{"id":2150,"date":"2020-07-15T15:25:34","date_gmt":"2020-07-15T13:25:34","guid":{"rendered":"https:\/\/www.fluentis.com\/blog\/public-cloud-computing-copy\/"},"modified":"2023-08-22T09:49:20","modified_gmt":"2023-08-22T07:49:20","slug":"big-data","status":"publish","type":"post","link":"https:\/\/www.fluentis.com\/it\/blog\/big-data\/","title":{"rendered":"Cosa fare con tutti questi dati?"},"content":{"rendered":"\n

Big Data e Data Analytics: di cosa si tratta?<\/strong><\/h2>\n\n\n\n

I termini \u201cBig Data\u201d e \u201cData Analytics\u201d sono diventati parole d\u2019ordine popolari negli ultimi anni. Ma molti che usano questi termini non comprendono effettivamente cosa significano, quali sono le capacit\u00e0 e limitazioni implicate, o che valore reale possono avere tutte queste informazioni.<\/p>\n\n\n\n

In questo articolo, forniremo un\u2019introduzione di base al concetto di Big Data, nonch\u00e9 al concetto pi\u00f9 pratico di analisi dei dati. Argomenteremo anche che i Big Data, pur essendo uno strumento potente, non sono necessariamente vitali per ogni progetto di analisi dei dati. Discuteremo quindi alcune delle insidie pi\u00f9 comuni che le aziende incontrano nell\u2019analisi dei dati. Infine, esamineremo il processo di base su come strutturare al meglio un processo di analisi dei dati per evitare tali insidie e per ottenere il massimo dalle risorse di dati disponibili.<\/p>\n\n\n\n

Cosa sono i Big Data?<\/h3>\n\n\n\n

Prima di parlare dei modi pi\u00f9 corretti di condurre \u201cData Analytics\u201d, \u00e8 importante capire il vero significato di Big Data. Il termine Big Data potrebbe trarre in inganno, perch\u00e9 una traduzione letterale porterebbe a pensare che si riferisca semplicemente all\u2019enorme quantit\u00e0 di dati che oggi abbiamo a disposizione. Questa per\u00f2 \u00e8 una definizione riduttiva del termine.<\/p>\n\n\n\n

Se \u00e8 vero che la quantit\u00e0 di dati oggi disponibile \u00e8 inimmaginabile, il concetto a cui ci si riferisce quando si parla di Big Data o Rivoluzione Big Data<\/strong> \u00e8 la capacit\u00e0 che oggi esiste di elaborare, analizzare e trarre applicazioni oggettive da tutte queste informazioni, suggerendo pattern e modelli di interpretazione fino ad ora impensabili<\/strong>.<\/p>\n\n\n\n

Questa possibilit\u00e0 \u00e8 data dagli algoritmi<\/strong> capaci di trattare una mole cos\u00ec immensa di dati in un tempo ridotto e con poche capacit\u00e0 computazionali.<\/p>\n\n\n\n

Le informazioni che oggi, con un algoritmo e un semplice laptop, possono essere elaborate nel giro di qualche ora, fino a poco tempo fa avrebbero richiesto molto tempo e computer super costosi.<\/p>\n\n\n\n

Questa \u00e8 la rivoluzione Big Data.<\/strong><\/p>\n\n\n\n

Esempi quotidiani di Big Data<\/h3>\n\n\n\n

La rivoluzione Big Data \u00e8 da tempo entrata nelle nostre vite, anche se non ce ne accorgiamo distintamente. Facciamo alcuni esempi pratici.<\/p>\n\n\n\n

L\u2019uso dei Big Data in ambito marketing si ritrova nei cosiddetti metodi di raccomandazione<\/strong>, come quelli usati da Netflix o Amazon per proporre offerte d\u2019acquisto mirate<\/strong> a uno specifico utente. Questo pu\u00f2 avvenire con scientifica precisione perch\u00e9 tutti i dati di navigazione di un utente, dagli acquisti eseguiti, ai prodotti ricercati o valutati, permettono di suggerire i prodotti e i servizi pi\u00f9 adatti per quella persona, quelli che sicuramente attireranno la sua attenzione. Ed \u00e8 cos\u00ec che gli algoritmi riescono a \u201cscoprire\u201d anche se una donna \u00e8 in stato di gravidanza, in base alle sue ricerche effettuate e a proporle offerte e prodotti che potrebbero servirle.<\/p>\n\n\n\n

