Appunti esame Informatica per la comunicazione digitale

Introduzione ai big data e alla data science

Prima di iniziare a Google Analytics, parliamo di big data. Tutto il mondo è connesso e questo genera una grande quantità di dati. Grandi quantitativi di dati, nel linguaggio informatico, vengono definiti big data anche se è difficile comprendere cosa effettivamente rientri in questa categoria e come gestire la nuova era digitale, caratterizzata da questo tipo di dati. A riguardo, ci sono posizioni molto controverse e contrastanti, ma a noi basta sapere che si tratta appunto di grandi quantitativi di dati.

Data science e la nuova era digitale

Dai dati alla "data science". La data science è la scienza adibita appunto allo studio di questi dati. Si è infatti reso necessario un cambio di passo irreversibile negli effetti prodotti dalla tecnologia di cui ancora non riusciamo a cogliere tutti i benefici o prevederne gli effetti. Il processo consiste nella raccolta dei dati, nell’analisi degli stessi e nella presa di una decisione a partire dalle informazioni ricevute. Scienza e tecnologia risultano dunque essere il frutto della somma dell’Era digitale, del WWW e di Internet.

Scienza dei dati

Quando parliamo di data science, tendenzialmente intendiamo l’insieme dei principi metodologici basati sul metodo scientifico e delle tecniche multidisciplinari volti a interpretare ed estrarre la conoscenza dai dati, attraverso la relativa fase di analisi, da parte di un esperto. L’intento è, insomma, quello di trovare risposte a cose che non sappiamo di non sapere, evidenziando quindi la volontà di risolvere problemi che ancora non sono stati formulati. Gli scienziati hanno quindi il compito di cercare la giusta domanda da porre, analizzando i dati e cercando più vie per risolvere un problema, proponendo delle risposte potenziali e esplorando fonti di dati diversi e anche appartenenti a campi diversi. Il punto di partenza è quindi il lato oscuro dei dati.

Scienza dei dati e l'analisi dei dati

Parlare di scienza dei dati e di analisi dei dati non è però la stessa cosa. Esse, infatti, differiscono essenzialmente per lo scopo: Data Science è un termine generico per un gruppo di campi utilizzati per estrarre insiemi di dati di grandi dimensioni; l’analisi dei dati è invece una versione più focalizzata di questo e può anche essere considerata parte del processo più ampio e quindi parte della data science. L’analytics è infatti dedicata alla realizzazione di approfondimenti che possono essere applicati immediatamente in base alle query esistenti.

Esse differiscono anche per l’esplorazione: la scienza dei dati non si occupa di rispondere a query specifiche, ma di analizzare enormi set di dati, in modi a volte non strutturati, per esporre le informazioni (si concentra su quali domande dovrebbero essere poste); l’analisi dei dati, al contrario, funziona meglio quando è focalizzata, avendo quindi in mente domande che richiedono risposte basate su dati esistenti (enfatizza quindi la scoperta di risposte alle domande poste).

Ancor più importante è il fatto che la scienza dei dati è più preoccupata di fare domande piuttosto che trovare risposte specifiche (anzi, fornisce scarse risposte) mentre l’analisi dei dati si concentra sulla definizione di tendenze potenziali basate su dati esistenti, oltre che sulla realizzazione dei modi migliori per analizzare e modellare i dati (quindi analizza nel concreto i dati).

Ci sono, però, anche delle funzioni interconnesse: la scienza dei dati getta infatti basi importanti e, grazie ad esse, l’analisi dei dati analizza i data set per creare osservazioni iniziali, tendenze future e approfondimenti potenziali che possono essere importanti. È quindi evidente come tutto ciò non sia facilmente racchiudibile in una definizione.

Analisi dei dati

L’analisi dei dati si concentra sull’elaborazione e sull’esecuzione di analisi statistiche su data set esistenti. Gli analisti si concentrano quindi sulla creazione di metodi per acquisire, elaborare e analizzare i dati, per scoprire informazioni utili per i problemi attuali e stabilire il modo migliore per presentare questi dati. Più semplicemente, il campo dell’analisi dei dati è diretto verso la risoluzione di problemi per domande di cui sappiamo di non conoscere la risposta. Si basa dunque sulla produzione di risultati che possano portare a miglioramenti immediati.

