Come le IT aiutano le imprese a controllare meglio la gestione e a prendere decisioni aziendali migliori, tra miti e mode!

1. Business Intelligence, Business Analytics,
Big Data e valore aziendale
P. Pasini
Responsabile Unit Sistemi Informativi
Direttore Osservatorio BI
SDA Bocconi School of Management
Copyright SDA Bocconi, Paolo Pasini
1

2. 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)
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, …, oppure i casi di
utilizzo dei sensor/meter data o degli M2M data per
scopi di management!)

3. 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

4. La piramide di esperienza della BI
Creatività sul
mercato e nei
Business Model
RCS DIRECT. Il processo di scelta delle campagne
marketing (per gli abbonamenti RCS e per i clienti
esterni). MAPEI. Sviluppo nuovi modelli di mkt
internazionale e di mix di vendita.
Nuovi Prodotti e
Servizi
A2A. Il processo di
simulazione e di definizione
di nuovi contratti luce-gas
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, 2010)
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 di
prenotazioni e
pagamenti delle visite.
5

5. 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
…
…
6

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

7. (IBM Institute for Business Value in
collaboration with Said Business
School, University of Oxford,
“Analytics: The real-world use of big
data, 2012)
What Business Managers think: una ricerca Global
(2012)

8. Applicazioni di BI/Analytics: diversi livelli di
impatto sui risultati aziendali
Energy management,
nuovi contratti clienti,
nuovi modelli di pricing,
mix dei ri-assortimenti,
scelte di supply chain, …
CRM, analisi contatti,
segmentazioni, crossselling, analisi dei
reclami/soddisfazione/
fedeltà, …
IMPATTO DIRETTO
SULLA BOTTOM LINE
IMPATTO “MEDIATO”
SULLA BOTTOM LINE
Business Performance
Management, KPI, BSC,
analisi redditività di
IMPATTO INDIRETTO
prodotto/servizio/canale/
SULLA BOTTOM LINE
segmento clienti, analisi di
efficienza o qualità del
parco asset o delle HR, …
10

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

10. Le origini dei BIG DATA
Ogni persona o cosa o evento
naturale, ogni oggetto o evento di
business generano attorno a sé in
modo sempre più automatico dati
digitali (nel privato, nell’ambiente
fisico e relazionale o in azienda); non
solo sul web!
Nuove
Tecnologie di
data mgmt e di
data analysis
Capacità di
ricercare, di
analizzare e di
interpretare

11. È un fenomeno di management, non
solo di ICT!
e-Survey: “Big Data: le nuove frontiere
della conoscenza aziendale”
e-Survey: “Come avere successo nel
business gestendo bene i propri (e altrui!)
dati aziendali”

12. BIG DATA & BIG BROTHER:
Minacce, percezioni individuali, privacy

13. Big Data Framework
Big Data Framework
Data Volume
Data Velocity
New
Knowledge
and Insights
New
Potential
Business
Value
Data Variety
(number of sources and
types of formats)
Data Quality
(Veracity),
Security, Privacy
BI & Analytics,
DB platform
Cloud services
Enablers to Big Data
Management
Culture and
Capabilities,
New Skills
High
Information
Complexity Scale
Low

14. La ricerca
 Target: CIO e IT Executive di medio-grandi imprese italiane
 202 imprese partecipanti
 Manifatturiero: 31%; Distribuzione e Logistica: 18%; Finance:
11%; PAL-Sanità: 18%, Servizi-Utilities: 22%
 Medie Imprese (< 1000 dip.) 51%; Medio-grandi Imprese (10005000 dip.) 26%, Grandi imprese (> 5000 dip.) 23%
 Aziende domestiche 49%; Multinazionali italiane 25%; Consociate
di multinazionali estere 26%