Big Data permette addirittura di scovare inusuali associazioni: secondo alcune ricerche di data mining, infatti, le persone che comprano feltrini per mobili sarebbero pi\u00f9 inclini a regolare i propri debiti entro i tempi stabiliti, rappresentando i clienti ideali per gli istituti di Credito.<\/p>\n\n\n\n

Nella vita quotidiana troviamo tantissime altre applicazioni per i Big Data.
Pensiamo ad esempio al dispiegamento delle forze di polizia nei luoghi e nei momenti in cui i reati hanno pi\u00f9 probabilit\u00e0 di verificarsi.
Oppure allo studio delle associazioni tra qualit\u00e0 dell\u2019aria e salute.
O ancora all\u2019analisi genomica per migliorare la resistenza alla siccit\u00e0 nelle varianti di cereali.<\/p>\n\n\n\n

Per capire la portata della potenza dei Big Data, basti pensare che nel gi\u00e0 lontano 2008 Google era riuscito a prevedere la presenza di focolai di influenza nei territori degli Stati Uniti, pi\u00f9 velocemente di quanto non sia riuscito a fare il Ministero della Salute monitorando i record di ammissione ospedaliera delle strutture sanitarie pubbliche e private.
Era solo il 2008, e da allora siamo andati avanti anni luce.<\/p>\n\n\n\n

Il ruolo della statistica<\/strong><\/h2>\n\n\n\n

Merriam-Webster definisce la statistica come \u201cuna branca della matematica che si occupa della raccolta, analisi, interpretazione e presentazione di masse di dati numerici\u201d. La statistica \u00e8 un concetto chiave alla base dei big data e dell\u2019analisi dei dati. L\u2019idea \u00e8 di utilizzare un sottoinsieme dell\u2019universo globale di dati per trarre conclusioni su quell\u2019universo di dati. Ad esempio, \u00e8 possibile raccogliere misurazioni del peso di alcune persone nel tentativo di stimare il peso medio di tutte le persone. Come vedremo, questo esempio apparentemente semplice diventa per\u00f2 molto pi\u00f9 complesso a seconda delle caratteristiche dei dati.<\/p>\n\n\n\n

Caratteristiche dei dati<\/strong><\/h2>\n\n\n\n

Le caratteristiche dei dati determineranno se e come \u00e8 possibile utilizzare determinati dati in un progetto di analisi dei dati. Il NIST (National Institute of Standards and Technology)  elenca quattro caratteristiche principali che i dati devono avere \u2013 volume<\/strong>, velocit\u00e0<\/strong>, variet\u00e0<\/strong> e variabilit\u00e0<\/strong> \u2013 a cui Cary, societ\u00e0 di Data Analytics con sede nella Carolina del Nord, aggiunge una quinta caratteristica, ovvero la veridicit\u00e0<\/strong>.<\/p>\n\n\n\n

VOLUME<\/strong>: Questa caratteristica pu\u00f2 essere interpretata sia come una benedizione che come una maledizione e si riferisce al numero di data points. L\u2019accesso a data points apparentemente infiniti pu\u00f2 significare la possibilit\u00e0 di identificare le caratteristiche del consumatore e i suoi probabili comportamenti con un grado di precisione incredibile, ma i costi dell\u2019architettura per l\u2019elaborazione di tali dati aumentano con il volume.<\/p>\n\n\n\n

VELOCITA\u2019<\/strong>: strettamente correlata al volume, questa caratteristica considera la velocit\u00e0 con cui i dati sono o possono essere raccolti.<\/p>\n\n\n\n

VARIETA\u2019<\/strong>: i dati sono disponibili in varie forme. Ad esempio, le preferenze dei consumatori possono essere misurate rivedendo le indagini sui consumatori, monitorando le ricerche online o monitorando le decisioni di acquisto.<\/p>\n\n\n\n

VARIABILITA\u2019<\/strong>: la variabilit\u00e0 si riferisce alle variazioni dei dati nel tempo. Queste modifiche possono includere la velocit\u00e0 con cui i dati scorrono, il formato dei dati o i dati stessi.<\/p>\n\n\n\n

