Forse mai come oggi \u00e8 evidente quanto la digitalizzione per un’azienda non sia un’opzione ma una necessit\u00e0 per la sopravvivenza. Questa \u00e8 una realt\u00e0 per qualsiasi imprenditore, sia esso di una piccola, media o grande impresa.<\/p>\n
Ma cosa sono i big data? <\/strong><\/h2>\nTutti gli aspetti della vita subiscono ormai da anni un processo di digitalizzazione che produce inevitabilmente un’esponenziale crescita della richiesta e produzione di dati.<\/p>\n
Ogni uomo o azienda che sia, \u00e8 un enorme creatore di dati, legati ai comportamenti che adotta sia sul web che nella vita di relazione.<\/p>\n
Post sui social network, utilizzo GPS, viaggi, transazioni con carte di credito o col bancomat piuttosto che l’utilizzo dello smart phone, sono solo alcuni dei momenti in cui noi lasciamo una “traccia”, un dato che viene memorizzato e che ci caratterizza.<\/p>\n
Il tema \u00e8 tristemente d’attualit\u00e0 in quanto proprio la tracciabilit\u00e0 dei telefoni cellulari viene utilizzata in questi giorni per monitorare la posizione delle persone, in ottica di mantenimento della quarantena imposta per l’emergenza covid-19.<\/p>\n
Ogni azione compiuta \u00e8 sempre pi\u00f9 legata ad elementi digitali che per il loro funzionamento richiedono input di dati e ne producono ancor di pi\u00f9. Una delle maggiori fonti, anche se non l’unica, \u00e8 i’internet of things<\/a> (IoT). Quel processo di connettivit\u00e0 fra oggetti reali presenti nelle nostre vite e la loro acquisita capacit\u00e0 di comunicare e scambiarsi informazioni, ovvero di produrre dati.<\/p>\nEcco i big data\u00a0 <\/strong><\/h2>\nDi big data vengono chiamate queste immense quantit\u00e0 di dati dalle pi\u00f9 diverse origini. La parte di questi dati derivante da internet \u00e8 destinata a crescere sempre pi\u00f9 e a velocit\u00e0 impensabili fino a solo qualche anno fa. Alcune cifre compilate da Cefriel<\/a> rendono la potenza di questa avanzata:<\/p>\n\n- ogni giorno<\/strong> sono generati circa 3 quintilioni di byte<\/strong> (cifra che si scrive con 18 zeri);<\/em><\/li>\n
- in 60 secondi<\/strong> si scrivono <\/em>187 milioni di email<\/strong>, 41,6 milioni di messaggi Whatsapp<\/strong>, i 18,1 milioni di sms<\/strong> scambiati ogni minuto. Proprio mentre leggevi questa frase, 33 milioni di messaggi sono stati inviati;<\/em><\/li>\n
- sempre in un minuto i login su Facebook arrivano a 1 milione, gli scroll su Instagram fino a pi\u00f9 di 340 mila.\u00a0<\/em><\/li>\n<\/ul>\n
Sicuramente questi dati dovranno essere aggiornati al rialzo in quanto si riferiscono a prima dello scoppio della terribile epidemia di coronavirus, che con la quarantena obbligata in casa, ha reso i video, audio, social ed ogni sistema di comunicazione ed acquisto on line, l’unica forma di contatto sociale. In futuro dovr\u00e0 continuare a farlo.<\/p>\n
Dando uno sguardo all’evoluzione negli scorsi due anni:<\/p>\n
![\"Paragone](\"https:\/\/sgarbi.eu\/wp-content\/uploads\/2020\/04\/dati-2018-2019.jpg\")
<\/a>Crescita dei big data tra il 2018 ed il 2019<\/em><\/p><\/div>\nConfrontando il grafico 2019 con lo stesso dell’anno 2018 risulta evidente come il volume relativo ad ogni singola voce sia incrementato, ad eccezione di alcune applicazioni che hanno visto diminuire il loro utilizzo in quanto sostituite da altre appena nate, non ancora presenti nelle statistiche 2019.<\/p>\n
Questo \u00e8 il caso di Snapchat, parzialmente “sostituito” da Tik Tok, subentratogli nella classifica aggiornata nel 2020:<\/p>\n
![\"Big](\"https:\/\/sgarbi.eu\/wp-content\/uploads\/2020\/04\/dati-2020.jpg\")
<\/a>Big data generati sul web nel 2020<\/em><\/p><\/div>\nUlteriori evidenze della crescita dei big data<\/strong><\/h3>\nNegli ultimi due-tre anni \u00e8 stato creato quasi il 90% dei dati disponibili ad oggi. Questa enorme quantit\u00e0 di dati pu\u00f2 essere utilizzata per incrementare l\u2019efficienza delle aziende, creare nuove opportunit\u00e0 di business raggiungendo nuovi clienti e conquistando nuovi mercati. Tutto senza dimenticare le numerose nuove opportunit\u00e0 lavorative e professioni che queste innovazioni porteranno.<\/p>\n
Si consumano sempre pi\u00f9 video in streaming, la domotica \u00e8 sempre pi\u00f9 utilizzata nella gestione energetica, in azienda si utilizzando servizi e cloud e i processi vengono digitalizzati.\u00a0Inoltre, c’\u00e8 l’imminente avvento del 5G nel settore della telefonia con conseguente crescita esponenziale di dati scambiati.<\/p>\n
Tutto questo pu\u00f2 dare solo un’idea di quanto i dati e la loro gestione saranno sempre pi\u00f9 fondamentali nelle nostre vite e che il quanto il loro volume sar\u00e0 sempre maggiore.<\/p>\n
A tale proposito, quali sono le principali fonti di dati? Eccole:<\/p>\n
\n- social media;<\/li>\n
- data storage, ovvero sistemi di stoccaggio dati strutturati;<\/li>\n
- dati dei sensori (iOT);<\/li>\n
- documenti elettronici come pdf, fogli excel;<\/li>\n
- media come video, immagini e live streamings;<\/li>\n
- siti web;<\/li>\n
- archivi di documenti cartacei scannerizzati.<\/li>\n<\/ul>\n
A cosa servono e come possono essere utilizzati i big data?<\/strong><\/h2>\nLa funzione centrale dei dati \u00e8 quella di fornire la maggiore rappresentazione possibile della realt\u00e0. Successivamente, attraverso processi di verifica e controllo dei dati stessi, consentono di agire praticamente in modo repentino e adeguato.\u00a0In altre parole, servono a fornire un’informazione sulla realt\u00e0 il pi\u00f9 precisa e realistica possibile.<\/p>\n
Vista la quantit\u00e0 enorme di dati a nostra disposizione, non si tratta certamente di un lavoro agevole.<\/p>\n
Ecco perch\u00e9 sono necessari degli strumenti che ci indichino quali di questi dati sia necessario ed utile al nostro scopo e quali no, essendo temporalmente e fisicamente impossibile vagliarli autonomamente.<\/p>\n
Come si crea un’intelligenza artificiale che ci permetta di fare questo? <\/strong><\/h2>\nGli algoritmi fanno al caso nostro per risolvere questo problema. Questi algoritmi possono essere definiti come “procedimenti” che ci guidano passo a passo, in un insieme di istruzioni che devono essere eseguite per risolvere un determinato problema.<\/p>\n
Immaginate ad esempio una lista di procedimenti che compiamo quando facciamo il caff\u00e8: riempire la moka d’acqua, mettere il caff\u00e8, chiudere la moka, e cos\u00ec via fin quando non si ottiene il caff\u00e8.<\/p>\n
Gli algoritmi sono schemi di calcolo, procedimenti appunto, che permettono di estrarre informazioni dai dati. Non solo, danno chiavi di lettura e utilizzando dei metodi probabilistici, traggono delle previsioni dalle informazioni estratte dai dati da noi prodotti nelle azioni precedenti.<\/p>\n
Ti ricordi che ogni nostra azione fatta utilizzando un qualsiasi dispositivo digitale lascia una “traccia”? Bene, ecco come gli algoritmi “imparano” a conoscerci. Dopo aver “fatto conoscenza” forniscono dati che possono essere per noi interessanti rispetto ad altri, selezionandoli fra il volume vertiginoso presente in rete e seguendo una logica che fa riferimento a scelte da noi compiute in altre occasioni.<\/p>\n
In modo autonomo scelgono cosa proporci basandosi su quelli ritengono essere i nostri interessi.\u00a0Prendono decisioni autonomamente ed in parte decidono per noi.<\/p>\n
Algoritmi, AI e big data<\/strong><\/h3>\nNon a caso gli algoritmi costituiscono le basi dell’intelligenza artificiale (AI) e sono fonte di argomentazioni etiche ed umane di importanza fondamentale.\u00a0Lo scenario che si \u00e8 gi\u00e0 delineato sia nel presente e tanto pi\u00f9 sar\u00e0 nel futuro \u00e8 ambivalente:<\/p>\n
