Appunti lezioni 1-2-3 Marketing

Lezione 1: Business Intelligence e Data Science

Introduzione alla Business Intelligence e Data Science

Negli ultimi anni le aziende raccolgono enormi quantità di dati (dati di vendita, anagrafici, web, ecc.) e devono usare strumenti analitici per trasformarli in conoscenza utile. La Business Intelligence (BI) comprende processi e strumenti dedicati alla gestione dei dati aziendali e alla produzione di report e dashboard che supportano le decisioni dei manager.

La BI si concentra essenzialmente sull’analisi descrittiva del passato: calcola indicatori chiave (KPI) e mostra trend storici attraverso report chiari e grafici intuitivi. La Data Science, invece, si occupa di estrarre conoscenza dai dati con tecniche avanzate, puntando soprattutto sulle previsioni future. Un data scientist utilizza linguaggi di programmazione, machine learning e algoritmi complessi per costruire modelli predittivi e stimare fenomeni futuri a partire dai dati storici.

In breve, BI e Data Science rappresentano due approcci complementari nel mondo analytics: la BI fornisce una fotografia del passato per supportare decisioni immediatamente operative, mentre la Data Science estende l’analisi verso metodi predittivi e algoritmi di apprendimento automatico. Spesso il lavoro di data science parte dai risultati della BI: i dashboard prodotti dai sistemi BI evidenziano pattern e indicatori utili che i data scientist possono utilizzare per sviluppare modelli predittivi più raffinati.

Differenze tra Business Intelligence e Data Science

Competenze, obiettivi, strumenti

La Business Intelligence si concentra sulla raccolta, aggregazione e visualizzazione di dati storici per aiutare i manager a prendere decisioni basate sull’evidenza. Gli analisti di BI estraggono dati dai sistemi aziendali, li puliscono, creano report statistici e dashboard di KPI (Key Performance Indicator). Le competenze tipiche di un professionista BI includono conoscenze di base di statistica, capacità di usare strumenti di reporting (ad esempio SQL, Excel, piattaforme BI come Qlik o Tableau) e comprensione del business.

L’obiettivo principale della BI è descrivere cosa è accaduto nel passato e spiegare tendenze e risultati, senza entrare nel merito di analisi predittive molto complesse. Invece, la Data Science mira a costruire modelli analitici avanzati per fare previsioni e ottimizzazioni future: l’analista dati (data scientist) possiede competenze informatiche più approfondite (programmazione in R o Python, conoscenza di algoritmi di machine learning, big data e intelligenza artificiale).

Gli strumenti di data science includono software e librerie di analisi statistica avanzata, piattaforme di machine learning e ambienti di calcolo distribuito (come Hadoop o Spark). L’obiettivo di un data scientist è non solo spiegare i dati esistenti, ma utilizzare tecniche predittive e algoritmi di apprendimento per anticipare comportamenti e ottimizzare i processi.

In pratica, possiamo dire che la BI “analizza il passato” per supportare decisioni operative, mentre la Data Science utilizza il passato come base per prevedere il futuro. Dal punto di vista organizzativo, spesso i dashboard della BI rimangono il punto di partenza per il lavoro del data scientist: le evidenze e i pattern individuati dalla BI guidano la scelta degli algoritmi e delle analisi predittive da eseguire.

Architetture dei dati: Data Warehouse, Data Mart, ETL

Un’architettura di Business Intelligence prevede tipicamente un Data Warehouse, ossia un grande archivio centralizzato che integra dati provenienti da diverse fonti aziendali (sistemi gestionali, vendite online, dati esterni, ecc.). Il data warehouse è progettato per conservare i dati puliti e organizzati in modo ottimizzato per interrogazioni analitiche.

Al suo interno si possono creare anche dei Data Mart, che sono sottoinsiemi tematici dei dati pensati per specifiche aree aziendali (ad esempio un data mart per il marketing o per le vendite). I data mart contengono dati già aggregati e strutturati secondo le esigenze di un reparto, rendendo più veloce la consultazione per quegli utenti.

Prima che i dati arrivino nel data warehouse o nei data mart si applica un processo di ETL (Extract, Transform, Load). L’ETL estrae i dati grezzi dalle fonti operative, li trasforma e pulisce (ad esempio ricongiungendo chiavi diverse, filtrando errori, omogeneizzando i formati) e infine li carica nel data warehouse.

In questo modo le informazioni provenienti da database diversi (e-commerce, sistemi gestionali, ricerche di mercato, social media, ecc.) vengono integrate in un unico archivio coerente. Grazie all’ETL e alla struttura centralizzata del data warehouse/data mart, le analisi successive possono avvenire su dati affidabili e costantemente aggiornati.

Priorità della BI: velocità di risposta, self-service, automazione, data governance

La BI moderna persegue alcuni principi fondamentali: innanzitutto la velocità di risposta alle interrogazioni degli utenti. I report e i dashboard devono essere aggiornati rapidamente e consentire ai manager di ottenere informazioni in tempo reale o quasi. Altrettanto importante è il modello self-service: cioè far sì che gli utenti aziendali (non tecnici) possano accedere autonomamente ai dati, filtrare e visualizzare informazioni senza dover sempre dipendere dagli specialisti IT.

L’automazione gioca un ruolo chiave nell’orchestrare i processi di ETL e nell’aggiornamento dei report: schedulare il caricamento dei dati, generare automaticamente avvisi o report ricorrenti, permette di liberare tempo e ridurre gli errori. Infine, la data governance assicura che i dati utilizzati siano di qualità, affidabili e sicuri: significa definire chiare politiche aziendali sul controllo e l’integrità dei dati, gestire i permessi di accesso, mantenere vocabolari comuni (definizioni univoche dei KPI) e rispettare normative su privacy e conformità.

