10. Big Data da Nasa 1996 a
“next big thing” del management.
MCKINSEY GLOBAL INSTITUTE (2011)
ritiene che, parlando di Big Data,
ci si riferisca a un insieme di dati
la cui dimensione
va al di là delle capacità dei
database tradizionali
precedentemente utilizzati per
acquisire, memorizzare, gestire e
analizzare le informazioni.
VILLARS, OLOFSON E EASTWOOD (20 IL)
una nuova generazione di
tecnologie, progettate per poter
estrarre il maggior valore possibile
da grandi volumi e varietà di dati,
così da acquisire, scoprire e
analizzare le informazioni nel modo
più veloce possibile. Per far fronte a
dati prodotti da moltissime
sorgenti, in modo sempre più
rapido e in un ammontare sempre
più ampio e differenziato.
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
12. “5V” della Complessità Big Data
Volume
• Terabytes
• Registrazioni
• Transazioni
• Tabelle, files
Varietà
• Strutturati
• Semi-strutturati
• Non strutturati
Velocità
• Real-time
• Near-time
• Batch
• Flussi
Le “3V” di Russom (2011)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
16. 14 modi per creare valore dai Big Data
Zhang e Chen (2015)
1) Creare trasparenza l'accesso ai dati più
facile e veloce
2) Utilizzare potenziali correlazioni tra
dati
3) Riutilizzare i dati residui
4) Scoprire bisogni attraverso variabilità
della performance e migliorarla
5) Segmentare la popolazione per
personalizzare le azioni
6) Rimpiazzare/supportare la decisione
con algoritmi automatici
7) Innovare i Modelli di Business, creando
nuovi prodotti e servizi
8) Sfruttare i dati non strutturati
9) Clienti social networks per sentiment
utenti
10) Svolgere operazioni in tempo reale
11) Svolgere simulazioni di situazioni reali
12) Scoprire ed estrarre nuovi patterns dai
dati
13) Creare modelli per prevedere
14) Migliorare condivisione anche per
supply chain.
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
18. Produzione (1/2)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
a) Controllo qualità:
L’analisi di enormi quantità di dati consente inoltre di stabilire i parametri che
occorre tener maggiormente sotto controllo per garantire massimi livelli di
qualità dei prodotti, anticipando eventuali difetti ed attuando le opportune
azioni correttive (Köksal et al., 2011).
b) Manutenzione preventiva:
Tramite appositi sensori, è possibile raccogliere enormi quantità di dati
rappresentativi del livello di performance e usura dei macchinari esistenti,
consentendo di valutare l’attuale stato di salute e prevederne la futura
evoluzione (Lee et al., 2014).
22. Acquisti (1/2)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
La disponibilità di enormi quantità di dati permette alla funzione acquisti ed
al management di trarre utili insight per la gestione aziendale in tempo
reale, grazie con un continuo aggiornamento delle informazioni:
1. Individuare eventuali peggioramenti nella relazione con alcuni dei
propri fornitori, monitorarli, richiedere delle azioni correttive ed,
eventualmente, sostituirli.
2. Prevedere e stimare il futuro andamento delle esigenze di
approvvigionamento e della spesa, anche ricorrendo a fornitori diversi,
selezionando infine la strategia migliore.
23. Acquisti (2/2)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
3. Determinare i vari livelli di sconto che i fornitori sono in grado di
concedere per ogni quantitativo di prodotti e, in base alla disponibilità
di spazio e alle richieste di magazzino, la funzione acquisti sarà allora in
grado di selezionare la strategia che massimizza il risparmio sulla spesa
di approvvigionamento.
4. Individuando i fornitori che presentano i migliori tempi di consegna, la
funzione acquisti può decidere di rivolgersi ai fornitori che più si
adattano alle specifiche esigenze presentate dal magazzino.
24. Marketing (1/3)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
1. Customer micro-segmentation: La disponibilità di maggiori volumi di
dati sui propri clienti consente di generare segmenti di clientela sempre
più precisi; a riguardo numerose imprese si stanno addirittura
spingendo verso la personalizzazione pura (Manyika J., 2011);
2. Price optimization: L’esplosione dei canali di vendita online ha
permesso, tramite opportuni strumenti, di delineare il profilo
comportamentale degli utenti, consentendo ai manager di stabilire il
prezzo ottimale che i clienti sono disposti a pagare (Lühr P., 2013).