\n- da una parte una crescita esponenziale di dati che dovranno essere analizzati, valutati e sfruttati per una migliore qualit\u00e0 professionale e di vita;<\/li>\n
- dall’altra parte una sempre maggiore consapevolezza da parte dell’uomo nell’utilizzo di questi dati, il problema della tutela della privacy e del trattamento dei dati personali.<\/li>\n<\/ul>\n
L’uomo, sempre al centro della scena, dovr\u00e0 essere in grado di permettere alla tecnologia di svilupparsi, grazie anche ai big data, in azioni autonome che allo stesso tempo non costituiscano una “restrizione” dei nostri diritti e libert\u00e0.<\/p>\n
I dati si dividono in:<\/p>\n
\n- non strutturati, conservati senza alcuno schema (es. file contenenti testi a carattere narrativo prodotti con software di editing testuale o un file multimediale, video, immagini, audio)<\/li>\n
- strutturati, conservati in database, organizzati secondo schemi e tabelle rigide<\/li>\n
- semi strutturati dove si incontrano caratteristiche di entrambe le categorie.<\/li>\n<\/ol>\n
Come posso essere utili alle aziende?<\/strong><\/h2>\nCome detto in apertura, l’utilizzo e la gestione dei big data<\/em> non \u00e8 un’opzione ma una necessit\u00e0 per la sopravvivenza di qualsiasi imprenditore, sia esso di una piccola, media o grande impresa.<\/p>\nAbbiamo visto come siano intorno a noi in ogni aspetto della nostra vita, sia privata che lavorativa.\u00a0I big data sono utili per le aziende in quanto permettono l’aggiornamento dello status dell’attivit\u00e0 di gestione e produttiva in modo costante ed autonomo e questo consente di identificare i problemi in modo pi\u00f9 comprensibile ed agire molto pi\u00f9 rapidamente<\/strong> ed in modo efficiente<\/strong>.<\/p>\nUn esempio concreto \u00e8 stato l’utilizzo di algoritmi<\/strong> per la procedura di assegnazione delle sedi per la mobilit\u00e0 dei docenti nelle scuole. In questo caso, il Ministero dell’Istruzione<\/a> ha utilizzato un sistema automatizzato che, utilizzando parametri preimpostati (posizioni personali, titoli, punteggi…) ha portato alla valutazione delle domande dei singoli partecipanti assegnando in maniera autonoma le sedi di competenza.<\/p>\nAnalizzare e codificare i dati diviene quantomai fondamentale per permetterci di agire in modo corretto e mirato. <\/strong>\u00c8 quindi necessaria una scienza che ci permetta di far ci\u00f2, una scienza dell’analisi dei dati.\u00a0<\/strong><\/p>\nL’analisi dei dati: nasce il data science<\/em><\/strong><\/h2>\nPrima di procedere con il data science, \u00e8 necessario precisare prima cosa sono due delle sue categorie: il data analysis<\/em> and data analytics<\/em>.<\/p>\nI due big data: le differenze tra analytics e analysis<\/strong><\/h3>\nAnalytics<\/strong> \u00e8 il processo scientifico di scoperta e comunicazione<\/strong> dei modelli significativi che possono essere trovati nei dati. In altre parole, sono i dati grezzi vengono trasformati in utili intuizioni per prendere decisioni migliori.<\/p>\nLa differenza con l’analysis sta nel fatto che questa rappresenta la comprensione del passato. L’analytics analysys si concentra sul perch\u00e9 \u00e8 successo e su cosa succeder\u00e0 dopo. Quindi, sar\u00e0 questa l’oggetto del nostro racconto in seguito.<\/p>\n
Un’altra distinzione importante \u00e8 quella delle tipologie fondamentali di analisi dei dati: descriptive, predictive, prescriptive e automated. Vediamole.<\/p>\n
Descriptive analytics<\/strong><\/h4>\nCome il nome dice, \u00e8 l’analisi descrittiva della realt\u00e0. Consiste in\u00a0strumenti che permettono la visualizzazione dei livelli di performance aziendale, come ad esempio un grafico dell’andamento di un determinato reparto.<\/p>\n
Predictive analitycs <\/strong><\/h4>\nSono strumenti che permettono di disegnare possibili scenari di sviluppo nel futuro. I predictive analytics si basano su modelli predittivi statistici<\/a> e rispondo alle domande formulate. Ad esempio, individuano quale sar\u00e0 la domanda per un determinato prodotto in un determinato periodo. In questo modo, diventano strumento primario di programmazione in qualsiasi ramo di attivit\u00e0.<\/p>\nPrescriptive analytics<\/strong><\/h4>\nQuelli prescriptive sono strumenti in grado di proporre indicazioni strategiche e soluzioni operative a chi prende le decisioni. Per poter farlo, considerano sempre le analisi precedenti come punto di partenza.<\/p>\n
Automated Analytics<\/strong><\/h4>\nLe analisi automatizzate sono quelle pi\u00f9 sviluppate, in grado di implementare in modo autonomo una determinata azione. In base al risultato di un’analisi, ad esempio come automatizzare un sistema\u00a0produttivo, propongono delle possibilit\u00e0, scegliendone una. Questo \u00e8 esattamente quello che fanno gli ormai celebri algoritmi.<\/p>\n
I big data nell’imprenditoria italiana <\/strong><\/h3>\nSecondo un’indagine svolta dall\u2019Osservatorio<\/a> Big Data Analytics & Business Intelligence del Politecnico di Milano, nelle grandi imprese italiane (oltre 250 dipendenti) l’analisi \u00e8 cos\u00ec suddivisa:<\/p>\n\n- la descriptive analytics \u00e8 ormai un dato di fatto essendo presente nell\u201989%<\/strong> delle aziende intervistate;<\/li>\n
- la predictive analytics risulta attirare il maggior interesse con una diffusione al 59%;<\/strong><\/li>\n
- sono ancora confinati solo in alcuni ambiti applicativi (30%) o in fase di pilota (28%);<\/li>\n
- il restante 42% non ha ancora soluzioni di questo tipo ma il 37% ne sta valutando l\u2019adozione nei prossimi 12 mesi.<\/li>\n<\/ul>\n
L’indagine ha coinvolto 1.000 CIO (chief information officer) di altrettante aziende.<\/p>\n
Sono ancora molto indietro i prescriptive e automated analytics, presenti rispettivamente nel 23% e nel 10% delle aziende e solo a livello di progetto pilota.<\/p>\n
Come va la situazione nelle PMI?<\/h4>\n
Nelle piccole e medie imprese (tra 10 e 250 dipendenti), la sensibilit\u00e0 all\u2019utilizzo dei dati si mostra molto pi\u00f9 bassa rispetto alle grandi imprese. Infatti, solo un\u2019azienda su 3 adotta modelli di descriptive analytics<\/strong> (34%).<\/p>\nLe aziende di medie dimensioni presentano una percentuale maggiore, pari al 39%, rispetto a quelle piccole con il 33%. L\u2019utilizzo di modelli di predictive<\/strong> \u00e8 ancora limitato a poche realt\u00e0 (16%), mentre prescriptive e predictive analytics<\/strong> sono ancora scarsamente conosciuti.<\/p>\nSempre secondo lo stesso studio,\u00a0“nel 2019 il mercato big data analytics in Italia ha raggiunto un valore di quasi 1,7 miliardi di euro, con un tasso di crescita del 23% rispetto al 2018.\u00a0<\/em>” Questi investimenti sono cos\u00ec distribuiti:<\/p>\n\n- 47% software: <\/strong>53% del totale investito nei software sono strumenti per la visualizzazione ed analisi dei dati e il restante 47% \u00e8 costituito da integrazione e preparazione;<\/li>\n
- 20% risorse infrastrutturali: <\/strong>per abilitare l’analytics e fornire capacit\u00e0 di calcolo e storage ai sistemi aziendali, primo fra tutti il cloud;<\/li>\n
- 33% servizi per la personalizzazione del software: <\/strong>integrazione con i sistemi aziendali e consulenza per la riprogettazione dei processi.<\/li>\n<\/ul>\n
Ma considerando che le imprese sono destinate a divenire sempre pi\u00f9 delle vere “fabbriche di dati”, chi sar\u00e0 o \u00e8 gi\u00e0 in grado di comprendere e gestire questa immensa mole?<\/p>\n
