Informatica per la comunicazione digitale

COME VIENE UTILIZZATA LA DATA SCIENCE NEI DIVERSI

SETTORI

Le banche usano la data science per profilare meglio le abitudini dei clienti e ridurre al

minimo rischi e frodi: la data science soprattutto aiuta a migliorare la trasparenza e la

verificabilità del flusso di lavoro con l’automazione, a prendere decisioni migliori ottimizzando

le performance, a creare report normativi e gestionali accurati e on-demand. L’industria

manifatturiera si serve della data science per ottimizzare la produzione, aumentando la

qualità e riducendo gli sprechi. La data science aiuta ad effettuare un’analisi avanzata che

identifica i problemi prima che si verifichino, e a raggiungere un controllo avanzato del

processo produttivo, monitorandolo in tempo reale; serve poi ad avere una visione sistemica

delle operazioni, a ridurre i costi di manutenzione e massimizzare l’efficacia delle

attrezzature e ad ottimizzare la logistica. Il retail utilizza la data science per approfondire la

relazione con il cliente e migliorare la sua customer experience: prevederne la domanda,

comprenderne il percorso d’acquisto, identificare le opportunità per migliorare le prestazioni,

ottimizzare il merchandising. Il settore sanitario può servirsi della data science per scoprire

le informazioni nascoste capaci di migliorare l’assistenza ai pazienti: analizzare i dati clinici e

determinare il trattamento ottimale, per esempio. L’analisi e la condivisione dei dati aiutano

ad evitare errori farmacologici, a studiare e identificare i pazienti a rischio, e ad ottimizzare la

pianificazione della dimissione.

SCIENZA DEI DATI VS ANALISI DEI DATI

Quando si parla di scienza dei dati e di analisi dei dati non è la stessa cosa. Esse, infatti,

differiscono essenzialmente per lo scopo: la Data Science è un termine generico per un

gruppo di campi utilizzati per estrarre insiemi di dati di grandi dimensioni; mentre l'Analisi dei

dati è una versione più focalizzata di questo e può anche essere considerata parte del

processo più ampio. 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); mentre 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). Un’altra differenza ancora più importante è il fatto

che la scienza dei dati è più preoccupata di fare domande piuttosto che trovare risposte

specifiche; 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. Ci sono, però, anche delle funzioni interconnesse tra la scienza dei dati e

l’analisi dei dati infatti: la scienza dei dati getta 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.

BIG DATA ANALYTICS

Big Data Analytics è il processo di analisi di grandi e complesse fonti di dati, il cui fine è

quello di scoprire tendenze, modelli, comportamenti dei clienti e preferenze di mercato per

migliorare l'assunzione di decisioni aziendali. Con l'attuale tecnologia, è possibile analizzare

i dati e ottenere risposte quasi immediatamente, attività che sarebbe più lenta e meno

efficiente con l'utilizzo di soluzioni di business intelligence tradizionali. I Big Data Analytics

aiutano infatti le aziende a sfruttare i loro dati e ad utilizzarli per identificare nuove

opportunità di business e questo si traduce in decisioni più smart, operazioni più efficienti,

profitti più elevati e clienti più soddisfatti. I big data sono generalmente caratterizzati dalle tre

V: ● Volume: grandi quantità di dati generati ogni secondo da sorgenti eterogenee quali

sensori, log, eventi, e-mail, social media e database tradizionali.

● Varietà: molte forme diverse di dati che vengono generati, collezionati e utilizzati, non

strutturati e strutturati. Prima dell’epoca dei big data si tendeva a prendere in

considerazione per le analisi principalmente dati strutturati. Per avere analisi più

accurate e più profonde, oggi è necessario prendere in considerazione anche dati

non strutturati (file di testo generati dalle macchine industriali o i log di web server o

dei firewall eccetera) e semi strutturati (per esempio, atto notarile con frasi fisse e

frasi variabili) oltre che quelli strutturati (come la tabella di un database).

● Velocità: frequenza dei dati in arrivo. Si riferisce alla velocità con cui i nuovi dati

vengono generati e arrivino in tempo reale.

Con il tempo, sono state introdotte una quarta e quinta V:

● Veridicità: indica quindi il livello di affidabilità o inaffidabilità dei dati. Organizzare i dati

non si rivela un’operazione semplice poiché i dati posso diventare disordinati a causa

delle variabili descritte in precedenza e sono di conseguenza molto difficili da

controllare.