VERIDICITA\u2019<\/strong>: i dati provenienti da fonti diverse possono essere pi\u00f9 o meno affidabili. Ad esempio, i consumatori potrebbero segnalare preferenze che non corrispondono al loro reale comportamento di acquisto. I dati di vendita di alcune fonti potrebbero essere ambigui o persino intenzionalmente errati. La veridicit\u00e0 si riferisce alla qualit\u00e0 dei dati.<\/p>\n\n\n\n

Che cos\u2019\u00e8 l\u2019analisi dei dati (Data Analytics)?<\/strong><\/h2>\n\n\n\n

L\u2019analisi dei dati significa letteralmente analizzare i dati disponibili. Pu\u00f2 assumere diverse forme, a seconda dell\u2019intento dell\u2019analisi:<\/p>\n\n\n\n

    \n
  • Descrittiva<\/strong>: cosa \u00e8 successo?<\/li>\n\n\n\n
  • Diagnostica<\/strong>: perch\u00e9 \u00e8 successo?<\/li>\n\n\n\n
  • Predittiva<\/strong>: cosa accadr\u00e0?<\/li>\n\n\n\n
  • Prescrittiva<\/strong>: cosa si dovrebbe fare?<\/li>\n<\/ul>\n\n\n\n

    La complessit\u00e0 dell\u2019analisi aumenta proporzionalmente da descrittiva a prescrittiva, dove l\u2019analisi prescrittiva \u00e8 l\u2019obiettivo di business finale pi\u00f9 ambizioso. Una domanda descrittiva di analisi dei dati potrebbe essere: \u201cQuanti soldi spende il consumatore medio italiano all\u2019anno per la manutenzione dell\u2019automobile?\u201d
    La risposta pu\u00f2 essere ottenuta in maniera relativamente facile analizzando una quantit\u00e0 sufficiente di dati sulle abitudini di spesa e tale risposta \u00e8 utile nella misura in cui aiuta a determinare le dimensioni del mercato disponibile, ma non \u00e8 necessariamente sufficiente da sola per aiutare nel processo decisionale.<\/p>\n\n\n\n

    La relativa domanda diagnostica potrebbe essere: \u201cPerch\u00e9 i consumatori spendono questa somma di denaro per la manutenzione dell\u2019automobile? Perch\u00e9 non spendono di pi\u00f9 o di meno? \u201d Ci\u00f2 richiede di esaminare pi\u00f9 da vicino i dati e di stabilire alcune connessioni, come le abitudini di spesa di soggetti appartenenti a determinati gruppi demografici, fasce di reddito o regioni geografiche; o le abitudini di spesa in determinati tipi di manutenzione automobilistica o il volume di spesa con determinate societ\u00e0 rispetto ad altre.<\/p>\n\n\n\n

    Il follow-up predittivo sarebbe: \u201cQuali abitudini di spesa si prevede ci saranno nei prossimi 5 anni da parte dei consumatori italiani per la manutenzione automobilistica?\u201d<\/p>\n\n\n\n

    Infine, la domanda prescrittiva: \u201cDato quello che crediamo essere lo stato attuale e futuro del mercato, cosa dovremmo fare?\u201d<\/p>\n\n\n\n

    Nella nostra analisi ipotetica, una societ\u00e0 del settore della manutenzione automobilistica in Italia che si trova di fronte a questa domanda potrebbe decidere di investire pi\u00f9 pesantemente in una specifica area del settore, puntare in maniera pi\u00f9 diretta a determinati segmenti di mercato, confrontare e seguire le best practicies di concorrenti specifici, o anche abbandonare del tutto il settore.<\/p>\n\n\n\n

    L\u2019analisi dei dati richiede sempre Big Data?<\/strong><\/h3>\n\n\n\n

    Ci\u00f2 che distingue i Big Data da un concetto pi\u00f9 generalizzato di un campione di dati \u00e8 la dimensione e la complessit\u00e0 della gestione di tutti quei dati. I Big Data, per definizione, consistono in enormi quantit\u00e0 di dati che richiedono un\u2019enorme capacit\u00e0 di elaborazione per essere utilizzati in modo efficace.<\/p>\n\n\n\n

    Un\u2019azienda ha bisogno di Big Data per condurre in modo efficace l\u2019analisi dei dati? Non necessariamente<\/strong>, ma dipende dall\u2019analisi<\/strong>. Le statistiche diventano pi\u00f9 accurate all\u2019aumentare della dimensione del set di dati. E rispondere con precisione a domande complesse diventa pi\u00f9 facile perch\u00e8 l\u2019accuratezza delle conclusioni statistiche alla base \u00e8 pi\u00f9 accurata.<\/p>\n\n\n\n