Le professioni nate dai big data<\/strong><\/h2>\nDiamo uno sguardo alle professioni maggiormente in evidenza con l’espansione dei big data:<\/p>\n
Data scientist <\/strong><\/h3>\nIl data scientist<\/em> \u00e8 la figura professionale con competenze plurime, che gestisce i big data, ovvero i dati grezzi. Successivamente ne trae informazioni rilevanti per le diverse necessit\u00e0 aziendali come il marketing o le strategie di business.<\/p>\nLe molteplici competenze necessarie al data scientist richiedono: l’informatica, capacit\u00e0 di gestione dei progetti, matematica ed analisi, statistica, conoscenza del core business aziendale, capacit\u00e0 di comunicazione grafica e relazionale.<\/p>\n
\u00c8 una professione per la quale si consiglia una laurea in data science (esistono master e lauree magistrali) oppure in informatica, matematica e ingegneria informatica.<\/p>\n
Lo stipendio medio di un data scientist \u00e8 di 39.000 euro annui circa. Si possono comunque raggiungere cifre molto pi\u00f9 elevate, oltre i 100.000 euro annui.<\/p>\n
Data engineer <\/strong><\/h3>\nSono conosciuti come data engineer<\/em> gli ingegneri dei dati che usano le loro competenze ingegneristiche e informatiche per aggregare, analizzare e manipolare insiemi di big data. Il compito del data engineer \u00e8 garantire la disponibilit\u00e0, fruibilit\u00e0 e qualit\u00e0 dei dati.<\/p>\n\u00c8 una professione per la quale serve almeno una laurea specialistica in materie con indirizzo scientifico come informatica, matematica, ingegneria informatica, statistica, fisica ed economia.<\/p>\n
Lo stipendio medio annuo \u00e8 in linea con quello del data scientist.<\/p>\n
Data analyst<\/strong><\/h3>\nLa figura del data analyst<\/em> analizza e interpreta i dati per trasformarli in utili informazioni per il business e per il processo decisionale. La differenza sostanziale con il data scientist e analyst sta nel fatto che il primo si occupa di modellizzare problemi complessi con una conoscenza approfondita delle tecniche matematico statistiche.<\/p>\nIl data analyst analizza i dati presenti in azienda da tutte le diverse fonti. Una volta esclusi o eliminati eventuali errori per identificare i problemi che rallentano il business, passa alla raccolta e all’analisi statistica dei dati. Successivamente verifica ipotesi e teorie per ottenere un vantaggio competitivo.<\/p>\n
Anche in questo caso le lauree pi\u00f9 indicate sono di orientamento scientifico e matematico, come statistica, informatica, ingegneria informatica, data science.<\/p>\n
Lo stipendio medio si aggira sui 27.000 euro annui.<\/p>\n
Security Engineer<\/strong><\/h3>\nIl security engineer \u00e8 l’ingegnere della sicurezza dei sistemi informatici, sia nella soluzione che nella prevenzione di possibili problemi. Si tratta di una figura che all’estero, specialmente negli USA, si \u00e8 gi\u00e0 imposta in tutta la sua importanza. Questa posizione pu\u00f2 arrivare a ricevere stipendi molto elevati, 100.000 euro annui o addirittura di pi\u00f9.\u00a0In Italia, dove \u00e8 relativamente recente in ambito aziendale, lo stipendio medio annuo si attesta intorno a 25.000 euro.<\/p>\n
Una solida base informatica \u00e8 primo requisito per intraprendere questa attivit\u00e0 in forte espansione. Quindi, una laurea informatica \u00e8 necessaria anche se in molte universit\u00e0 italiane esistono gi\u00e0 corsi di laurea specifici in sicurezza informatica.<\/p>\n
Tutti i valori degli stipendi sono stimati in base ad una media effettuata sulle offerte presenti sul mercato del lavoro da parte delle maggiori agenzie.<\/strong><\/p>\nEsistono ancora altre professioni emergenti legate alla gestione dei dati come:<\/p>\n
\n- database manager:<\/strong> coloro che gestiscono il mantenimento, la cura e il miglioramento del database;<\/li>\n
- data architect: <\/strong>chi progetta sistemi informativi e l’andamento dei flussi dei dati per ottenere la maggiore organizzazione e produttivit\u00e0 possibili.<\/li>\n<\/ul>\n
Quanto vale il settore analytics e quali sono i settori pi\u00f9 attenti ai big data in Italia?<\/strong><\/h2>\n![\"Settori](\"https:\/\/sgarbi.eu\/wp-content\/uploads\/2020\/04\/settore-analytics.png\")
<\/a><\/p>\nQuesti i dati relativi alla crescita fino al novembre<\/a> 2019, stillati da BrandNews.<\/p>\nEsistono dei settori che prima di altri hanno compreso il cambiamento in corso ed hanno intrapreso investimenti ed azioni mirati a migliorare la gestione e comprensione dei BIG DATA a loro vantaggio, queste le percentuali del mercato italiano:<\/p>\n
Il settore bancario<\/strong> con il 28% della spesa \u00e8 al primo posto nel nostro paese, seguito poi da:<\/p>\n\n- settore manifatturiero<\/strong> con 25%;<\/li>\n
- media e telecomunicazioni<\/strong> al 14%;<\/li>\n
- servizi<\/strong> 8%;<\/li>\n
- GDO\/Retail<\/strong> 7%;<\/li>\n
- assicurazioni<\/strong> 6%;<\/li>\n
- utility<\/strong> 6%;<\/li>\n
- sanit\u00e0 <\/strong>6%<\/li>\n<\/ul>\n
Certamente che queste percentuali sono in continua evoluzione e cambiamento.<\/p>\n
Case studies di big data<\/strong><\/h2>\nVediamo alcuni casi in cui i big data consentono cose impensabili fino qualche mese o anno fa.<\/p>\n
Big data e la salute<\/strong><\/h3>\nL’Health Data Analytics Institute<\/a> costituisce un esempio concreto di come l’analisi dei dati sia diventata fondamentale e oggetto di studio e lavoro.\u00a0Qui l’intelligenza artificiale eccelle nel dare un senso ai dati.<\/p>\nLa sua piattaforma basata sull’intelligenza artificiale analizza oltre un miliardo di incontri con pazienti per migliorare i risultati sanitari. L\u2019ottica \u00e8 quella di una sempre pi\u00f9 precisa previsione clinica e maggiore salute. In poche parole, trovare un potenziale problema il prima possibile.<\/p>\n
L’intrattenimento e i big data<\/strong><\/h3>\nAltro esempio \u00e8 la AMC Networks, operante nell’ambito dell’intrattenimento e produttrice fra l’altro di show come Breaking Bad, Mad Man <\/em>and The Walking Dead<\/em>. Come riporta la BigData 4 Innovation, la AMC ha attuato una strategia di investimento<\/a> sui big data per conoscere meglio il suo pubblico.<\/p>\nLa frontiera dell’agricoltura e i big data<\/strong><\/h3>\nNell’ambito dell’agricoltura l’azienda Arable<\/a> ha recentemente lanciato un sistema di monitoraggio tramite sensori per la raccolta di dati nell’ottica di ottimizzare la produzione nelle fattorie. In questo video si pu\u00f2 capire quanto dirompente sia il cambiamento in corso:<\/p>\n
Ecco i big data\u00a0 <\/strong><\/h2>\nDi big data vengono chiamate queste immense quantit\u00e0 di dati dalle pi\u00f9 diverse origini. La parte di questi dati derivante da internet \u00e8 destinata a crescere sempre pi\u00f9 e a velocit\u00e0 impensabili fino a solo qualche anno fa. Alcune cifre compilate da Cefriel<\/a> rendono la potenza di questa avanzata:<\/p>\n\n- ogni giorno<\/strong> sono generati circa 3 quintilioni di byte<\/strong> (cifra che si scrive con 18 zeri);<\/em><\/li>\n
- in 60 secondi<\/strong> si scrivono <\/em>187 milioni di email<\/strong>, 41,6 milioni di messaggi Whatsapp<\/strong>, i 18,1 milioni di sms<\/strong> scambiati ogni minuto. Proprio mentre leggevi questa frase, 33 milioni di messaggi sono stati inviati;<\/em><\/li>\n
- sempre in un minuto i login su Facebook arrivano a 1 milione, gli scroll su Instagram fino a pi\u00f9 di 340 mila.\u00a0<\/em><\/li>\n<\/ul>\n