15. Quali tra le seguenti FONTI DI DATI
associa maggiormente ai Big Data?
Social networks e social media (es. Facebook, Twitter, blogs, forum, …)
54%
Documenti cartacei digitalizzati
52%
Email
46%
Transazioni
40%
Immagini
34%
Registrazioni video
32%
Dati di geo-posizionamento (GPS)
25%
Dati generati da sensori o misuratori digitali (es. RFID, NFC, meters)
25%
Automazione processi produttivi
24%
Clickstream – Web Log
18%
M2M (Machine to Machine) data - Internet of Things
17%
Digitalizzazione dei processi di R&D (es. nella bioinformatica e
biogenetica, chimica, climatologia, ecc.)
15%
Registrazioni audio
12%
Altro (specificare)
3%
20

16. Principali aree di impatto e di beneficio di
business dei Big Data
1.
2.
3.
4.
5.
6.
accuratezza delle analisi del comportamento del mercato e maggiori
informazioni sui Clienti (più dimensioni di analisi) al fine di servirlo meglio
(con piattaforme digitali di Customer Experience multicanale)
costruzione di una nuova piattaforma IT (che superi i limiti del DW, che
permetta analisi di milioni di transazioni, che permetta di analizzare grandi
quantità di dati strutturati e non, ecc.)
velocità delle insight a supporto delle decisioni strategiche (predizioni,
scenari e previsioni di medio-lungo termine)
analizzare e gestire Point-of-interest aziendali (PdV, magazzini,
concessionari e dealer, turbine, cantieri, ecc.) e infrastrutture sul territorio
(reti elettriche, canalizzazioni, strade, ecc.)
Analisi di dati strutturati e non che convergono in documenti aziendali core
dematerializzati (fascicoli sanitari, gestione sinistri, …)
Ottimizzazione dei processi aziendali (supply chain complesse, campagne
promozionali ripetitive, …)
21

17. Rilevanza per gli executive
L’Executive più interessato ai Big Data e che può generare il
giusto committment aziendale, è:
1.
2.
3.
CIO/IT manager: 37% ma non da solo per il 19% del campione, bensì
con il CEO (5%) o il DG (4%), con il Direttore AFC (5%), con il direttore
Mktg (5%)
Comitato interfunzionale di Executive (21%): “Big data = Big
Brainstorming!”
Direttore Mktg (20%)
22

18. What Business Managers think: una ricerca Global
(IBM Institute for Business Value in
collaboration with Said Business
School, University of Oxford,
“Analytics: The real-world use of big
data, 2012)

19. Fase attuale del ciclo di
esperienza/maturità nei Big Data
1.
La maggioranza delle aziende si presenta nella Fase di
comprensione dei BD e dei loro possibili benefici (57%).
2.
Un’altra porzione di rilievo (25%) è consapevole del valore dei BD
ma ha “priorità” immediate nella gestione della privacy e della
sicurezza dei dati.
3.
Il 25% non sente il bisogno dei BD (con un 7% che ha però avviato
una fase di comprensione).
4.
il 18% ha definito una strategia di BD o sta svolgendo studi di
fattibilità o ha avviato progetti in ambito (ricerca a livello Global:
28 % in Execution; 48% in Planning).

20. Gli Enabler organizzativi dei Big Data
1. il funding, il budget delle iniziative (22%)
2. la corretta valutazione dei ritorni dell’investimento
(14%)
3. il committment direzionale (13%)
4. le competenze interne (tecnologiche, analitiche,
interpretative) (12%)
25

21. BI/Analytics Organization
BICC
centrale
BICC
divisionale
(MIT Sloan Management Review in
collaboration with the IBM Institute
for Business Value, “Big Data,
Analytics and the Path From
Insights to Value, winter 2011)

22. Gli Enabler tecnologici dei Big Data
ICT Outsourcing
3,84
Streaming processing
4,05
Hadoop/MapReduce
4,13
Cloud computing/ICT as-a-service
4,23
Sistemi di database management relazionali
4,31
Sistemi di database management non relazionali (es. inmemory,
columnar)
4,49
Content Analytics
4,56
Strumenti per l’Integrazione di dati (es. ETL, etc.)
4,57
Business Analytics
4,85
1,00
1,50
2,00
2,50
3,00
3,50
4,00
4,50
5,00
27