    Pertanto, un\u2019azienda che ha la necessit\u00e0 di analizzare il tasso di difettosit\u00e0 del suo processo di produzione di materassi negli ultimi tre anni probabilmente non avr\u00e0 bisogno di sfruttare i Big Data. Tuttavia, se la stessa societ\u00e0 desiderasse condurre un\u2019analisi prescrittiva riguardo un business plan per entrare nel mercato di materassi di fascia alta del sud-est asiatico entro un periodo di cinque anni, potrebbe aver bisogno di grandi quantit\u00e0 di dati per garantire che le sue stime e previsioni siano sufficientemente accurate per giustificare il piano d\u2019azione.<\/p>\n\n\n\n

    Insidie comuni nell\u2019analisi dei dati<\/strong><\/h3>\n\n\n\n

    Le aziende che desiderano sfruttare l\u2019analisi dei dati devono tener presente una serie di potenziali insidie, ricordando che un\u2019azienda potrebbe arrivare a spendere enormi quantit\u00e0 di tempo, denaro e altre risorse in un progetto di analisi dei dati ottenendone scarso o nessun beneficio, o, peggio ancora, finire col prendere una decisione avventata. Ecco alcuni errori da cui guardarsi.<\/p>\n\n\n\n

    Nessun obiettivo chiaro<\/strong>: alcune aziende potrebbero vedere i Big Data come una bacchetta magica e l\u2019analisi dei dati come una cura miracolosa per le loro difficolt\u00e0 e potrebbero pensare: \u201cSe riusciamo ad ottenere i dati, la risposta ci apparir\u00e0 forte e chiara\u201d. Raccogliere dati da miliardi di data points ed incanalarli in una scatola nera che sputa preziose informazioni non \u00e8 esattamente il corretto modo in cui avvalersi dell\u2019analisi dei dati. Le aziende che decidono di fare Data Analytics senza un obiettivo chiaro rischiano di spendere risorse significative senza approdare a nessun beneficio tangibile.<\/p>\n\n\n\n

    Obiettivi troppo pretenziosi<\/strong>: quasi quanto non avere un obiettivo chiaro, anche averne uno troppo ambizioso pu\u00f2 essere un\u2019insidia. Le aziende devono considerare le proprie risorse e capacit\u00e0 prima di definire i propri obiettivi di analisi dei dati. Una societ\u00e0 con un budget di  5.000 \u20ac e un singolo dipendente a tempo pieno assegnato a un progetto pilota di analisi dei dati, realisticamente non pu\u00f2 aspettarsi di prevedere le tendenze delle preferenze dei consumatori negli Stati Uniti il prossimo anno. Ma potrebbe riuscire a identificare l\u2019orario di lavoro pi\u00f9 e meno produttivo in una delle sue linee di produzione.<\/p>\n\n\n\n

    Basare le decisioni su dati errati<\/strong>: come discusso in precedenza, l\u2019obiettivo finale dell\u2019analisi dei dati \u00e8 determinare un corretto corso di azione, dato lo stato attuale e previsto degli affari. Se le decisioni sul corretto corso delle azioni si basano su una valutazione errata della situazione attuale e futura, tali decisioni potrebbero rivelarsi disastrose. Questo \u00e8 il motivo per cui l\u2019analisi prescrittiva richiede investimenti adeguati nelle risorse necessarie per garantire accurate analisi descrittive, diagnostiche e predittive.<\/p>\n\n\n\n

    Strutturare un progetto di analisi dei dati efficace<\/strong><\/h2>\n\n\n\n

    Consci di cosa pu\u00f2 andare storto, pensiamo ora a come far funzionare un progetto di analisi dei dati e consideriamo alcuni dei passaggi chiave per strutturare un progetto di Data Analytics efficace.<\/p>\n\n\n\n

    Stabilire obiettivi chiari<\/strong>. Le aziende che desiderano sfruttare l\u2019analisi dei dati devono avere un\u2019idea chiara di ci\u00f2 che sperano di ottenere da questa iniziativa. A prescindere che l\u2019analisi sia descrittiva, diagnostica, predittiva o prescrittiva.<\/p>\n\n\n\n