Analytics

Analytics è il processo scientifico di scoperta e comunicazione dei modelli significativi che possono essere trovati nei dati: attraverso questo processo, i dati grezzi vengono trasformati in insights (intuizioni) utili per prendere decisioni migliori. Si basa su un insieme di scienze, tecniche e tecnologie come la statistica, la matematica, il reporting e altre analisi avanzate. L’importanza di questo processo è evidenziata dal fatto che la sfida più grande delle aziende è proprio quella di raggiungere "prestigio" grazie alla produzione e all’analisi dei dati.

Big Data Analytics

L’insieme di dati eterogenei, ottenuti da molteplici fonti diverse, e la scoperta, l’interpretazione e la comunicazione di modelli significativi in tali dati, al fine di avviare un processo decisionale maggiormente efficace, costituisce quella che è nota come Big Data Analytics che, in parole povere, può essere definita come l’analisi dell’enorme quantità di dati prodotti dalle nostre attività quotidiane.

Associati a sofisticate analisi di business, infatti, i big data hanno il potenziale di dare alle imprese intuizioni interessanti sulle condizioni di mercato o sul comportamento dei clienti, rendendo le decisioni più efficaci e veloci rispetto alla concorrenza e discostandosi dalle tradizionali tecniche di business intelligence (decisamente più lente). Grazie a dati storici e a modelli da seguire, possiamo determinare il futuro, e quindi l’andamento, di un dato processo con fondamenti statistici. È inoltre possibile fare delle predizioni perché i big data rendono misurabile la società e spingono verso la nuova scienza dei dati, in grado di misurare e/o prevedere la diffusione di opinioni, crisi economiche e politiche ed eventi simili. Compito della Big Data Analytics è dunque quello di analizzare grandi quantità di dati per prendere delle decisioni che favoriscano un dato business.

Tipologie di Data Analytics

I dati raccolti sono tra loro molto eterogenei, cioè provenienti da fonti molto diverse tra loro. In primis, i dati possono essere strutturati, quindi contenuti con una struttura precisa (es. pagina web), oppure destrutturati, cioè contenuti senza una struttura e senza una precisa correlazione tra di essi (es. immagini, video, audio, testi…).

Esistono quattro tipologie di Data Analytics, correlate tra loro:

• Analytics Descriptive: Si tratta dell’insieme di strumenti orientati a descrivere la situazione attuale e passata dei processi aziendali e/o delle aree funzionali; tali strumenti permettono di accedere ai dati secondo viste logiche e flessibili e di visualizzare in modo sintetico e grafico i principali indicatori di prestazione (es. permettono la visualizzazione grafica dei livelli di performance).
• Analytics Predictive: Si tratta di strumenti avanzati che effettuano l’analisi dei dati per rispondere a domande relative a cosa potrebbe accadere nel futuro; essi sono caratterizzati da tecniche matematiche quali regressione, forecasting, modelli predittivi, ecc.
• Prescriptive Analytics: Si entra nell’ambito di strumenti che associano l’analisi dei dati alla capacità di assumere e gestire processi decisionali; le analisi di questo tipo sono tool che mettono a disposizione delle indicazioni strategiche o delle soluzioni operative basate sia sull’analisi descrittiva sia su quella predittiva.
• Automated Analytics: Questo tipo di analisi permette di entrare nell’ambito dell’automazione con soluzione di analytics. A fronte dei risultati delle prime due tipologie di analisi, le analisi automatiche sono nelle condizioni di attivare delle azioni, definite sulla base di regole che possono essere a loro volta frutto di un processo di analisi, come ad esempio lo studio del comportamento di una determinata macchina a fronte di determinate condizioni di analisi.

Nei primi due casi, il processo in atto è decisamente a buon punto mentre, nella Prescriptive Analytics e nella Automated Analytics, siamo ancora un po’ indietro.

