Digital intelligence & Big Data Forum | Milano, 9 aprile 2013 | L'intervento di Giorgio Moresi

1. Big Data: le fondamenta
per i nuovi business

2. Le fondamenta dei Big Data

3. Da big data a DW/DBMS
DW/DBMS Foundations

4. DW/DBMS fundamentals
Shared-Nothing
MPP
Architecture

5. Parallel Data Flow Engine

6. Data distribution e parallel scanning

7. MapReduce Processing

8. Parallel Query

9. Data organization
Row-oriented DB vs
Column-oriented DB

10. Data organization
DB compression effectiveness

11. Data organization
Polymorph level of hybrid DBs

12. Non-structured data
The Hadoop Framework

13. A-W Appliance Evaluation Map©

14. 4D DW/DBMS Evaluation Schema©
Affermazione #1
La finalità del modello è la definizione di una
mappa orientativa per la valutazione
comparativa delle piattaforme Big Data
Affermazione #2
Il modello Big Data è tipicamente un modello
“Data Driven”
Affermazione #3
Il volume dei dati è una (su quattro) delle dimensioni
di valutazione da considerare nel processo di
benchmark e selezione della piattaforma
Affermazione #4
Le quattro dimensioni del modello hanno, in sede di
benchmark, la stessa rilevanza ed importanza

15. Big data è un obiettivo mobile:
varia in base alla tipologia
dell’azienda e alla complessità
dei dati.
Data size

16. ERP-oriented
DW-oriented
DB-oriented
Data sources | tre approcci base

17. Data analytics

18. I motori infocube-less hanno la
capacità di gestire grandi
volumi di dati, fornendo
risposte istantanee a domande
totalmente libere.
Answers to unpredictable questions

19. DB row-oriented
vs
DB column-oriented
Data structure

20. Dal concetto di star-schema
al modello infocube-less.
Una nuova BI

21. Una nuova definizione di BI,
basata sui
database column-store.
Una nuova BI
INFOCUBE-LESS
BUSINESS
ANALYTICS
BUSINESS
DISCOVERY
ADVANCED
ANALYTICS

22. DW/DBMS Business Discovery
Data mining Forecast &
Planning
Statistical
analysis
Customer care
Social CRMCollaborative BI

23. Un esempio di sales
analytics in ambito retail.

24. 24

25. 25

26. 26

27. 27

28. 28

29. Sales-focused BI
Ma i dati sono eterogenei e
aumenteranno sempre*
*di 75 volte nei prossimi 10 anni [fonte: IDG]
[BIG DATA]
29

30. Big Data management
Visione di insieme dei KPI
aziendali per prendere
decisioni non solo corrette ma
realmente CONVENIENTI
corporate data
retail data
online|social data
[YOUR
BUSINESS
STRATEGY
HERE]
30

31. La business intelligence è la
raccolta e analisi di tutti i
dati aziendali per prendere
decisioni di business
convenienti.
31

32. Vecchio e nuovo a confronto
1. Analisi dati
2. Definizione variabili
3. Progettazione
4. Disegno interfacce
Risposte imprevedibili a
domande totalmente libere
«Voglio trovare anche quello
che non cerco!»
BUSINESS INTELLIGENCE
TRADIZIONALE
BUSINESS DISCOVERY
32

33. Non voglio
accontentarmi di
risposte a domande che
già conosco.
33

34. La nuova BI
Da qui comincia la
nuova BI
 nessun vincolo strutturale del sistema
 navigazione totalmente libera e creativa del
patrimonio informativo disponibile
34

35. Un esempio di Big Data
Management completo.

36. Social analytics
GRETA visita lo store
online di una casa di
moda che ama
Lascia un commento
negativo su delle
scarpe: il materiale
le sembra di
bassa qualità!
Si documenta su un
blog fashion che la
convince ad andare a
a vederle allo store
Compra anche una
cintura abbinata e
scrive un tweet
sull’accaduto
La settimana
successiva effettua un
acquisto sul mobile
commerce per un
altro prodotto, senza
andare nello store
Visita lo store
facendo check-in su
foursquare e, viste le
scarpe, le compra
con carta
36

37. Social analytics
Una % significativa di consumatori
mostra un comportamento simile
investimenti
nell’e-commerce
investimenti in
social media
marketing
interventi
sull’assortimento
in store
Priorità identificate sulla base del
budget disponibile

38. Come è possibile iniziare
un percorso per arrivare
fino a qui?
3
8

39. Occorrono nuovi
strumenti concettuali e
tecnologici per conoscere
il nostro cliente.
3
9
Nuovi strumenti

40. La base per l’analisi social
L’utilizzo pieno di
informazioni strutturate
e non strutturate
consente di produrre
meglio ciò che si venderà
4
0

41. 41
Il valore portato dal system
integrator.

42. Conoscere il cliente
42
APP
STORE
ONLINE
STORE
SITO
WEB
SOCIAL

43. Conoscere i sistemi
43
BI SYS
RETAIL
MGMT
CRM
CMS
DAM

44. Conoscere i migliori strumenti
44
Best of breed del
singolo canale

45. Ma non basta
45

46. Il capitale di conoscenza
46
KNOWLEDGE
BASE

47. Il capitale di conoscenza
47
VISIONE UNICA
NEUTRALITÀ
KNOWLEDGE BASE
TIFO PER IL CLIENTE
ADVICE
ESPERIENZA

48. Conoscenza degli strumenti
48
TECNOLOGIE
AFFERMATE
NUOVI VENDOR

49. Conoscenza dei team Innovation
49
IT TEAM
MARKETING TEAM

50. Stabilire obiettivi e percorso
50
Prendere coscienza dei dati social e
interrogarsi su cosa interessa ottenere e
definire le priorità.

51. Integrare i dati
51
Integrare le informazioni provenienti dai
social media con i dati aziendali: nuove
prospettive nella conoscenza del cliente

52. Analizzare i dati
52
Analizzare i dati social attraverso strumenti
dedicati e ricavare informazioni puntuali su
prodotti, distribuzione, promozione

53. Agire
53
Anticipare i desideri il cliente e supportarlo
nella scelta, ottimizzando i processi interni.

54. Il dream team delle analytics
54
CONSULTANTS SYSTEM INTEGRATOR
TOOLS
AGENCY

55. Grazie per l’attenzione
55 | 4 ottobre 2013