25. Marketing (2/3)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
3. Location-based marketing: Grazie al crescente utilizzo di smartphone, le
persone generano enormi quantità di personal data poi analizzati dalle
imprese per delineare i profili di comportamento (abitudini lavorative,
hobby e preferenze), in base ai quali realizzare le proprie campagne
pubblicitarie (Manyika J., 2011);
4. Recommendation System: Raccolgono enormi quantità di dati e di
informazioni sui vari utenti, ne tengono traccia e le comparano con
quelle di altri soggetti riuscendo in questo modo ad apprendere i gusti e
le preferenze dei propri consumatori. Esempi tipici sono Netflix e
Amazon (Linden et al., 2003).
26. Marketing (3/3)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
5. Cross-selling e Up-selling: Analizzando i dati relativi alle vendite
compiute nel passato da parte dei vari clienti, è possibile comprendere
che tipo di prodotto offrire in base ai prodotti acquistati in passato o
realizzare particolari promozioni per incrementare il volume dei
prodotti venduti (Baumgartner T., 2011).
6. In-store analysis: L’utilizzo di smartphone consente anche di rilevare la
posizione ed il percorso che il cliente compie all’interno del negozio;
l’analisi dei numerosi dati così generati permette di delineare il profilo
del consumatore medio (età, genere, quante volte è già stato nel
negozio, interazione all’interno del negozio) (Manyika J., 2011).
27. Finanza (1/2)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
1. Credit scoring dei clienti: Analizzando i numerosi dati disponibili sui propri
clienti dati (acquisti su Amazon, dati relativi alla posizione, profilo
Facebook, etc.), le aziende possono essere in grado di delineare un profilo
della propria clientela e prevedere eventuali more nel pagamento o
situazioni di insolvibilità, potendo in parte attutire gli effetti negativi in
termini di flussi di cassa. Ad es., la società di servizi finanziari online
Kreditech ha sviluppato un algoritmo di machine learning che, analizzando
enormi quantità di, permette di classificare i vari clienti tra idonei e non
nonché di stabilire la linea di credito più opportuna (Schoell, 2015).
28. Finanza (2/2)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
2. Risk Management: L’analisi del business risk nella forma di perdita di
clientela può essere misurato e mitigato tramite l’analisi dei big data, che
permettono all’azienda di studiare il comportamento assunto dai clienti e,
in particolare, di quelli che hanno abbandonato l’impresa per individuare i
tratti distintivi. Questi ultimi, una volta individuati nei modelli
comportamentali degli altri clienti esistenti vengono immediatamente
segnalati e permettono all’azienda di intraprendere le opportune azioni
correttive (Hormozi e Giles, 2004).
30. Risorse Umane (2/3)
19/10/2018 Prof. Cristiano Ciappei Confindustria Firenze
1. Cambiamento organizzativo
Innanzitutto, l’azienda garantire che al suo interno siano presenti delle
apposite figure professionali, in grado di gestire ed analizzare i big data.
Tra queste spiccano:
• Data Scientist: soggetto chiamato a trasformare i dati in conoscenza e
quest’ultima in valore di business nell’impresa.
• Chief Data Officer: figura manageriale incaricata di sviluppare le
strategie di valorizzazione dei dati e di gestione del ciclo di vita degli
stessi
32. Alcuni riferimenti bibliografici
Baumgartner T., H. H. (2011). Find Big Growth in Big Data. In H. H. Baumgartner T., Sales Growth. Five proven strategies from world's sales leader (p. 41).
Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049-1064.
Hormozi, A. M., & Giles, S. (2004). Data mining: A competitive weapon for banking and retail industries. Information systems management, 21(2), 62-71.
Köksal, G., Batmaz, İ., & Testik, M. C. (2011). A review of data mining applications for quality improvement in manufacturing industry. Expert systems with Applications, 38(10), 13448-
13467.
LaValle, S., Lesser, E., Shockley, R., Hopkins, M. S., & Kruschwitz, N. (2011). Big data, analytics and the path from insights to value. MIT sloan management review, 52(2), 21.
Lee, J., Kao, H. A., & Yang, S. (2014). Service innovation and smart analytics for industry 4.0 and big data environment. Procedia Cirp, 16, 3-8.
Linden, G., Smith, B., & York, J. (2003). Amazon. com recommendations: Item-to-item collaborative filtering. IEEE Internet computing, (1), 76-80.
Lühr P., M. R. (2013, Febbraio). Name your price: The power of Big Data and analytics. McKinsey Quarterly.
Manyika J., C. M. (2011). Big Data: The Next Frontier for Innovation, Competition, and Productivity.
Metan, G., Sabuncuoglu, I., & Pierreval, H. (2010). Real time selection of scheduling rules and knowledge extraction via dynamically controlled data mining. International Journal of
Production Research, 48(23), 6909-6938.
Schoell, M. (2015). Kreditech: Big Data Scoring for Consumer Lending. Harvard Business School Digital Initiatives.
8/4/16