23. ALCUNI CASI PIONIERI E
CASI DI ECCELLENZA

24. Volume
Variety
Velocity
Insight dei
Insight dei Processi
Processi R&D e
gestionali, incluso
innovazione di
risk mgmt
prodotto/servizio
Insight delle
relazioni con
partner esterni
Insight dei PoI o
Insight per Strategie
Insight sui
Insight di mercato e
future, scenari,
Infrastrutture
documenti core
clienti
business model
aziendali (incl. ICT)
dematerializzati

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

26. Alcuni commenti generali ai casi osservati
1. Buona distribuzione dei casi nei 3 attributi base dei Big Data
(velocity, variety, volume), con mix diversi degli stessi
2. Conferma che l’esperienza di BD si sta trasferendo
• dal mondo fisico (analisi delle infrastrutture e dei PoI aziendali,
soprattutto nelle Telco, nell’Energy e nel trasporto pubblico) e
della R&D (innovazione di prodotto/servizio, nel mondo medico,
meteo, sicurezza)
• al mondo del management (soprattutto nelle analisi del
mercato/clienti e dei processi gestionali core)
3. Più difficile per ora osservare esperienze di BD nella definizione di
strategie e scenari futuri, e nell’analisi delle relazioni con i fornitori e
partner

27. 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%.

28. 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
Risultati i dati non strutturati raccolti mediante l’utilizzo di
automaticamente
regole linguistiche restituendo
• Riduzione dei report facilmente interpretabili per
tempi necessari e
analizzabili dal management.
la
Risultati raccolta multicanale e per il
• trattamento/preparazione dei dati
Riduzione dei tempi necessari al trattamento/preparazione
dei dati non strutturati e conseguente incremento del tempo
non strutturati e conseguente
disponibile per la loro analisi.
• incremento del tempo disponibile
Maggior conoscenza dell’opinione dei clienti e delle
determinati della loro soddisfazione o insoddisfazione.
per lacontrollo analisi. aziendali core (noleggio,
• Maggior loro sui processi
consegna e ritiro).
• Maggior conoscenza dell’opinione
Soluzioni implementate
dei clienti e delle determinati della
• IBM Content Analytics.
loro soddisfazione o
insoddisfazione.
• Maggior controllo sui processi
aziendali core (noleggio, consegna
e ritiro).

29. 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
Risultati
• Visualizzazione in tempo reale delle percezioni e delle reazioni
del pubblico alle risposte in tempo candidati
• Visualizzazionefornite da parte deireale politici
durante i dibattiti.
delle percezionidel dibattito basata sull’opinione
• Previsione del vincitore e delle reazioni
pubblica anziché esclusivamente su quella degli analisti e degli
del pubblico alle risposte fornite
schieramenti politici.
da parte dei candidati politici
Soluzioni implementate
durante i dibattiti.
• IBM InfoSphere Streams.
• Previsione del vincitore del
dibattito basata sull’opinione
pubblica anziché esclusivamente
su quella degli analisti e degli
schieramenti politici.

30. 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.

31. TerraEchos
TerraEchos è leader nella fornitura di sistemi di intelligence segreta e
di sistemi di sorveglianza. Tra i suoi clienti, c’è il National Lab di
ingegneria applicata che supporta il Department of Energy (DOE)
americano nella ricerca energetica e nucleare e nelle attività per la
difesa nazionale.
TerraEchos ha sviluppato un sistema per la sorveglianza basato
sull’analisi dei dati sonori a bassa latenza. In particolare il sistema
implementato è un sistema di sicurezza e sorveglianza per individuare,
classificare e monitorare le minacce potenziali altamente sensibili per il
National Lab.
La soluzione raccoglie i dati acustici provenienti dalla rete di sensori in
fibra ottica. Successivamente li analizza per la rilevazione di minacce, la
classificazione, la prevenzione e la comunicazione agli enti di analisi e
intervento.
Risultati
•
Analisi e classificazione in tempo reale dei dati acustici in
streaming.
Risultati
Integrazione
dati video provenienti
• •Analisi e diclassificazioneunadai sistemi di
in tempo
sorveglianza con i dati acustici per fornire
visione olistica
delle potenziali minacce.
reale dei dati acustici in streaming.
• Predisposizione di una più veloce e intelligente risposta alle
potenziali minacce rilevate.
• Integrazione dei dati video
Soluzioni implementate
provenienti
dai
sistemi
di
• IBM InfoSphere Streams.
sorveglianza con i dati acustici per
fornire una visione olistica delle
potenziali minacce.
• Predisposizione di una più veloce e
intelligente risposta alle potenziali
minacce rilevate.