Sicuramente questi dati dovranno essere aggiornati al rialzo in quanto si riferiscono a prima dello scoppio della terribile epidemia di coronavirus, che con la quarantena obbligata in casa, ha reso i video, audio, social ed ogni sistema di comunicazione ed acquisto on line, l’unica forma di contatto sociale. In futuro dovr\u00e0 continuare a farlo.<\/p>\n
Dando uno sguardo all’evoluzione negli scorsi due anni:<\/p>\n
<\/a>Crescita dei big data tra il 2018 ed il 2019<\/em><\/p><\/div>\nConfrontando il grafico 2019 con lo stesso dell’anno 2018 risulta evidente come il volume relativo ad ogni singola voce sia incrementato, ad eccezione di alcune applicazioni che hanno visto diminuire il loro utilizzo in quanto sostituite da altre appena nate, non ancora presenti nelle statistiche 2019.<\/p>\n
Questo \u00e8 il caso di Snapchat, parzialmente “sostituito” da Tik Tok, subentratogli nella classifica aggiornata nel 2020:<\/p>\n
<\/a>Big data generati sul web nel 2020<\/em><\/p><\/div>\nUlteriori evidenze della crescita dei big data<\/strong><\/h3>\nNegli ultimi due-tre anni \u00e8 stato creato quasi il 90% dei dati disponibili ad oggi. Questa enorme quantit\u00e0 di dati pu\u00f2 essere utilizzata per incrementare l\u2019efficienza delle aziende, creare nuove opportunit\u00e0 di business raggiungendo nuovi clienti e conquistando nuovi mercati. Tutto senza dimenticare le numerose nuove opportunit\u00e0 lavorative e professioni che queste innovazioni porteranno.<\/p>\n
Si consumano sempre pi\u00f9 video in streaming, la domotica \u00e8 sempre pi\u00f9 utilizzata nella gestione energetica, in azienda si utilizzando servizi e cloud e i processi vengono digitalizzati.\u00a0Inoltre, c’\u00e8 l’imminente avvento del 5G nel settore della telefonia con conseguente crescita esponenziale di dati scambiati.<\/p>\n
Tutto questo pu\u00f2 dare solo un’idea di quanto i dati e la loro gestione saranno sempre pi\u00f9 fondamentali nelle nostre vite e che il quanto il loro volume sar\u00e0 sempre maggiore.<\/p>\n
A tale proposito, quali sono le principali fonti di dati? Eccole:<\/p>\n
\n- social media;<\/li>\n
- data storage, ovvero sistemi di stoccaggio dati strutturati;<\/li>\n
- dati dei sensori (iOT);<\/li>\n
- documenti elettronici come pdf, fogli excel;<\/li>\n
- media come video, immagini e live streamings;<\/li>\n
- siti web;<\/li>\n
- archivi di documenti cartacei scannerizzati.<\/li>\n<\/ul>\n
A cosa servono e come possono essere utilizzati i big data?<\/strong><\/h2>\nLa funzione centrale dei dati \u00e8 quella di fornire la maggiore rappresentazione possibile della realt\u00e0. Successivamente, attraverso processi di verifica e controllo dei dati stessi, consentono di agire praticamente in modo repentino e adeguato.\u00a0In altre parole, servono a fornire un’informazione sulla realt\u00e0 il pi\u00f9 precisa e realistica possibile.<\/p>\n
Vista la quantit\u00e0 enorme di dati a nostra disposizione, non si tratta certamente di un lavoro agevole.<\/p>\n
Ecco perch\u00e9 sono necessari degli strumenti che ci indichino quali di questi dati sia necessario ed utile al nostro scopo e quali no, essendo temporalmente e fisicamente impossibile vagliarli autonomamente.<\/p>\n
Come si crea un’intelligenza artificiale che ci permetta di fare questo? <\/strong><\/h2>\nGli algoritmi fanno al caso nostro per risolvere questo problema. Questi algoritmi possono essere definiti come “procedimenti” che ci guidano passo a passo, in un insieme di istruzioni che devono essere eseguite per risolvere un determinato problema.<\/p>\n
Immaginate ad esempio una lista di procedimenti che compiamo quando facciamo il caff\u00e8: riempire la moka d’acqua, mettere il caff\u00e8, chiudere la moka, e cos\u00ec via fin quando non si ottiene il caff\u00e8.<\/p>\n
Gli algoritmi sono schemi di calcolo, procedimenti appunto, che permettono di estrarre informazioni dai dati. Non solo, danno chiavi di lettura e utilizzando dei metodi probabilistici, traggono delle previsioni dalle informazioni estratte dai dati da noi prodotti nelle azioni precedenti.<\/p>\n
Ti ricordi che ogni nostra azione fatta utilizzando un qualsiasi dispositivo digitale lascia una “traccia”? Bene, ecco come gli algoritmi “imparano” a conoscerci. Dopo aver “fatto conoscenza” forniscono dati che possono essere per noi interessanti rispetto ad altri, selezionandoli fra il volume vertiginoso presente in rete e seguendo una logica che fa riferimento a scelte da noi compiute in altre occasioni.<\/p>\n
In modo autonomo scelgono cosa proporci basandosi su quelli ritengono essere i nostri interessi.\u00a0Prendono decisioni autonomamente ed in parte decidono per noi.<\/p>\n
Algoritmi, AI e big data<\/strong><\/h3>\nNon a caso gli algoritmi costituiscono le basi dell’intelligenza artificiale (AI) e sono fonte di argomentazioni etiche ed umane di importanza fondamentale.\u00a0Lo scenario che si \u00e8 gi\u00e0 delineato sia nel presente e tanto pi\u00f9 sar\u00e0 nel futuro \u00e8 ambivalente:<\/p>\n
\n- da una parte una crescita esponenziale di dati che dovranno essere analizzati, valutati e sfruttati per una migliore qualit\u00e0 professionale e di vita;<\/li>\n
- dall’altra parte una sempre maggiore consapevolezza da parte dell’uomo nell’utilizzo di questi dati, il problema della tutela della privacy e del trattamento dei dati personali.<\/li>\n<\/ul>\n
L’uomo, sempre al centro della scena, dovr\u00e0 essere in grado di permettere alla tecnologia di svilupparsi, grazie anche ai big data, in azioni autonome che allo stesso tempo non costituiscano una “restrizione” dei nostri diritti e libert\u00e0.<\/p>\n
I dati si dividono in:<\/p>\n
\n- non strutturati, conservati senza alcuno schema (es. file contenenti testi a carattere narrativo prodotti con software di editing testuale o un file multimediale, video, immagini, audio)<\/li>\n
- strutturati, conservati in database, organizzati secondo schemi e tabelle rigide<\/li>\n
- semi strutturati dove si incontrano caratteristiche di entrambe le categorie.<\/li>\n<\/ol>\n
Come posso essere utili alle aziende?<\/strong><\/h2>\nCome detto in apertura, l’utilizzo e la gestione dei big data<\/em> non \u00e8 un’opzione ma una necessit\u00e0 per la sopravvivenza di qualsiasi imprenditore, sia esso di una piccola, media o grande impresa.<\/p>\nAbbiamo visto come siano intorno a noi in ogni aspetto della nostra vita, sia privata che lavorativa.\u00a0I big data sono utili per le aziende in quanto permettono l’aggiornamento dello status dell’attivit\u00e0 di gestione e produttiva in modo costante ed autonomo e questo consente di identificare i problemi in modo pi\u00f9 comprensibile ed agire molto pi\u00f9 rapidamente<\/strong> ed in modo efficiente<\/strong>.<\/p>\nUn esempio concreto \u00e8 stato l’utilizzo di algoritmi<\/strong> per la procedura di assegnazione delle sedi per la mobilit\u00e0 dei docenti nelle scuole. In questo caso, il Ministero dell’Istruzione<\/a> ha utilizzato un sistema automatizzato che, utilizzando parametri preimpostati (posizioni personali, titoli, punteggi…) ha portato alla valutazione delle domande dei singoli partecipanti assegnando in maniera autonoma le sedi di competenza.<\/p>\nAnalizzare e codificare i dati diviene quantomai fondamentale per permetterci di agire in modo corretto e mirato. <\/strong>\u00c8 quindi necessaria una scienza che ci permetta di far ci\u00f2, una scienza dell’analisi dei dati.\u00a0<\/strong><\/p>\nL’analisi dei dati: nasce il data science<\/em><\/strong><\/h2>\nPrima di procedere con il data science, \u00e8 necessario precisare prima cosa sono due delle sue categorie: il data analysis<\/em> and data analytics<\/em>.<\/p>\nI due big data: le differenze tra analytics e analysis<\/strong><\/h3>\nAnalytics<\/strong> \u00e8 il processo scientifico di scoperta e comunicazione<\/strong> dei modelli significativi che possono essere trovati nei dati. In altre parole, sono i dati grezzi vengono trasformati in utili intuizioni per prendere decisioni migliori.<\/p>\nLa differenza con l’analysis sta nel fatto che questa rappresenta la comprensione del passato. L’analytics analysys si concentra sul perch\u00e9 \u00e8 successo e su cosa succeder\u00e0 dopo. Quindi, sar\u00e0 questa l’oggetto del nostro racconto in seguito.<\/p>\n