    Formulare domande chiare<\/strong>. Che si tratti di stimare lo stato attuale del mercato o determinare dove posizionare l\u2019azienda nel corso del prossimo anno, \u00e8 importante sviluppare chiare domande di base. Ad esempio, per sapere perch\u00e9 i consumatori preferiscono un determinato marchio di materassi, le aziende devono prima scoprire quali marchi preferiscono, quali sono le caratteristiche di tali marchi, quali qualit\u00e0 i consumatori apprezzano rispetto ad altre, etc.<\/p>\n\n\n\n

    Sviluppare una strategia per rispondere a queste domande<\/strong>. Come rispondere a una domanda sulle preferenze del consumatore? La strategia potrebbe includere lo svolgimento di sondaggi, l\u2019analisi dei dati di ricerca online e le decisioni di acquisto, il dialogo con esperti dei consumatori o una combinazione di queste e altre strategie.<\/p>\n\n\n\n

    Raccogliere dati<\/strong>. La fase di raccolta dei dati \u00e8 essenzialmente l\u2019esecuzione delle strategie identificate nella fase precedente: condurre sondaggi, raccogliere dati sugli acquisti o ricerche online, etc.<\/p>\n\n\n\n

    Analizzare<\/strong>. A seconda del tipo di analisi dei dati eseguita, questo pu\u00f2 essere un passaggio estremamente complesso. Se l\u2019analisi \u00e8 semplicemente descrittiva, pu\u00f2 essere semplice come fare un conteggio o calcolare una media. Qualcosa di pi\u00f9 complesso che implica trarre conclusioni sulle correlazioni nei dati e previsioni future ovviamente \u00e8 molto pi\u00f9 complicato.<\/p>\n\n\n\n

    Iterare<\/strong>. Come avviene per molte attivit\u00e0, \u00e8 abbastanza improbabile azzeccare al primo colpo un\u2019analisi accurata dei dati. Le fonti di dati potrebbero non avere veridicit\u00e0 o volume sufficiente, le conclusioni potrebbero basarsi su connessioni imprecise tra dati, etc. Ma ripetendo il processo, imparando dagli errori e apportando le modifiche necessarie, le aziende possono acquisire una competenza significativa nel tempo riguardo l\u2019analisi dei dati.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Le aziende hanno a disposizione varie risorse, che sfruttano per generare profitto. Queste risorse possono includere beni materiali come dipendenti, materie prime, edifici e attrezzature. Ma includono anche beni immateriali come propriet\u00e0 intellettuale e dati. I dati sono un asset prezioso e molte aziende stanno appena iniziando a capirlo.<\/strong><\/p>\n\n\n\n

    I big data e l\u2019analisi dei dati potrebbero suonare come concetti complessi, esclusivamente alla portata delle aziende pi\u00f9 tecnologicamente avanzate, ma, in realt\u00e0, sono complessi solo nella misura in cui si decide di servirsene. Se capisci questi concetti, \u00e8 possibile definire in modo preciso e circoscritto un obiettivo di analisi dei dati e ottenere risultati significativi ed efficaci.<\/p>\n\n\n\n

    La chiave \u00e8 non lasciarsi sopraffare dalla quantit\u00e0 immensa di dati, non essere eccessivamente ambiziosi rispetto alle proprie reali possibilit\u00e0 e mappare chiaramente il piano del progetto di analisi dei dati.<\/p>\n\n\n\n

    <\/div>\n\n\n\n

    Fonti<\/strong>: www.bedtimesmagazine.com<\/em><\/a>, www.cloudtalk.it<\/em><\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

    I termini “big data” e “analisi dei dati” sono diventati parole d’ordine popolari negli ultimi anni. Ma molti che usano questi termini non comprendono effettivamente cosa significano, quali sono le capacit\u00e0 e limitazioni implicate, o che valore possono avere queste informazioni.<\/p>\n","protected":false},"author":4,"featured_media":2158,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[6],"tags":[],"class_list":["post-2150","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-trend-tecnologici"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/posts\/2150","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/comments?post=2150"}],"version-history":[{"count":6,"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/posts\/2150\/revisions"}],"predecessor-version":[{"id":3314,"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/posts\/2150\/revisions\/3314"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/media\/2158"}],"wp:attachment":[{"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/media?parent=2150"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/categories?post=2150"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.fluentis.com\/it\/wp-json\/wp\/v2\/tags?post=2150"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}