Data Driven Business

Fenomeno emergente basato su una serie di tecnologie e metodi

Big Data -> grandi quantità di dati, eterogeneità, estrapolazioni di informazioni di valore da analisi estatistiche su dati.

Si parla di gestione aziendale e non di informatica. Big data e Data Science sono termini ombrello necessaria definire anch'essi un fenomeno emergente. Seppur nato circa nel 2009, sotto altre definizioni, rimane emergente perché lento ad evolvere e richiede ancora tempo per maturare. Il fenomeno IoT è più maturo del fenomeno Big Data. Per lo stesso motivo è molto difficile da definire univocamente.

A Framework to link IoT and Business

INFORMATION VALUE LOOP STAGES: serie di attività, fasi del ciclo IVL

TECHNOLOGIES: tecnologie abilitanti il passaggio da una fase alla successiva

VALUE DRIVERS: driver di valore

A. CREARE: Utilizzo di sensori per raccogliere dati/generare informazioni riguardo uno stato o un fenomeno fisico.

i. SENSORI: Un dispositivo che

una varietà di fonti diverse per creare un insieme completo di informazioniii. BIG DATA: Grandi quantità di dati che richiedono strumenti e tecniche speciali per essere analizzatifattori abilitanti l’adozione: capacità di archiviazione, velocità di elaborazione, algoritmi di analisi, scalabilitàsfide e soluzioni: privacy dei dati, qualità dei dati, integrazione dei dati, gestione dei datiD. ANALIZZARE: Elaborare i dati/informazioni raccolti per estrarre significato e ottenereconoscimenti utilifattori abilitanti l’adozione: algoritmi di analisi, strumenti di visualizzazione, capacità di calcolo, accesso ai dati sfide e soluzioni: complessità dei dati, interpretazione dei risultati, scalabilità, tempo di elaborazioneE. TRASFORMARE: Utilizzare i risultati dell'analisi per prendere decisioni e agire in base a essifattori abilitanti l’adozione: intelligenza artificiale, automazione, strumenti di supporto alle decisioni, integrazione con i sistemi esistentisfide e soluzioni: accettazione del cambiamento, integrazione dei processi, adattabilità, monitoraggio dei risultati

1. FONTI DIVERSE IN TEMPI DIVERSI
2. STANDARDS: uno standard è un documento che fornisce requisiti, specifiche, linee guida o caratteristiche che possono essere utilizzati in modo coerente per garantire che materiali, prodotti, processi e servizi siano idonei al loro scopo (PROTOCOLLI TECNOLOGICI: protocolli di rete, protocolli di comunicazione, standard per aggregazione di dati in database; PROTOCOLLI REGOLATORI: protocolli di sicurezza e privacy)
3. FATTORI ABILITANTI L'ADOZIONE: sviluppo/innovazione di standard verso creazione di standard universali
4. SFIDE E SOLUZIONI: standard per dati non strutturati, sicurezza e privacy, standard per mercati di dati
5. ANALIZZARE: L'individuazione di modelli o relazioni tra i fenomeni che porta a descrizioni, predizioni o prescrizioni di azioni
6. AUGMENTED INTELLIGENCE: Strumenti analitici che migliorano la capacità di descrivere, prevedere e spiegare le relazioni tra i fenomeni
7. FATTORI ABILITANTI L'ADOZIONE:

Disponibilità di BigData, sviluppo di software in crowdsourcing e open-source, elaborazione e analisi di dati in tempo reale.

Sfide e soluzioni: analisi inaccurate a causa di difetti nei dati, capacità dei sistemi di analizzare dati non strutturati e in tempo reale.

E. AGIRE: inizializzare, mantenere o cambiare uno stato o un fenomeno fisico, sulla base del risultato degli step precedenti.

V. AUGMENTED BEHAVIOUR: Tecnologie e tecniche che migliorano la conformità con l'azione prescritta. Il comportamento aumentato riavvia il ciclo perché l'azione porta alla creazione di dati, se configurata per farlo.

Fattori abilitanti l'adozione: riduzione prezzi di macchine, sviluppo funzionalità e capacità delle macchine, macchine che "influenzano" le azioni umane attraverso la logica della scienza comportamentale, i dispositivi IoT possono "spingere" i comportamenti umani stabilendo un ciclo di feedback.

Sfide e soluzioni:

comportamento delle macchine in situazioni imprevedibili, sicurezza e privacy delle informazioni, interoperabilità delle macchine, inerzia al processo decisionale guidato dalla tecnologia nelle entità organizzative VALUE DRIVERS: 1) MAGNITUDINE - Portata - Scala - Frequenza 2) RISCHIO - Sicurezza - Affidabilità - Accuratezza 3) TEMPO - Latenza - tempestività Information Value Loop del 2016, ancora oggi applicabile. Nello sviluppo di un progetto di sistemi IoT ci sono un insieme di tecnologie e di competenze da mettere in campo, che si possono ordinare in modo da poter valutare il valore che il progetto stesso può generare per il business. L'informazione estraibile dai dati è oggetto principale del ciclo poiché è al centro dell'attenzione per la generazione del valore. Sequenza di attività interconnesse da diverse tecnologie abilitanti il passaggio tra queste. Per ogni tecnologia che abilita l'IoT il ciclo fornisce una definizione.