Un’altra distinzione importante \u00e8 quella delle tipologie fondamentali di analisi dei dati: descriptive, predictive, prescriptive e automated. Vediamole.<\/p>\n
Descriptive analytics<\/strong><\/h4>\nCome il nome dice, \u00e8 l’analisi descrittiva della realt\u00e0. Consiste in\u00a0strumenti che permettono la visualizzazione dei livelli di performance aziendale, come ad esempio un grafico dell’andamento di un determinato reparto.<\/p>\n
Predictive analitycs <\/strong><\/h4>\nSono strumenti che permettono di disegnare possibili scenari di sviluppo nel futuro. I predictive analytics si basano su modelli predittivi statistici<\/a> e rispondo alle domande formulate. Ad esempio, individuano quale sar\u00e0 la domanda per un determinato prodotto in un determinato periodo. In questo modo, diventano strumento primario di programmazione in qualsiasi ramo di attivit\u00e0.<\/p>\nPrescriptive analytics<\/strong><\/h4>\nQuelli prescriptive sono strumenti in grado di proporre indicazioni strategiche e soluzioni operative a chi prende le decisioni. Per poter farlo, considerano sempre le analisi precedenti come punto di partenza.<\/p>\n
Automated Analytics<\/strong><\/h4>\nLe analisi automatizzate sono quelle pi\u00f9 sviluppate, in grado di implementare in modo autonomo una determinata azione. In base al risultato di un’analisi, ad esempio come automatizzare un sistema\u00a0produttivo, propongono delle possibilit\u00e0, scegliendone una. Questo \u00e8 esattamente quello che fanno gli ormai celebri algoritmi.<\/p>\n
I big data nell’imprenditoria italiana <\/strong><\/h3>\nSecondo un’indagine svolta dall\u2019Osservatorio<\/a> Big Data Analytics & Business Intelligence del Politecnico di Milano, nelle grandi imprese italiane (oltre 250 dipendenti) l’analisi \u00e8 cos\u00ec suddivisa:<\/p>\n\n- la descriptive analytics \u00e8 ormai un dato di fatto essendo presente nell\u201989%<\/strong> delle aziende intervistate;<\/li>\n
- la predictive analytics risulta attirare il maggior interesse con una diffusione al 59%;<\/strong><\/li>\n
- sono ancora confinati solo in alcuni ambiti applicativi (30%) o in fase di pilota (28%);<\/li>\n
- il restante 42% non ha ancora soluzioni di questo tipo ma il 37% ne sta valutando l\u2019adozione nei prossimi 12 mesi.<\/li>\n<\/ul>\n
L’indagine ha coinvolto 1.000 CIO (chief information officer) di altrettante aziende.<\/p>\n
Sono ancora molto indietro i prescriptive e automated analytics, presenti rispettivamente nel 23% e nel 10% delle aziende e solo a livello di progetto pilota.<\/p>\n
Come va la situazione nelle PMI?<\/h4>\n
Nelle piccole e medie imprese (tra 10 e 250 dipendenti), la sensibilit\u00e0 all\u2019utilizzo dei dati si mostra molto pi\u00f9 bassa rispetto alle grandi imprese. Infatti, solo un\u2019azienda su 3 adotta modelli di descriptive analytics<\/strong> (34%).<\/p>\nLe aziende di medie dimensioni presentano una percentuale maggiore, pari al 39%, rispetto a quelle piccole con il 33%. L\u2019utilizzo di modelli di predictive<\/strong> \u00e8 ancora limitato a poche realt\u00e0 (16%), mentre prescriptive e predictive analytics<\/strong> sono ancora scarsamente conosciuti.<\/p>\nSempre secondo lo stesso studio,\u00a0“nel 2019 il mercato big data analytics in Italia ha raggiunto un valore di quasi 1,7 miliardi di euro, con un tasso di crescita del 23% rispetto al 2018.\u00a0<\/em>” Questi investimenti sono cos\u00ec distribuiti:<\/p>\n\n- 47% software: <\/strong>53% del totale investito nei software sono strumenti per la visualizzazione ed analisi dei dati e il restante 47% \u00e8 costituito da integrazione e preparazione;<\/li>\n
- 20% risorse infrastrutturali: <\/strong>per abilitare l’analytics e fornire capacit\u00e0 di calcolo e storage ai sistemi aziendali, primo fra tutti il cloud;<\/li>\n
- 33% servizi per la personalizzazione del software: <\/strong>integrazione con i sistemi aziendali e consulenza per la riprogettazione dei processi.<\/li>\n<\/ul>\n
Ma considerando che le imprese sono destinate a divenire sempre pi\u00f9 delle vere “fabbriche di dati”, chi sar\u00e0 o \u00e8 gi\u00e0 in grado di comprendere e gestire questa immensa mole?<\/p>\n
Le professioni nate dai big data<\/strong><\/h2>\nDiamo uno sguardo alle professioni maggiormente in evidenza con l’espansione dei big data:<\/p>\n
Data scientist <\/strong><\/h3>\nIl data scientist<\/em> \u00e8 la figura professionale con competenze plurime, che gestisce i big data, ovvero i dati grezzi. Successivamente ne trae informazioni rilevanti per le diverse necessit\u00e0 aziendali come il marketing o le strategie di business.<\/p>\nLe molteplici competenze necessarie al data scientist richiedono: l’informatica, capacit\u00e0 di gestione dei progetti, matematica ed analisi, statistica, conoscenza del core business aziendale, capacit\u00e0 di comunicazione grafica e relazionale.<\/p>\n
\u00c8 una professione per la quale si consiglia una laurea in data science (esistono master e lauree magistrali) oppure in informatica, matematica e ingegneria informatica.<\/p>\n
Lo stipendio medio di un data scientist \u00e8 di 39.000 euro annui circa. Si possono comunque raggiungere cifre molto pi\u00f9 elevate, oltre i 100.000 euro annui.<\/p>\n
Data engineer <\/strong><\/h3>\nSono conosciuti come data engineer<\/em> gli ingegneri dei dati che usano le loro competenze ingegneristiche e informatiche per aggregare, analizzare e manipolare insiemi di big data. Il compito del data engineer \u00e8 garantire la disponibilit\u00e0, fruibilit\u00e0 e qualit\u00e0 dei dati.<\/p>\n\u00c8 una professione per la quale serve almeno una laurea specialistica in materie con indirizzo scientifico come informatica, matematica, ingegneria informatica, statistica, fisica ed economia.<\/p>\n
Lo stipendio medio annuo \u00e8 in linea con quello del data scientist.<\/p>\n
Data analyst<\/strong><\/h3>\nLa figura del data analyst<\/em> analizza e interpreta i dati per trasformarli in utili informazioni per il business e per il processo decisionale. La differenza sostanziale con il data scientist e analyst sta nel fatto che il primo si occupa di modellizzare problemi complessi con una conoscenza approfondita delle tecniche matematico statistiche.<\/p>\nIl data analyst analizza i dati presenti in azienda da tutte le diverse fonti. Una volta esclusi o eliminati eventuali errori per identificare i problemi che rallentano il business, passa alla raccolta e all’analisi statistica dei dati. Successivamente verifica ipotesi e teorie per ottenere un vantaggio competitivo.<\/p>\n
Anche in questo caso le lauree pi\u00f9 indicate sono di orientamento scientifico e matematico, come statistica, informatica, ingegneria informatica, data science.<\/p>\n
Lo stipendio medio si aggira sui 27.000 euro annui.<\/p>\n