Data Visualization e Visual Analytics

Esistono due aspetti legati alla Data Analytics:

• Data Visualization: La Data Visualization è il processo che aiuta le persone a comprendere modelli, tendenze e insight, mediante rappresentazione grafica fatta da diverse forme, tra cui tabelle, grafici a torta, grafici a linee, grafici a colonna, ecc. Ha quindi lo scopo di rendere più facile il riconoscimento di schemi e di derivare un significato da un insieme di dati complessi. Si tratta di un processo sempre più centrale in Analytics tanto che spesso si arriva a parlare di Data Design, cioè di un approccio strutturato alla creazione di report visivi e interattivi che permettono, a chi li osserva, di interpretarli con facilità e di cogliere velocemente le informazioni più significative. Una visualizzazione efficace, infatti, riduce significativamente il tempo necessario al pubblico per elaborare le informazioni e accedere a preziosi approfondimenti. Essa si differenzia dalla Data Analytics che è invece il metodo per esaminare i set di dati, strutturati o non strutturati, al fine di ottenere spunti utili per trarre conclusioni sui set di dati;
• Visual Analytics: L’analisi dei dati dovrebbe venire prima dell'output visivo, ma l'analisi visiva può essere un metodo eccellente per eseguire analisi più efficaci. L'analisi visiva comporta il processo di costruzione di diversi grafici con i nostri dati per darci varie prospettive. Questo vi aiuta a identificare outlier, lacune, tendenze e punti di dati interessanti che richiedono ulteriori indagini.

Data Marketing

Altro passaggio necessario è contestualizzare l’Analytics al settore del marketing: è quindi importante dare un valore commerciale e di business ai dati. Si parla infatti di Data Marketing, facendo riferimento alle tecniche, ai processi, agli strumenti e alle tecnologie utilizzate per processare le informazioni che servono per determinare il comportamento dell’utente. Il Data Marketing evidenzia il fatto che i big data siano una conseguenza essenziale del nuovo panorama ed è quindi inevitabile che influenzino il marketing. Esistono tre tipi di Big Data Marketing, essenziali per una buona strategia:

• Relativo al cliente: Più familiare del marketing, può includere metriche di comportamento e di attitudini, ma anche transazioni di fonti. Quindi ricordiamo campagne di marketing, programmi fedeltà, social, siti web…
• Relativo alle operazioni: Include metriche e obiettivi che misurano la qualità dei processi di marketing legati alle assegnazioni delle risorse, alla gestione delle attività, ai controlli di budget…
• Relativo al finanziario: Può includere vendite, entrate, vantaggi, obiettivi e dati che misurano la salute finanziaria dell’organizzazione.

Il Data Marketing è legato alla necessità di disporre di grandi quantità di dati ma non è un legame ovvio: disporre di questi dati non conduce per forza a una migliore strategia di marketing o a maggiori vendite. Può essere anche solo una buona premessa, se le decisioni prese sono adeguate. Possiamo descrivere un’ipotetica struttura delle componenti di questo processo molto complesso. Partiamo col dire che le analisi da effettuare dipendono dalla tipologia di dati che abbiamo a disposizione e che le analytics e i metodi usati influenzano le strategie di marketing. Le analytics per le decisioni di marketing comprendono ciò che per ogni organizzazione, in modo particolare dal CRM alla privacy, è una parte essenziale, che consentirà di fare la formulazione delle analisi e una continua analisi, che richiede anche un’implementazione di Big Data e analytics in azienda. Tutto ciò allo scopo di poter arrivare a fare analisi di marketing. Allora è necessario conoscere ogni componente del mercato. Per questo sono essenziali anche la personalizzazione e il CRM: servono infatti per conoscere i dati di un potenziale cliente. Tali dati possono essere utilizzati per indirizzare il marketing: parliamo infatti di targetizzazione con feedback in tempo reale, monitoraggio sentiment con social o sondaggi e analisi predittiva, molto utile e indirizzata dal comportamento dell’utente.

Le soluzioni del Data Marketing permettono di processare e capire i big data e di favorire la pianificazione e la gestione, per consentire di rilevare problemi e opportunità, di prendere decisioni e di migliorare il posizionamento dei prodotti e dei servizi di un brand di fronte ai consumatori e ai motori di ricerca.