32. University Western of Ontario, Institute of Technology
(UOIT)
L’Università dell’Ontario, fondata nel 2002, è un importante centro di
ricerca canadese costantemente impegnato nel trovare strumenti
innovativi per offrire assistenza sempre più efficace e proattiva in
campo medico.
Oggi i pazienti sono costantemente monitorati con specifici apparecchi
in grado di segnalare scostamenti dai valori vitali considerati normali in
modo da poter intervenire tempestivamente e in modo mirato sulla
eventuale patologia nascente o in corso.
L’osservazione però ha dimostrato che un’analisi più approfondita del
paziente può intercettare l’insorgere di complicazioni molto prima che
queste si manifestino in tutta la loro gravità. È quindi importante poter
individuare anche i cosiddetti “segnali deboli” che possono permettere
un intervento in una fase precoce della patologia in essere.
L’importanza della diagnosi precoce è ancora più rilevante e critica in
pazienti particolarmente indifesi come i neonati nati prematuri.
È stata così sviluppata una soluzione in grado di analizzare i dati dei
bambini nati prematuri e monitorarne le condizioni costantemente in
modo da permettere una valutazione e una comparazione con i dati
Risultati
fisiologici “normali” dei neonati e consentire di evidenziare
cambiamenti anche molto
questo modo è
• Rilevazione lievi. In tempestivamente possibile per il
eventuali
personale ospedaliero intervenire di
e soprattutto
quando la situazione non è ancora critica.
condizioni critiche del paziente
Risultati
• con un eventuali condizioni critiche a paziente con un
Rilevazione di anticipo fino del 24 ore
anticipo fino
ore prima.
prima. a 24 e migliore assistenza al paziente neonato.
• Minore mortalità
• Minore mortalità e migliore
Soluzioni implementate
• assistenza al paziente neonato.
IBM InfoSphere Streams.
•
IBM DB2.

33. Cost reduction
Working
capital
reduction
Intangible asset value
(brand reputation, risk
mgmt, knowledge,
relationship value,
social value, …)
Business Value
Revenue increese
Insight dei Processi
R&D e innovazione
di prodotto/servizio
Insight
deiProcessi
gestionali,
incluso risk
mgmt
Insight delle
Insight dei PoI o
Insight di mercato e
relazioni con
Infrastrutture aziendali
clienti
partner
(incl. ICT)
esterni
Insight sui
Insight per
documenti
Strategie
core
future,
dematerializz
scenari
ati

34. Insight dei Processi
R&D e innovazione
di prodotto/servizio
Insight
deiProcessi
gestionali,
incluso risk
mgmt
Insight delle
Insight dei PoI o
Insight di mercato e
relazioni con
Infrastrutture aziendali
clienti
partner
(incl. ICT)
esterni
Insight sui
Insight per
documenti
Strategie
core
future,
dematerializz
scenari
ati
 Globe Telecom (RT mktg
data analysis)