Security Engineer<\/strong><\/h3>\nIl security engineer \u00e8 l’ingegnere della sicurezza dei sistemi informatici, sia nella soluzione che nella prevenzione di possibili problemi. Si tratta di una figura che all’estero, specialmente negli USA, si \u00e8 gi\u00e0 imposta in tutta la sua importanza. Questa posizione pu\u00f2 arrivare a ricevere stipendi molto elevati, 100.000 euro annui o addirittura di pi\u00f9.\u00a0In Italia, dove \u00e8 relativamente recente in ambito aziendale, lo stipendio medio annuo si attesta intorno a 25.000 euro.<\/p>\n
Una solida base informatica \u00e8 primo requisito per intraprendere questa attivit\u00e0 in forte espansione. Quindi, una laurea informatica \u00e8 necessaria anche se in molte universit\u00e0 italiane esistono gi\u00e0 corsi di laurea specifici in sicurezza informatica.<\/p>\n
Tutti i valori degli stipendi sono stimati in base ad una media effettuata sulle offerte presenti sul mercato del lavoro da parte delle maggiori agenzie.<\/strong><\/p>\nEsistono ancora altre professioni emergenti legate alla gestione dei dati come:<\/p>\n
\n- database manager:<\/strong> coloro che gestiscono il mantenimento, la cura e il miglioramento del database;<\/li>\n
- data architect: <\/strong>chi progetta sistemi informativi e l’andamento dei flussi dei dati per ottenere la maggiore organizzazione e produttivit\u00e0 possibili.<\/li>\n<\/ul>\n
Quanto vale il settore analytics e quali sono i settori pi\u00f9 attenti ai big data in Italia?<\/strong><\/h2>\n<\/a><\/p>\nQuesti i dati relativi alla crescita fino al novembre<\/a> 2019, stillati da BrandNews.<\/p>\nEsistono dei settori che prima di altri hanno compreso il cambiamento in corso ed hanno intrapreso investimenti ed azioni mirati a migliorare la gestione e comprensione dei BIG DATA a loro vantaggio, queste le percentuali del mercato italiano:<\/p>\n
Il settore bancario<\/strong> con il 28% della spesa \u00e8 al primo posto nel nostro paese, seguito poi da:<\/p>\n\n- settore manifatturiero<\/strong> con 25%;<\/li>\n
- media e telecomunicazioni<\/strong> al 14%;<\/li>\n
- servizi<\/strong> 8%;<\/li>\n
- GDO\/Retail<\/strong> 7%;<\/li>\n
- assicurazioni<\/strong> 6%;<\/li>\n
- utility<\/strong> 6%;<\/li>\n
- sanit\u00e0 <\/strong>6%<\/li>\n<\/ul>\n
Certamente che queste percentuali sono in continua evoluzione e cambiamento.<\/p>\n
Case studies di big data<\/strong><\/h2>\nVediamo alcuni casi in cui i big data consentono cose impensabili fino qualche mese o anno fa.<\/p>\n
Big data e la salute<\/strong><\/h3>\nL’Health Data Analytics Institute<\/a> costituisce un esempio concreto di come l’analisi dei dati sia diventata fondamentale e oggetto di studio e lavoro.\u00a0Qui l’intelligenza artificiale eccelle nel dare un senso ai dati.<\/p>\nLa sua piattaforma basata sull’intelligenza artificiale analizza oltre un miliardo di incontri con pazienti per migliorare i risultati sanitari. L\u2019ottica \u00e8 quella di una sempre pi\u00f9 precisa previsione clinica e maggiore salute. In poche parole, trovare un potenziale problema il prima possibile.<\/p>\n
L’intrattenimento e i big data<\/strong><\/h3>\nAltro esempio \u00e8 la AMC Networks, operante nell’ambito dell’intrattenimento e produttrice fra l’altro di show come Breaking Bad, Mad Man <\/em>and The Walking Dead<\/em>. Come riporta la BigData 4 Innovation, la AMC ha attuato una strategia di investimento<\/a> sui big data per conoscere meglio il suo pubblico.<\/p>\nLa frontiera dell’agricoltura e i big data<\/strong><\/h3>\nNell’ambito dell’agricoltura l’azienda Arable<\/a> ha recentemente lanciato un sistema di monitoraggio tramite sensori per la raccolta di dati nell’ottica di ottimizzare la produzione nelle fattorie. In questo video si pu\u00f2 capire quanto dirompente sia il cambiamento in corso:<\/p>\n
- \n
- ogni giorno<\/strong> sono generati circa 3 quintilioni di byte<\/strong> (cifra che si scrive con 18 zeri);<\/em><\/li>\n
- in 60 secondi<\/strong> si scrivono <\/em>187 milioni di email<\/strong>, 41,6 milioni di messaggi Whatsapp<\/strong>, i 18,1 milioni di sms<\/strong> scambiati ogni minuto. Proprio mentre leggevi questa frase, 33 milioni di messaggi sono stati inviati;<\/em><\/li>\n
- sempre in un minuto i login su Facebook arrivano a 1 milione, gli scroll su Instagram fino a pi\u00f9 di 340 mila.\u00a0<\/em><\/li>\n<\/ul>\n
Sicuramente questi dati dovranno essere aggiornati al rialzo in quanto si riferiscono a prima dello scoppio della terribile epidemia di coronavirus, che con la quarantena obbligata in casa, ha reso i video, audio, social ed ogni sistema di comunicazione ed acquisto on line, l’unica forma di contatto sociale. In futuro dovr\u00e0 continuare a farlo.<\/p>\n
Dando uno sguardo all’evoluzione negli scorsi due anni:<\/p>\n
<\/a>Crescita dei big data tra il 2018 ed il 2019<\/em><\/p><\/div>\n
Confrontando il grafico 2019 con lo stesso dell’anno 2018 risulta evidente come il volume relativo ad ogni singola voce sia incrementato, ad eccezione di alcune applicazioni che hanno visto diminuire il loro utilizzo in quanto sostituite da altre appena nate, non ancora presenti nelle statistiche 2019.<\/p>\n
Questo \u00e8 il caso di Snapchat, parzialmente “sostituito” da Tik Tok, subentratogli nella classifica aggiornata nel 2020:<\/p>\n
<\/a>Big data generati sul web nel 2020<\/em><\/p><\/div>\n
Ulteriori evidenze della crescita dei big data<\/strong><\/h3>\n
Negli ultimi due-tre anni \u00e8 stato creato quasi il 90% dei dati disponibili ad oggi. Questa enorme quantit\u00e0 di dati pu\u00f2 essere utilizzata per incrementare l\u2019efficienza delle aziende, creare nuove opportunit\u00e0 di business raggiungendo nuovi clienti e conquistando nuovi mercati. Tutto senza dimenticare le numerose nuove opportunit\u00e0 lavorative e professioni che queste innovazioni porteranno.<\/p>\n
Si consumano sempre pi\u00f9 video in streaming, la domotica \u00e8 sempre pi\u00f9 utilizzata nella gestione energetica, in azienda si utilizzando servizi e cloud e i processi vengono digitalizzati.\u00a0Inoltre, c’\u00e8 l’imminente avvento del 5G nel settore della telefonia con conseguente crescita esponenziale di dati scambiati.<\/p>\n
Tutto questo pu\u00f2 dare solo un’idea di quanto i dati e la loro gestione saranno sempre pi\u00f9 fondamentali nelle nostre vite e che il quanto il loro volume sar\u00e0 sempre maggiore.<\/p>\n
A tale proposito, quali sono le principali fonti di dati? Eccole:<\/p>\n
- \n
- social media;<\/li>\n
- data storage, ovvero sistemi di stoccaggio dati strutturati;<\/li>\n
- dati dei sensori (iOT);<\/li>\n
- documenti elettronici come pdf, fogli excel;<\/li>\n
- media come video, immagini e live streamings;<\/li>\n
- siti web;<\/li>\n
- archivi di documenti cartacei scannerizzati.<\/li>\n<\/ul>\n
A cosa servono e come possono essere utilizzati i big data?<\/strong><\/h2>\n
La funzione centrale dei dati \u00e8 quella di fornire la maggiore rappresentazione possibile della realt\u00e0. Successivamente, attraverso processi di verifica e controllo dei dati stessi, consentono di agire praticamente in modo repentino e adeguato.\u00a0In altre parole, servono a fornire un’informazione sulla realt\u00e0 il pi\u00f9 precisa e realistica possibile.<\/p>\n
Vista la quantit\u00e0 enorme di dati a nostra disposizione, non si tratta certamente di un lavoro agevole.<\/p>\n
Ecco perch\u00e9 sono necessari degli strumenti che ci indichino quali di questi dati sia necessario ed utile al nostro scopo e quali no, essendo temporalmente e fisicamente impossibile vagliarli autonomamente.<\/p>\n
Come si crea un’intelligenza artificiale che ci permetta di fare questo? <\/strong><\/h2>\n