Come applicare i big data al marketing

Esistono sei diverse azioni legate all’uso dei big data nell’ambiente marketing:

• Consente di scoprire nuove opportunità: Si possono ottenere dei vantaggi estraendo dati rilevanti sia all’interno sia fuori dall’azienda.
• Consente di comprendere il viaggio del consumatore: Esso è fondamentale per evidenziare i campi di battaglia in cui è possibile ottenere nuovi clienti. La costruzione completa dell’immagine del proprio utente è necessaria per sviluppare prodotti adeguati, per scoprire cosa determina la fedeltà del cliente e cosa determina il suo ritorno.
• Consente di monitorare le tendenze per sviluppare una strategia: Si tratta di un passaggio cruciale perché è il modo perfetto per cominciare a capire come trarre beneficio dai big data: consente, ad esempio, di valutare la popolarità di alcuni temi a seconda di quanto una parola viene cercata dagli utenti.
• Consente operazioni di personalizzazione in tempo reale per i clienti: È essenziale, per gli specialisti del marketing, l’invio di un messaggio all’utente nel momento più adeguato: puntualità e rilevanza sono infatti alla base di una buona strategia.
• Consente di identificare il contenuto specifico che spinge i clienti lungo l’imbuto delle vendite: La verifica del contenuto segnala quale azione è efficace e quale invece non lo è affatto.
• Consente di estrarre i dati rapidamente e in forma semplice: Attraverso statistiche predittive, apprendimento automatico, estrazione di un linguaggio naturale…

Google Analytics e la web analytics

Avete lanciato un sito web, ma ora dovete sapere come la gente lo usa. Per fare ciò, è possibile usare Google Analytics, lo strumento che Google fornisce per rispondere alle nostre necessità, per facilitare l’analisi di marketing e per rispondere ad alcune domande essenziali, come: Quante persone visitano il sito ogni giorno? Quali sono gli argomenti che cercano una volta arrivati? Come ci arrivano e quanto tempo passano?

Analisi dei dati

La raccolta dei dati è un valore aggiunto per chi ha un’attività online: la digital analysis è infatti diventata una metodologia essenziale per far giungere a risultati concreti chiunque sviluppi progetti web. Senza ciò eventuali successi e/o insuccessi saranno totalmente casuali.

In questo contesto, è importante evidenziare la differenza sostanziale tra dati e informazioni: quando parliamo di dati facciamo riferimento ad un dato simbolico, grezzo; esso, contestualizzato, diventa informazione. Facciamo un esempio: 80 è un dato ma 80 km/h è un’informazione, perché è legata, ad esempio, ad un limite di velocità. A questi due concetti si aggiunge anche il concetto di conoscenza: quando all’informazione si aggiungono informazioni ulteriori possiamo effettivamente parlare dell’acquisizione di conoscenza in merito a quella determinata informazione.

Per questa ragione, i dati non sono in grado di fornire valore aggiunto all’azienda ma occorre invece analizzarli tramite tecniche differenti per estrapolare nuove intuizioni in grado di generare nuove opportunità. Per farlo occorre però evitare alcune "trappole".

Processo di analisi dei dati

L’analisi deve portare a nuove intuizioni secondo quattro principali obiettivi:

• Suggerire nuove ipotesi sulle cause dei fenomeni osservati;
• Valutare le ipotesi su cui si basa l'inferenza statistica;
• Sostenere la scelta di adeguati strumenti e tecniche statistiche;
• Fornire una base per ulteriori raccolte di dati attraverso indagini o esperimenti.

Il processo di analisi dei dati è un processo di informazione e modellazione dei dati con il fine di estrapolare informazioni utili a generare nuove intuizioni, che arricchiscano la conoscenza e la capacità decisionale delle organizzazioni. Il processo si serve di strumenti analitici e statistici che consentono di scoprire informazioni utili nei processi decisionali delle aziende. Esistono, ovviamente, metodi di analisi differenti, tra cui ricordiamo la business intelligence, il data mining e l’estrazione dei dati.