 TerraEchos (RT acoustic
data analysis)
 Vestas (wind turbine
positioning)
 Hertz (content analytics)
 Barnes & Noble
(RT sales track  Major U.S. Wireless Telco (RT
for suppliers and
cells Data analysis)
RT inventory
analysis)
 Dublin City Center (RT public
transportation data analysis)
Working
capital
reduction
Cost reduction
 Telecom (service level
monitoring)
U.S. life Insurance Company
(RT predictive analysis of
churn)
 Mediaset (social analytics;
virtual customer profile
analysis)
 MobyLines (RT customer
profiling and custom content
delivery)
 Hertz (content
analytics)
 Asian health Bureau
(patient images analysis in
 Asian Telco (network
rural telemedicine)
monitoring e
processo di billing)
 KTH Swedish Royal
Institute of Technology
(RT analysys of traffic
streaminig data)
 University of Western
 Vestas (wind turbine
Ontario (RT neonatal
positioning)
patient conditions
analysis)
 Asian health Bureau
(patient images analysis in
Intangible asset value
brand reputation, risk
mgmt, knowledge,
relationship value,
social value, …)
Business Value
Revenue increese
 Ufone (campaign data
streams analysis)
 Major U.S. Wireless Telco (RT
cells Data analysis)
 Multinational
Aeromobile
manufacturer
(enterprise
search)
 Battelle (RT and DWH smart
grid data analysis)
 Asian Telco (network
monitoring)
 Mutiutility italiana (RT power
network analysis and
predictive)
 Dublin City Center (RT public
transportation data analysis)
 Telecom (service level
monitoring)
 University of Southern
California(RT Twitter data
analysis for political aims)
 Hertz (content analytics)
 Multinational
CPG
manufacturer
(enterprise
search)
 Multinational
Aeromobile
manufacturer
(enterprise
search)

35. I Business Value più rilevati
1. La ricerca della riduzione dei costi aziendali o del
capitale circolante, come Business Value dei BD,
non sembra il fine più perseguito, se non nelle
insight delle Infrastrutture aziendali: i BD forse sono
più coerenti con crescita e innovazione!
2. Il valore in termini di Intangible Asset è sempre
presente
3. L’incremento di Revenue come valore dei BD si
manifesta ovviamente di più nei casi di Analisi del
mercato/clienti

36. Nuove suggestioni o trend reali?
(Fonti: Gartner, Forrester, Datawarehousing Institute -TDWI.com, Information-Management.com, Osservatorio
BI-SDA Bocconi - sdabocconi.it/obi)
Maturità della BI ed Evoluzione delle applicazioni di BI:
1. Più BI Decision-oriented e meno BI Reporting-Based
2. Big Data: “Umbrella term” di Data Velocity-Variety-Volume !
• Open Data
• Web BI: dalle Web Metrics & Analytics alla Social Web BI
• Geo-Data
3. Near Real Time BI

37. Nuove suggestioni o trend reali?
Nuovi metodi di BI design e delivery:
1. Agile BI, Usability
2. Self-Service BI
3. User centric design, Design sperimentali, iterativi, User test
continuo
4. Autocertificazione dei dati
•
•
•
Velocità di generazione (bassa latenza)
Dati non certificati da procedure o sistemi ufficiali
Poca consapevolezza e metodi
5. Embedded analytics nei processi operativi (es. gestione di un
reclamo, Web Advertising, prevenzione medica, ecc.); molto sviluppo
custom!

38. Nuove suggestioni o trend reali?
Nuove tecnologie di BI:
1. Advanced visualization: la grafica è il punto di partenza delle analisi, non
l’arrivo!
2. BI collaborativa: integrazione con workflow, portali aziendali, strumenti di
3.
messaging e communication; grande potenziale inespresso
InMemory: prestazioni e verso la RT information
4. Analytical Platform: nicchie di applicazioni
5. BI Mobile: quanto “spinge” realmente la BI e le Analytics?
•
•
•
•
Apps per la raccolta dati e Apps analitiche
Smartphone: solo per data collect e information presentation
Tablet: anche per information analysis; i device sono decisamente più “cool”,
ma la logica del “baratto” con l’utente rimane: l’adozione del tablet è diversa
dall’adozione della BI/Analytics aziendale!
Gestione di più piattaforme oggi presenti sul mercato (non solo Iphone e
Ipad!)
Necessità crescente di una
maggiore BI Governance
“Still dreams”:
1. BI in SaaS, in Cloud
2. BI Open source