Gli algoritmi fanno al caso nostro per risolvere questo problema. Questi algoritmi possono essere definiti come “procedimenti” che ci guidano passo a passo, in un insieme di istruzioni che devono essere eseguite per risolvere un determinato problema.<\/p>\n
Immaginate ad esempio una lista di procedimenti che compiamo quando facciamo il caff\u00e8: riempire la moka d’acqua, mettere il caff\u00e8, chiudere la moka, e cos\u00ec via fin quando non si ottiene il caff\u00e8.<\/p>\n
Gli algoritmi sono schemi di calcolo, procedimenti appunto, che permettono di estrarre informazioni dai dati. Non solo, danno chiavi di lettura e utilizzando dei metodi probabilistici, traggono delle previsioni dalle informazioni estratte dai dati da noi prodotti nelle azioni precedenti.<\/p>\n
Ti ricordi che ogni nostra azione fatta utilizzando un qualsiasi dispositivo digitale lascia una “traccia”? Bene, ecco come gli algoritmi “imparano” a conoscerci. Dopo aver “fatto conoscenza” forniscono dati che possono essere per noi interessanti rispetto ad altri, selezionandoli fra il volume vertiginoso presente in rete e seguendo una logica che fa riferimento a scelte da noi compiute in altre occasioni.<\/p>\n
In modo autonomo scelgono cosa proporci basandosi su quelli ritengono essere i nostri interessi.\u00a0Prendono decisioni autonomamente ed in parte decidono per noi.<\/p>\n
Algoritmi, AI e big data<\/strong><\/h3>\n
Non a caso gli algoritmi costituiscono le basi dell’intelligenza artificiale (AI) e sono fonte di argomentazioni etiche ed umane di importanza fondamentale.\u00a0Lo scenario che si \u00e8 gi\u00e0 delineato sia nel presente e tanto pi\u00f9 sar\u00e0 nel futuro \u00e8 ambivalente:<\/p>\n
- \n
- da una parte una crescita esponenziale di dati che dovranno essere analizzati, valutati e sfruttati per una migliore qualit\u00e0 professionale e di vita;<\/li>\n
- dall’altra parte una sempre maggiore consapevolezza da parte dell’uomo nell’utilizzo di questi dati, il problema della tutela della privacy e del trattamento dei dati personali.<\/li>\n<\/ul>\n
L’uomo, sempre al centro della scena, dovr\u00e0 essere in grado di permettere alla tecnologia di svilupparsi, grazie anche ai big data, in azioni autonome che allo stesso tempo non costituiscano una “restrizione” dei nostri diritti e libert\u00e0.<\/p>\n
I dati si dividono in:<\/p>\n
- \n
- non strutturati, conservati senza alcuno schema (es. file contenenti testi a carattere narrativo prodotti con software di editing testuale o un file multimediale, video, immagini, audio)<\/li>\n
- strutturati, conservati in database, organizzati secondo schemi e tabelle rigide<\/li>\n
- semi strutturati dove si incontrano caratteristiche di entrambe le categorie.<\/li>\n<\/ol>\n
Come posso essere utili alle aziende?<\/strong><\/h2>\n
Come detto in apertura, l’utilizzo e la gestione dei big data<\/em> non \u00e8 un’opzione ma una necessit\u00e0 per la sopravvivenza di qualsiasi imprenditore, sia esso di una piccola, media o grande impresa.<\/p>\n
Abbiamo visto come siano intorno a noi in ogni aspetto della nostra vita, sia privata che lavorativa.\u00a0I big data sono utili per le aziende in quanto permettono l’aggiornamento dello status dell’attivit\u00e0 di gestione e produttiva in modo costante ed autonomo e questo consente di identificare i problemi in modo pi\u00f9 comprensibile ed agire molto pi\u00f9 rapidamente<\/strong> ed in modo efficiente<\/strong>.<\/p>\n
Un esempio concreto \u00e8 stato l’utilizzo di algoritmi<\/strong> per la procedura di assegnazione delle sedi per la mobilit\u00e0 dei docenti nelle scuole. In questo caso, il Ministero dell’Istruzione<\/a> ha utilizzato un sistema automatizzato che, utilizzando parametri preimpostati (posizioni personali, titoli, punteggi…) ha portato alla valutazione delle domande dei singoli partecipanti assegnando in maniera autonoma le sedi di competenza.<\/p>\n
Analizzare e codificare i dati diviene quantomai fondamentale per permetterci di agire in modo corretto e mirato. <\/strong>\u00c8 quindi necessaria una scienza che ci permetta di far ci\u00f2, una scienza dell’analisi dei dati.\u00a0<\/strong><\/p>\n
L’analisi dei dati: nasce il data science<\/em><\/strong><\/h2>\n
Prima di procedere con il data science, \u00e8 necessario precisare prima cosa sono due delle sue categorie: il data analysis<\/em> and data analytics<\/em>.<\/p>\n
I due big data: le differenze tra analytics e analysis<\/strong><\/h3>\n
Analytics<\/strong> \u00e8 il processo scientifico di scoperta e comunicazione<\/strong> dei modelli significativi che possono essere trovati nei dati. In altre parole, sono i dati grezzi vengono trasformati in utili intuizioni per prendere decisioni migliori.<\/p>\n
La differenza con l’analysis sta nel fatto che questa rappresenta la comprensione del passato. L’analytics analysys si concentra sul perch\u00e9 \u00e8 successo e su cosa succeder\u00e0 dopo. Quindi, sar\u00e0 questa l’oggetto del nostro racconto in seguito.<\/p>\n
Un’altra distinzione importante \u00e8 quella delle tipologie fondamentali di analisi dei dati: descriptive, predictive, prescriptive e automated. Vediamole.<\/p>\n
Descriptive analytics<\/strong><\/h4>\n
Come il nome dice, \u00e8 l’analisi descrittiva della realt\u00e0. Consiste in\u00a0strumenti che permettono la visualizzazione dei livelli di performance aziendale, come ad esempio un grafico dell’andamento di un determinato reparto.<\/p>\n
Predictive analitycs <\/strong><\/h4>\n
Sono strumenti che permettono di disegnare possibili scenari di sviluppo nel futuro. I predictive analytics si basano su modelli predittivi statistici<\/a> e rispondo alle domande formulate. Ad esempio, individuano quale sar\u00e0 la domanda per un determinato prodotto in un determinato periodo. In questo modo, diventano strumento primario di programmazione in qualsiasi ramo di attivit\u00e0.<\/p>\n
Prescriptive analytics<\/strong><\/h4>\n
Quelli prescriptive sono strumenti in grado di proporre indicazioni strategiche e soluzioni operative a chi prende le decisioni. Per poter farlo, considerano sempre le analisi precedenti come punto di partenza.<\/p>\n
Automated Analytics<\/strong><\/h4>\n
Le analisi automatizzate sono quelle pi\u00f9 sviluppate, in grado di implementare in modo autonomo una determinata azione. In base al risultato di un’analisi, ad esempio come automatizzare un sistema\u00a0produttivo, propongono delle possibilit\u00e0, scegliendone una. Questo \u00e8 esattamente quello che fanno gli ormai celebri algoritmi.<\/p>\n
I big data nell’imprenditoria italiana <\/strong><\/h3>\n
Secondo un’indagine svolta dall\u2019Osservatorio<\/a> Big Data Analytics & Business Intelligence del Politecnico di Milano, nelle grandi imprese italiane (oltre 250 dipendenti) l’analisi \u00e8 cos\u00ec suddivisa:<\/p>\n
- \n
- la descriptive analytics \u00e8 ormai un dato di fatto essendo presente nell\u201989%<\/strong> delle aziende intervistate;<\/li>\n
- la predictive analytics risulta attirare il maggior interesse con una diffusione al 59%;<\/strong><\/li>\n
- sono ancora confinati solo in alcuni ambiti applicativi (30%) o in fase di pilota (28%);<\/li>\n
- il restante 42% non ha ancora soluzioni di questo tipo ma il 37% ne sta valutando l\u2019adozione nei prossimi 12 mesi.<\/li>\n<\/ul>\n
L’indagine ha coinvolto 1.000 CIO (chief information officer) di altrettante aziende.<\/p>\n
Sono ancora molto indietro i prescriptive e automated analytics, presenti rispettivamente nel 23% e nel 10% delle aziende e solo a livello di progetto pilota.<\/p>\n
Come va la situazione nelle PMI?<\/h4>\n