le tipologie di applicazione, i fattori che suggeriscono l'adozione dell'IoT, le sfide e le possibili soluzioni. Vengono definiti i sensori e selezionati quali sono opportuni per la specifica applicazione in questione. Ciascuno dei fattori che determinano i sensori opportuni può avere sull'affidabilità e quindi sul valore che i dati possono avere. Vengono analizzati i fattori che favoriscono l'adozione di IoT: prezzo dei sensori, scelta dei sensori più intelligenti e opportuni in base alla qualità dei segnali raccolti e di quelli più esigui/dimensioni minori. Le sfide e le possibili soluzioni vengono definite i base al consumo di potenza e alle dimensioni di efficienza e sorgente, oltre che alla sicurezza dei sensori e all'interoperabilità. Si passa ad un'ottica di business. Si pasa dalla creazione di dati alla comunicazione degli stessi dati. Le reti sono le tecnologie utilizzate per trasferire i dati, creati dai sensori,

per poterli successivamente aggregare e analizzare ed estrarne quindi informazione. La connessione avviene tramite componenti/dispositivi fisici e specifici protocolli di comunicazione. Per i protocolli di base la tecnologia ha raggiunto la maturità seppur continua ad aggiornarsi per poter indirizzare un numero sempre esponenzialmente più alto per esempio per il protocollo IP. Mentre per i protocolli più avanzati, adottati per l'interconnessione in rete la situazione è in evoluzione.

Dopo che i dati sono stati trasferiti in un solo punto questi devono poter essere aggregati. Per far si che rientrino tutti nello stesso database servono degli standards. In realtà il tema degli standard e delle reti si sovrappongono. Attraverso un tool di analisi si estrapolano le informazioni dai database. Gli strumenti utilizzati per analizzare i dati rientrano nell'intelligenza aumentata. Il motivo per cui aggrego e per cui analizzo è che si vuole fornire

All'organizzazione in cui si sta utilizzando il sistema si sta cercando di implementare il data driven decision making. Lo scopo è quello di prendere decisioni migliori, non solo per un valore estetico, ma per migliorare l'intelligenza. È necessario essere in grado di prendere decisioni migliori e agire di conseguenza attraverso azioni diverse dal passato. L'unione tra il sistema e le competenze umane porta a un miglioramento del business.

Capovolgimento del ciclo logico:

Si può descrivere il progetto a partire da ciò che si migliora e quali benefici porta al business. Si può anche lavorare al contrario: quali dati sono stati analizzati per prendere le decisioni, in che modo e con quali standard sono stati aggregati, quali protocolli di rete e sensori sono coinvolti.

Da IoT a Big Data?

Due entità presenti nell'IVL:

1. Azioni svolte che contribuiscono alla creazione di

informazione e alla conclusione del ciclo di valore.Partono dai dati rilevati dai sensori che vengono poi comunicati, aggregati -> fino a qui sono entitàlogiche, una volta che vengono analizzate e inizia l’estrazione di significato e quindi i dati diventanoinformazione. Queste possono portare a generare azioni che hanno un valore per l’organizzazione.

b. Tecnologie digitali (dispositivi come sensori, applicazioni software come Orange o PowerBI) ->mezzi attraverso cui si possono svolgere le azioni

Un modello è uno strumento logico-concettuale utile per rappresentare la realtà -> Scienza dei dati

Value Loop -> è un modello che rappresenta come si può estrarre valore da dati di una organizzazione.Ha dei limiti:- È una delle rappresentazioni della relazione tra dati e valore. Non è detto che essendoci più dati cisia più valore, anzi potrebbe essere inferiore (GIGO), dipende. È una rappresentazione

Parziale della realtà. È utile poiché delinea la relazione tra componenti hardware e software, in particolare mostra la relazione che dovrebbe intercorrere tra sensori, database, strumenti analitycs e scelte dell'organizzazione. - Rischia di sfuggire quale è il ruolo del valore, sembra un modello finalizzato a porre ordine tra le tecnologie e i dispositivi utilizzati, che spiega i requisiti tecnologici necessarie alla Data Science. Perché questo non accada, è possibile invertire il ciclo e partire dallo stesso valore (che è la fine), l'obiettivo dell'organizzazione nel confrontarsi con un progetto finalizzato alla Data Science intraprendendo delle azioni che portino alla fine valore. Deve esserci un Comportamento Aumentato, più intelligente e più adeguato in base al significato di valore per l'organizzazione in questione. Si parte dalla strategia e devono essere generate delle decisioni dalle analisi svolte.

Sui dati in questione, oggetto di studio che per questo devono essere rilevati ed aggregati. Scegliere tra Machine Learning Supervised o Unsupervised è sulla base di quale è il valore dell'azienda, quale è l'obiettivo e la ragione. Partendo dal valore ma leggendo in senso orario, si introduce un salto logico che va contro la progettazione stessa -> errore, non esiste relazione diretta-logica tra decisioni di business e scelta dispositivi hardware come sensori.

Il Value Loop può:

1. essere utilizzato in modo descrittivo, per rappresentare quale è il ruolo delle tecnologie hardware e software che riguardano i sistemi IoT.
2. essere utilizzato in modo prescrittivo (strumento di progetto), partendo dal valore si legge il ciclo in senso antiorario.

Applicazioni dei Big Data

Data Science è un termine più di moda di Big Data che in realtà descrivono la stessa cosa.

Metodi di analisi:

1. Google Trends
2. Misurare quanto effettivamente

Sono grandi i Big Data e gli incrementi che hanno avuto in ba