● Valore: si riferisce alla capacità di trasformare i dati in valore. Questa è una variabile

fondamentale perché l’importanza dei big data sta nella possibilità di essere utili per

le aziende, quindi di portare dei benefici. Per essere davvero utili devono poter

essere convertiti in informazioni preziose che permettono alle aziende di verificare ed

eventualmente modificare le sue mosse. (Per esempio: Netflix riesce a ricavare una

grande mole di informazioni dai propri utenti e il comportamento di questi influisce

sulle decisioni aziendali determinando come l’azienda si muove rispetto alla

creazione di nuovi contenuti o l’eliminazione di altri. I dati gli sono utili anche per gli

utenti stessi che in base alle loro preferenze di visione ricevono consigli su altri

contenuti che possono essere di loro interesse.)

DATA ANALYTICS…in riferimento ai Big Data Analytics

Analytics è la scienza dell’analisi dei dati che ha l’obiettivo di trarre conclusioni attraverso lo

studio delle informazioni raccolte, è un processo scientifico di scoperta e comunicazione dei

modelli significativi che possono essere trovati nei dati. In pratica, i dati grezzi, che sono tra

loro molto eterogenei, vengo trasformati in insights (intuizioni) utili per prendere decisioni

migliori. Essa si basa su un insieme di scienze, tecniche e tecnologie che vanno dalla

statistica, alla matematica, alle tecnologie di business intelligence di base, al reporting,

all’elaborazione analitica online e varie forme di analisi avanzate. Gli strumenti di analytics

vengono solitamente suddivisi in 4 macro categorie:

DESCRIPTIVE ANALYTICS

L’analisi descrittiva costituisce lo stadio preliminare della data analysis e risponde al quesito:

“che cosa è successo?”. È l’insieme di strumenti orientati a descrivere la situazione attuale e

passata dei processi aziendali e/o aree funzionali. Questi strumenti permettono di accedere

ai dati secondo viste logiche flessibili e di visualizzare in modo sintetico e grafico i principali

indicatori di prestazione.

PREDICTIVE ANALYTICS

L’analisi predittiva risponde all’interrogativo: “che cosa potrebbe succedere nel futuro?”. I

modelli di predictive analytics si fondano su dati storici per individuare le probabilità che un

certo evento si materializzi nel futuro, si tratta di strumenti caratterizzati da tecniche

matematiche quali regressione, forecasting, modelli predittivi.

PRESCRIPTIVE ANALYTICS

La prescriptive analytics è il più evoluto campo dell’analisi quantitativa dei big data, pronto a

rispondere alla domanda “cosa accadrà?” e “perché avverrà?”. L’analisi prescrittiva è un tool

che mette a disposizione delle indicazioni strategiche o delle soluzione operative basate sia

sull’analisi descrittiva sia su quella predittiva. Questa forma di analisi dei big data infatti aiuta

le aziende a mettere sul mercato i prodotti giusti nelle tempistiche puntuali, migliorando

l’esperienza complessiva del cliente.

AUTOMATED ANALYTICS

Questo tipo di analisi permette di entrare nell’ambito dell’automazione con soluzioni di

analytics. A fronte dei risultati delle analisi descrittive e predittive, le automated analytics

sono nella condizione di attivare delle azioni definite sulla base di regole che possono

essere a loro volta il frutto di un processo di analisi, come ad esempio lo studio dei

comportamenti di una determinata macchina a fronte di determinate condizioni oggetto di

analisi.

DATA VISUALIZATION e VISUAL ANALYTICS

La visualizzazione dei dati è la rappresentazione delle informazioni in grado di trasformare i

dati in valore e di poterli comunicare in modo efficace. Rende possibile alle persone

comprendere modelli, tendenza e insight mediante rappresentazione grafica fatta da diverse

forme, tra cui tabelle, grafici a torta, grafici a linee, grafici a colonna, ecc. 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. L’analisi visiva è l’analisi che comporta la costruzione di diversi grafici con

gli stessi dati per dare varie prospettive e per identificare eventuali lacune, outlier, tendenze

e punti di dati interessanti che richiedono ulteriori indagini. C’è una relazione quasi

simbiotica tra data visualization e visual analytics perché una buona visualizzazione dei dati

fa sì che l’analisi visiva sia più efficace e mostri agli utenti migliori intuizioni.

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. Le soluzioni del data marketing permettono di processare e capire i big data e

favorire la pianificazione e gestione per consentire: di rilevare problemi e opportunità; di