data Velocity Data Volume
Data Variety
(number of sources and
types of formats)
Big Data: definizione e alcuni risultati di una ricerca
su 202 CIO di medio-grandi aziende italiane

12. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Andare oltre al titolo «Big Data»! Dove
risiede il passo avanti nella conoscenza?
1. Riflettere nuovamente sui DATI (interni ed esterni) come risorsa
aziendale, come asset informativo
• Valore patrimoniale
• Valore in nuovi servizi o prodotti core venduti sul mercato
• Valore in nuove aziende di proprietà dedicate alle analytics (casi di Tesco,
GE, Bosch, …)
2. Le imprese ricercano modalità nuove per «rappresentare» una realtà
aziendale sempre più complessa (dinamica e incerta)
• 4 fasi di Maturity (dati Financial, dati non Financial, dati non strutturati, Big
data)
3. Ancora una volta si assiste ad un fenomeno di innovazione “pushed”
dal mercato dell’offerta di prodotti e servizi ICT

13. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Come rappresentare una realtà aziendale
sempre più complessa e dinamica?
La curva di esperienza nell’impiego dei dati in
azienda segue alcune tipiche fasi di Maturity:
1° fase: dati Financial (ufficiali e strutturati)
 Esperienze e velocità comunque diverse (es. redditività
di cliente)
2° fase: dati non Financial (più o meno ufficiali e
strutturati)
 Il passaggio dal trattamento dei dati “financial” ai “non
financial” è fondamentale, ma è ancora faticoso (es. si
vedano i casi di Balanced Scorecards, Value-Based
Mgmt, KPI non financial,…)

14. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Come rappresentare una realtà aziendale
sempre più complessa e dinamica?
3° fase: dati non strutturati
 generare abitudine e capacità nel trattamento di dati
qualitativi, soft e in forma non numerica (testuale,
grafica, video, audio, …), generati da fonti interne
(email, documenti dematerializzati, …) ed esterne
(web log, social data, web content, …)
4° fase: dati con mix crescenti di Volumi,
Velocità (di generazione, raccolta,
elaborazione e fruizione) e Varietà (fonti e
formati) -> Big Data

15. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
La piramide di esperienza della BI
Creatività sul
mercato e nei
Business Model
Nuovi Prodotti e
Servizi
Migliorare i processi aziendali e
le relazioni nella rete del valore
“Anticipare i problemi e Guidare il
Business” nel Breve-Medio Termine
“Capire e dare un senso al Business, al passato”
(Fonte: Osservatorio BI, SDA Bocconi, 2013)
PRECA BRUMMEL. Il processo di
definizione del briefing (e del budget) di
collezione e pianificazione dei lanci di
produzione.
COREPLA. Il processo di
pianificazione finanziaria
pluriennale. ABB. Budgeting
forecast mensile.
AZIENDA OSPEDALIERA
DI PADOVA. Il
monitoraggio e reporting
di prenotazioni e
pagamenti delle visite.
A2A. Il processo di
simulazione e di definizione
di nuovi contratti luce-gas
TESCO, BOSCH, GE. Società di servizi di analitics
Modelli decisionali
per GDO + FONIA
MOBILE +
CARBURANTI
VESTAS. Localizzazione
turbine eoliche
TERRAECHOS. Analisi dati
video + dati audio per
sorveglianza e sicurezza
MEDIASET. Analisi
social dei gusti,
comportamenti, trend
dei clienti Premium
HERTZ. Analisi
multicanale
soddisfazione e
suggerimenti
ACEA. Ottimizzazione
e predizioni incidenti
sulla rete elettrica
Casi di BI e Analytics
Casi di Big Data

16. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
ALCUNI CASI PIONIERI E
CASI DI ECCELLENZA
 Forte varietà (per ambiti, settori, risultati)
 Approcci esplorativi di progettazione Reqs-based (es. Vestas o
TerraEchos) e Mining-based (es. Hertz o Twitter data analysis)
“Big Data booklet: casi pionieri e di
eccellenza internazionale e italiana”

17. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Insight dei
Processi R&D e
innovazione di
prodotto/servizio
Insight dei Processi
gestionali, incluso
risk mgmt
Insight delle
relazioni con
partner esterni
Insight dei PoI o
Infrastrutture
aziendali (incl. ICT)
Insight di mercato e
clienti
Insight per Strategie
future, scenari,
business model
Insight sui
documenti core
dematerializzati
Velocity
 TerraEchos (RT acoustic
data analysis)
 KTH Swedish Royal
Institute of Technology
(RT analysys of traffic
streaminig data)
 University of Western
Ontario (RT neonatal
patient conditions
analysis)
 Barnes & Noble (RT sales
track for suppliers and RT
inventory analysis)
 Asian Telco (network
monitoring e processo di
billing)
 Telecom (Service level
analysis)
 Barnes & Noble (RT sales
track for suppliers and RT
inventory analysis)
 Dublin City Center; (RT
public transportation data
analysis)
 Battelle (RT and DWH
smart grid data analysis)
 KTH Swedish Royal
Institute of Technology
(RT analysys of traffic
streaminig data)
 U.S. Wireless Telco (RT
cells and customer calls
Data analysis)
 Asian Telco (network
monitoring)
 Mutiutility italiana (RT
power network analysis
and predictive)
 Telecom (Service level
analysis)
 University of Southern
California(RT Twitter data
analysis for political aims)
 Ufone (campaign data
streams analysis)
 Globe Telecom (RT mktg
data analysis)
 U.S. life Insurance
Company (RT predictive
analysis of churn)
 MobyLines (RT customer
profiling and custom
content delivery)
Variety
 KTH Swedish Royal
Institute of Technology
(RT analysys of traffic
streaminig data)
 TerraEchos (RT acoustic
data analysis)
 Vestas (wind turbine
positioning)
 Asian health Bureau
(patient images analysis
in rural telemedicine)
 Hertz (content analytics)
 Vestas (wind turbine
positioning)
 KTH Swedish Royal
Institute of Technology
(RT analysys of traffic
streaminig data)
 University of Southern
California (RT Twitter data
analysis for political aims)
 Hertz (content analytics)
 U.S. Wireless Telco (RT
cells and customer calls
Data analysis)
 Mediaset (social
analytics; virtual customer
profile analysis)
 Multinational CPG
manufacturer (velocità ed
efficacia dell’enterprise
search)
 Multinational Aeromobile
manufacturer (velocità ed
efficacia dell’enterprise
search)
Volume
 TerraEchos (RT acoustic
data analysis)
 Asian Health Bureau
(patient images analysis
in rural telemedicine)
 Vestas (wind turbine
positioning)
 Asian Telco (network
monitoring e processo di
billing)
 Battelle (RT and DWH
smart grid data analysis)
 U.S. Wireless Telco (RT
cells and customer calls
Data analysis)
 Mutiutility italiana (RT
power network analysis
and predictive)
 Telecom (Service level
analysis)
 University of Southern
California California (RT
Twitter data analysis for
political aims)

18. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Risultati
• Aumento della precisione nella
definizione della localizzazione
delle turbine grazie alla
possibilità di analizzare più dati
e con un maggior dettaglio.
• Diminuzione del costo
dell’energia per Kilowatt ora e
conseguente incremento del
ritorno dell’investimento per i
clienti.
• Riduzione dei tempi di risposta
nelle attività di simulazione e
previsione di circa il 97%.

19. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Mediaset S.p.A.
Mediaset S.p.A. è un'azienda privata italiana, fondata nel 1978,
specializzata primariamente in produzione e distribuzione televisiva in
libera visione (free to air, FTA) e a pagamento (pay-tv e pay per view),
oltre che in produzione e distribuzione cinematografica, multimediale
e in raccolta pubblicitaria. Oggi conta più di 6000 dipendenti, ha
partecipazioni in più di 40 società con sedi in vari paesi, ed è il il primo
gruppo televisivo in Italia e Spagna e leader in Europa.
Per mantenere il proprio ruolo di primo piano nel settore, Mediaset è
alla continua ricerca di nuovi modelli di servizi e di distribuzione di
contenuti digitali per rispondere alle esigenze e ai gusti in continua
evoluzione dei propri clienti.
Considerando i Social Media una nuova fonte estremamente
interessante e rilevante per comprendere le opinioni dei propri clienti,
Mediaset ha deciso di testare una soluzione in grado di raccogliere e
analizzare i dati non strutturati dei social media e successivamente
compararli con i dati oggi disponibili in azienda e i dati di mercato
provenienti dalle fonti più tradizionali; l’obiettivo principale è quello di
valutare se l’analisi dei dati destrutturati possa affiancare gli altri
strumenti di marketing a disposizione dell’azienda e di misurare il
grado di soddisfazione dei clienti rispetto ai propri prodotti e rispetto a
quelli dei concorrenti.
La soluzione testata ha permesso di analizzare molteplici fonti dati non
strutturate, individuare “hot words” e trend dei prodotti e servizi
offerti da Mediaset, comparare queste informazioni con le altre
disponibili in azienda, valutare la loro rilevanza rispetto alle priorità di
business definite.
Risultati
• Monitoraggio del “sentiment” dei clienti rispetto al brand e ai
prodotti/servizi offerti.
• Utilizzo di alcuni indicatori rappresentativi del comportamento
dei clienti per intercettare le opinioni degli utenti e poter
studiare azioni mirate volte a gestire e ridurre l’eventuale
insoddisfazione dei clienti.
• Feedback dei risultati alle diverse Business Unit aziendali.
Soluzioni implementate
• IBM Social Media Analytics.
Risultati
• Monitoraggio del “sentiment” dei
clienti rispetto al brand e ai
prodotti/servizi offerti.
• Utilizzo di alcuni indicatori
rappresentativi del comportamento
dei clienti per intercettare le
opinioni degli utenti e poter
studiare azioni mirate volte a
gestire e ridurre l’eventuale
insoddisfazione dei clienti.
• Feedback dei risultati alle diverse
Business Unit aziendali.

20. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Tipologia di Analisi
Reputation
New
Concept
Testing
Opinion &
Satisfaction
Monitoring
New Product
Competition
Sentiment /
Perception
Profiling,
Behaviour,
Experience
Social Web
Network
Unità di Analisi
Business Policy ALCATEL COMUNE TO COMUNE TO
Brand aziendale ALCATEL, ERIF ALCATEL, BINDA
ALCATEL,
EDENRED
Brand di prodotto ALCATEL, ERIF
ALCATEL, BINDA,
FM, PIRELLI
ALCATEL,
BINDA, FM,
PIRELLI
Personale aziendale
Prodotti/Servizi attuali ALCATEL, ERIF
ALCATEL,COMUN
E, ERIF, FM,
PIRELLI
ALCATEL,
BINDA,
COMUNE TO,
ERIF, FM,
PIRELLI
Nuovi Prodotti/Servizi o Eventi BINDA COMUNE TO COMUNE TO
Nuovi Concept Prodotti/Servizi
BINDA,
EDENRED, ERIF
Customer TUTTI I CASI
Processi aziendali ALCATEL
BINDA,
COMUNE TO
Concorrenti
ALCATEL, FM,
PIRELLI
ALCATEL, ERIF,
FM, PIRELLI
(Fonte: Osservatorio BI, SDA Bocconi, 2011)
Fonti Web Social
Network Blogs Communities
tematiche
Forum,
Newsgroups
Fonti
mainstream
Siti web
istituzionali
Social Web Analytics

21. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Hertz
Hertz è il più grande Brand di autonoleggio, aeroportuale, con oltre
8.300 sedi in 146 paesi.
Hertz continuamente richiede e riceve feedback dai propri clienti
mediante sondaggi web, email e messaggi di testo. Tutti i dati non
strutturati così raccolti rappresentano una fonte molto preziosa per
misurare il grado di soddisfazione dei propri clienti e capire quali sono i
limiti del servizio erogato che possono generare insoddisfazione nella
clientela.
Per sfruttare appieno questo potenziale informativo, Herts ha avviato
l’implementazione di un sistema per raccogliere i dati non strutturati,
elaborarli ed estrarre le informazioni rilevanti per il business e renderle
disponibili al management per analisi volte a identificare trends,
criticità/opportunità e modificare conseguentemente il servizio offerto
in termini di contenuto e qualità per renderlo coerente con le richieste
dei clienti.
L’analisi di questi dati permette, inoltre, di comprendere i punti di
forza e di debolezza dei processi aziendali (di noleggio, consegna e
ritiro) e intraprendere le necessarie azioni correttive.
La soluzione implementata, in particolare, permette di classificare
automaticamente i dati non strutturati raccolti mediante l’utilizzo di
regole linguistiche restituendo report facilmente interpretabili e
analizzabili dal management.
Risultati
• Riduzione dei tempi necessari al trattamento/preparazione
dei dati non strutturati e conseguente incremento del tempo
disponibile per la loro analisi.
• Maggior conoscenza dell’opinione dei clienti e delle
determinati della loro soddisfazione o insoddisfazione.
• Maggior controllo sui processi aziendali core (noleggio,
consegna e ritiro).
Soluzioni implementate
• IBM Content Analytics.
Risultati
• Riduzione dei tempi necessari per
la raccolta multicanale e per il
trattamento/preparazione dei dati
non strutturati e conseguente
incremento del tempo disponibile
per la loro analisi.
• Maggior conoscenza dell’opinione
dei clienti e delle determinati della
loro soddisfazione o
insoddisfazione.
• Maggior controllo sui processi
aziendali core (noleggio, consegna
e ritiro).

22. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Annenberg Innovation Lab
University of Southern California
Annenberg Innovation Lab è un centro di ricerca dell’University of
Southern California, una tra le università più importanti degli Stati
Uniti. Il Lab, in particolare, svolge attività di ricerca focalizzata
principalmente sui Digital Media e sul loro impatto nelle
amministrazioni pubbliche, nelle imprese private e nella società civile
in generale.
All’interno di questo filone di ricerca il Lab ha avviato un progetto
finalizzato alla misurazione del “sentimento” pubblico durate le
votazioni primarie e i dibatti presidenziali.
Per fare ciò, è stata realizzata una soluzione in grado di raccogliere i
messaggi postati su Twitter durante i dibattiti politici, di analizzarne il
contenuto attraverso strumenti capaci di interpretare il linguaggio
naturale, di classificare il messaggio in funzione del suo reale
significato (disambiguazione del linguaggio ricco di “modi di dire”,
espressioni sarcastiche, etc.) e infine di capire e interpretare i
sentimenti (positivi, negativi, neutrali) verso i candidati e verso i temi
socio-economici oggetto dei dibattiti politici.
Risultati
• Visualizzazione in tempo reale delle percezioni e delle reazioni
del pubblico alle risposte fornite da parte dei candidati politici
durante i dibattiti.
• Previsione del vincitore del dibattito basata sull’opinione
pubblica anziché esclusivamente su quella degli analisti e degli
schieramenti politici.
Soluzioni implementate
• IBM InfoSphere Streams.
Risultati
• Visualizzazione in tempo reale
delle percezioni e delle reazioni
del pubblico alle risposte fornite
da parte dei candidati politici
durante i dibattiti.
• Previsione del vincitore del
dibattito basata sull’opinione
pubblica anziché esclusivamente
su quella degli analisti e degli
schieramenti politici.

23. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Risultati
• Aumento del conversion rate
dello 0,5%.
• Miglioramento dell’efficacia
delle azioni di marketing
attraverso una maggior
comprensione in tempo reale
del comportamento d’acquisto
dei clienti.

24. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Big Data Initiative:
1. Ricercare il giusto committment direzionale.
• (se possibile) ricercare un legame tra potenziali iniziative Big data e linee
guida strategiche dell'azienda
• chi fa da Pivot, da Hub e da incubatore?
• sponsorship da parte di un CXO, o meglio se di un Comitato direttivo,
interfunzionale
• rilevante Business/IT relationship, ma anche Business/Business relationship!!!
• business case e studi di fattibilità di ogni iniziativa
2. Partire con iniziative mirate, circoscritte, ma avendo in mente un
disegno “enterprise” (think big but start small and quick!).
• generare l’occasione della sperimentazione mirata
• mirare a quick wins
• pensare a scelte di piattaforme e soluzioni IT che consentano la scalabilità
con volumi crescenti di dati.

25. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Big Data Initiative:
3. Scegliere le opportune fonti informative e tecnologie.
• valorizzare e arricchire i dati interni già disponibili, strutturati e destrutturati,
che presentano un grado di affidabilità/qualità più elevato.
• puntare sulla interoperabilità e sull’integrazione con gli attuali sistemi di
datawarehousing,
4. Progettare l’organizzazione e sviluppare le competenze
• nuove figure professionali (data scientist o management scientist,
BI/analytic Manager, etc.).
• nuovi modelli di Competence Center e loro posizionamento
• partnership esterna per aumentare la consapevolezza, ridurre i timori sulle
nuove tecnologie e velocizzare la curva di esperienza/maturità sui Big
Data.
• scelte di “make or buy” nella Data Value Chain.

26. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Verso i Big Data: driver e temi di riflessione più
interessanti negli ultimi 2 anni
2012
2013
2014
ISACA, Jan. 2014;
impatto su IS security,
risk e audit
Dec. 2013, BD analytics in
nuovi PRODOTTI e SERVIZI
Dec. 2013, BD analytics a
supporto della VELOCITA’
aziendale
Nov 2013, BD e FIDUCIA
dei consumatori (out e in)
Nov 2013, BD Initiative,
fattori organizzativi
Ott. 2012, BD definition,
DATA SCIENTIST
Jan. 2013, McKinsey, BD
POTENTIAL index
2012-13, nuova sezione,
BD MGMT
Nov 2012-Jan. 2013, BD INITIATIVE, fattori organizzativi

27. Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
I Big Data richiedono una maggiore
BI Governance: il BI Maturity Model
1. Strategia aziendale di BI
2. Budget dedicato alla BI
3. Diffusione/penetrazione dei sistemi di BI
4. Grado di Copertura dei fabbisogni informativi
5. Grado di esperienza nella BI
6. Architettura BI
7. Standard tecnologici
8. Data Quality Management
9. Ownership e Accountability della BI
10. Unità organizzative dedicate alla BI
11. Relazioni specialisti-utenti e SLA
12. Analisi costi/benefici
13. Misurazione dei risultati
14. BI sourcing
Valori Medi di un gruppo multinazionale manifatturiero
BI Strategy
BI Diffusion
BI Architecture
BI Organization
BI Measurement
BI Sourcing
Fase 1
Sperimenta-
zione
Fase 2
Crescita
Fase 3
Integra-
zione
Fase 4
Ottimizza-
zione
Fase 5
Distintività
Assessment
BI Governance
Profilo
Punti di
forza e di
debolezza
Piano di
sviluppo
della BI