• Velocità di risposta: i sistemi BI devono garantire query rapide e dashboard interattivi per analizzare i dati in tempo reale.
• Self-service: gli strumenti devono permettere agli utenti aziendali di esplorare i dati e generare report in modo autonomo, senza ricorrere continuamente a specialisti.
• Automazione: i processi di raccolta e aggiornamento dei dati (ETL) vanno pianificati e automatizzati per ridurre l’intervento manuale e velocizzare le analisi.
• Data governance: occorre mantenere elevata la qualità e la coerenza dei dati, definendo regole chiare su chi può modificare o utilizzare i dati, assicurando sicurezza e tracciabilità.

L’importanza della visualizzazione dei dati per le decisioni

La visualizzazione dei dati (creazione di grafici, tabelle e dashboard) è un elemento cruciale per trasformare l’analisi in informazione fruibile. Tramite visualizzazioni intuitive si possono comunicare in modo immediato i risultati analitici: ad esempio grafici a barre mostrano confronti tra categorie, scatter plot rivelano correlazioni tra due variabili, boxplot evidenziano la distribuzione e possibili valori anomali (outlier).

Grazie alle rappresentazioni grafiche, anche utenti non esperti possono individuare rapidamente tendenze e anomalie nei dati. Un manager, osservando un grafico, può percepire se un indicatore è fuori parametro o come varia una misura nel tempo senza dover leggere tabelle di numeri.

Inoltre la visualizzazione è utile anche per gli analisti: evidenziando pattern nei dati (ad esempio la complementarietà tra due prodotti o la presenza di valori estremi inattesi) si generano spunti che guidano ulteriori approfondimenti. In sintesi, trasformare i risultati in grafici chiari accelera la comprensione di fenomeni complessi e facilita le decisioni, perché rende visivamente ovvie le informazioni chiave nascoste nei dati.

Quale grafico scegliere: tipi e scopi

Esempi: scatter plot, box plot, istogrammi, ecc.

La scelta del tipo di grafico dipende dalle variabili da rappresentare e dal messaggio che si vuole comunicare. In generale si preferiscono grafici che mostrino chiaramente la natura dei dati e la storia che si vuole raccontare. Ad esempio:

• Diagramma di dispersione (scatter plot): rappresenta punti su un piano cartesiano tracciando due variabili quantitative. È ideale per individuare correlazioni o relazioni lineari (o non lineari) fra due misure, nonché per evidenziare eventuali valori anomali. Ad esempio, un grafico scatter può mostrare come la spesa pubblicitaria di un prodotto sia correlata alle vendite.
• Box plot (diagramma a scatola e baffi): sintetizza la distribuzione di una variabile continua mostrando mediana, quartili e possibili outlier. Viene utilizzato per confrontare la variabilità e la simmetria di dati in diverse categorie e per individuare facilmente i valori estremi. Ad esempio, un boxplot può comparare la distribuzione del fatturato mensile di più regioni aziendali, evidenziando eventuali picchi o anomalie.
• Istogramma: è un grafico a barre verticali che mostra la frequenza (o la densità) dei valori di una variabile continua suddividendola in intervalli. Utile per visualizzare la forma della distribuzione (simmetria, asimmetria, multimodalità) di una singola variabile. Ad esempio un istogramma del tempo medio di consegna può aiutare a capire se le consegne hanno distribuzione normale o sono concentrate in certi intervalli.
• Grafico a barre: confronta valori di variabili categoriche o discrete. Consente di vedere facilmente differenze e confronti fra categorie (ad esempio vendite per singolo prodotto o segmento di mercato).
• Grafico a linee: rappresenta l’andamento di una o più serie temporali nel tempo. È particolarmente indicato per evidenziare trend e stagionalità (ad esempio l’evoluzione mensile dei ricavi).

Scegliere il grafico appropriato significa abbinare al tipo di dato (numero, categoria, tempo) il metodo di visualizzazione che ne metta in luce il pattern più significativo, facilitando così l’interpretazione.

I nuovi trend nei dati: AI, machine learning, X-analytics, cloud, blockchain

Negli ultimi anni sono emersi diversi trend nel campo dell’analisi dati e dell’IT che influenzano il lavoro di BI e Data Science:

• Decisioni data-driven: sempre più le aziende basano le strategie su analisi di dati reali invece di affidarsi solo all’intuito. L’analisi dei dati guidata supporta decisioni strategiche con evidenze quantitative.
• Intelligenza artificiale (AI): algoritmi di intelligenza artificiale diventano più veloci e intelligenti. L’AI viene utilizzata per automatizzare processi di analisi complessi e per rendere le soluzioni più adattive e “responsabili” (ad es. spiegabilità dei modelli).
• Machine Learning: il machine learning è sempre più impiegato per costruire modelli predittivi avanzati. Grazie al ML le aziende riescono a fare stime più precise (per esempio, prevedere vendite o comportamenti dei consumatori) e ad adattare i modelli in base ai dati storici.
• Analisi X (X-analytics): si espande l’uso di tecniche per analizzare dati non strutturati come audio, video e testi (social media, recensioni, immagini). Questi approcci estendono le tradizionali analisi numeriche (ad es. sentiment analysis su recensioni) e permettono di sfruttare nuovi formati informativi.
• Cloud computing: l’utilizzo di servizi in cloud permette di archiviare grandi quantità di dati e d