Nelle piccole e medie imprese (tra 10 e 250 dipendenti), la sensibilit\u00e0 all\u2019utilizzo dei dati si mostra molto pi\u00f9 bassa rispetto alle grandi imprese. Infatti, solo un\u2019azienda su 3 adotta modelli di descriptive analytics<\/strong> (34%).<\/p>\n
Le aziende di medie dimensioni presentano una percentuale maggiore, pari al 39%, rispetto a quelle piccole con il 33%. L\u2019utilizzo di modelli di predictive<\/strong> \u00e8 ancora limitato a poche realt\u00e0 (16%), mentre prescriptive e predictive analytics<\/strong> sono ancora scarsamente conosciuti.<\/p>\n
Sempre secondo lo stesso studio,\u00a0“nel 2019 il mercato big data analytics in Italia ha raggiunto un valore di quasi 1,7 miliardi di euro, con un tasso di crescita del 23% rispetto al 2018.\u00a0<\/em>” Questi investimenti sono cos\u00ec distribuiti:<\/p>\n
- \n
- 47% software: <\/strong>53% del totale investito nei software sono strumenti per la visualizzazione ed analisi dei dati e il restante 47% \u00e8 costituito da integrazione e preparazione;<\/li>\n
- 20% risorse infrastrutturali: <\/strong>per abilitare l’analytics e fornire capacit\u00e0 di calcolo e storage ai sistemi aziendali, primo fra tutti il cloud;<\/li>\n
- 33% servizi per la personalizzazione del software: <\/strong>integrazione con i sistemi aziendali e consulenza per la riprogettazione dei processi.<\/li>\n<\/ul>\n
Ma considerando che le imprese sono destinate a divenire sempre pi\u00f9 delle vere “fabbriche di dati”, chi sar\u00e0 o \u00e8 gi\u00e0 in grado di comprendere e gestire questa immensa mole?<\/p>\n
Le professioni nate dai big data<\/strong><\/h2>\n
Diamo uno sguardo alle professioni maggiormente in evidenza con l’espansione dei big data:<\/p>\n
Data scientist <\/strong><\/h3>\n
Il data scientist<\/em> \u00e8 la figura professionale con competenze plurime, che gestisce i big data, ovvero i dati grezzi. Successivamente ne trae informazioni rilevanti per le diverse necessit\u00e0 aziendali come il marketing o le strategie di business.<\/p>\n
Le molteplici competenze necessarie al data scientist richiedono: l’informatica, capacit\u00e0 di gestione dei progetti, matematica ed analisi, statistica, conoscenza del core business aziendale, capacit\u00e0 di comunicazione grafica e relazionale.<\/p>\n
\u00c8 una professione per la quale si consiglia una laurea in data science (esistono master e lauree magistrali) oppure in informatica, matematica e ingegneria informatica.<\/p>\n
Lo stipendio medio di un data scientist \u00e8 di 39.000 euro annui circa. Si possono comunque raggiungere cifre molto pi\u00f9 elevate, oltre i 100.000 euro annui.<\/p>\n
Data engineer <\/strong><\/h3>\n
Sono conosciuti come data engineer<\/em> gli ingegneri dei dati che usano le loro competenze ingegneristiche e informatiche per aggregare, analizzare e manipolare insiemi di big data. Il compito del data engineer \u00e8 garantire la disponibilit\u00e0, fruibilit\u00e0 e qualit\u00e0 dei dati.<\/p>\n
\u00c8 una professione per la quale serve almeno una laurea specialistica in materie con indirizzo scientifico come informatica, matematica, ingegneria informatica, statistica, fisica ed economia.<\/p>\n
Lo stipendio medio annuo \u00e8 in linea con quello del data scientist.<\/p>\n
Data analyst<\/strong><\/h3>\n
La figura del data analyst<\/em> analizza e interpreta i dati per trasformarli in utili informazioni per il business e per il processo decisionale. La differenza sostanziale con il data scientist e analyst sta nel fatto che il primo si occupa di modellizzare problemi complessi con una conoscenza approfondita delle tecniche matematico statistiche.<\/p>\n
Il data analyst analizza i dati presenti in azienda da tutte le diverse fonti. Una volta esclusi o eliminati eventuali errori per identificare i problemi che rallentano il business, passa alla raccolta e all’analisi statistica dei dati. Successivamente verifica ipotesi e teorie per ottenere un vantaggio competitivo.<\/p>\n
Anche in questo caso le lauree pi\u00f9 indicate sono di orientamento scientifico e matematico, come statistica, informatica, ingegneria informatica, data science.<\/p>\n
Lo stipendio medio si aggira sui 27.000 euro annui.<\/p>\n
Security Engineer<\/strong><\/h3>\n
Il security engineer \u00e8 l’ingegnere della sicurezza dei sistemi informatici, sia nella soluzione che nella prevenzione di possibili problemi. Si tratta di una figura che all’estero, specialmente negli USA, si \u00e8 gi\u00e0 imposta in tutta la sua importanza. Questa posizione pu\u00f2 arrivare a ricevere stipendi molto elevati, 100.000 euro annui o addirittura di pi\u00f9.\u00a0In Italia, dove \u00e8 relativamente recente in ambito aziendale, lo stipendio medio annuo si attesta intorno a 25.000 euro.<\/p>\n
Una solida base informatica \u00e8 primo requisito per intraprendere questa attivit\u00e0 in forte espansione. Quindi, una laurea informatica \u00e8 necessaria anche se in molte universit\u00e0 italiane esistono gi\u00e0 corsi di laurea specifici in sicurezza informatica.<\/p>\n
Tutti i valori degli stipendi sono stimati in base ad una media effettuata sulle offerte presenti sul mercato del lavoro da parte delle maggiori agenzie.<\/strong><\/p>\n
Esistono ancora altre professioni emergenti legate alla gestione dei dati come:<\/p>\n
- \n
- database manager:<\/strong> coloro che gestiscono il mantenimento, la cura e il miglioramento del database;<\/li>\n
- data architect: <\/strong>chi progetta sistemi informativi e l’andamento dei flussi dei dati per ottenere la maggiore organizzazione e produttivit\u00e0 possibili.<\/li>\n<\/ul>\n
Quanto vale il settore analytics e quali sono i settori pi\u00f9 attenti ai big data in Italia?<\/strong><\/h2>\n
<\/a><\/p>\nQuesti i dati relativi alla crescita fino al novembre<\/a> 2019, stillati da BrandNews.<\/p>\n
Esistono dei settori che prima di altri hanno compreso il cambiamento in corso ed hanno intrapreso investimenti ed azioni mirati a migliorare la gestione e comprensione dei BIG DATA a loro vantaggio, queste le percentuali del mercato italiano:<\/p>\n
Il settore bancario<\/strong> con il 28% della spesa \u00e8 al primo posto nel nostro paese, seguito poi da:<\/p>\n
- \n
- settore manifatturiero<\/strong> con 25%;<\/li>\n
- media e telecomunicazioni<\/strong> al 14%;<\/li>\n
- servizi<\/strong> 8%;<\/li>\n
- GDO\/Retail<\/strong> 7%;<\/li>\n
- assicurazioni<\/strong> 6%;<\/li>\n
- utility<\/strong> 6%;<\/li>\n
- sanit\u00e0 <\/strong>6%<\/li>\n<\/ul>\n
Certamente che queste percentuali sono in continua evoluzione e cambiamento.<\/p>\n
Case studies di big data<\/strong><\/h2>\n
Vediamo alcuni casi in cui i big data consentono cose impensabili fino qualche mese o anno fa.<\/p>\n
Big data e la salute<\/strong><\/h3>\n
L’Health Data Analytics Institute<\/a> costituisce un esempio concreto di come l’analisi dei dati sia diventata fondamentale e oggetto di studio e lavoro.\u00a0Qui l’intelligenza artificiale eccelle nel dare un senso ai dati.<\/p>\n
La sua piattaforma basata sull’intelligenza artificiale analizza oltre un miliardo di incontri con pazienti per migliorare i risultati sanitari. L\u2019ottica \u00e8 quella di una sempre pi\u00f9 precisa previsione clinica e maggiore salute. In poche parole, trovare un potenziale problema il prima possibile.<\/p>\n
L’intrattenimento e i big data<\/strong><\/h3>\n
Altro esempio \u00e8 la AMC Networks, operante nell’ambito dell’intrattenimento e produttrice fra l’altro di show come Breaking Bad, Mad Man <\/em>and The Walking Dead<\/em>. Come riporta la BigData 4 Innovation, la AMC ha attuato una strategia di investimento<\/a> sui big data per conoscere meglio il suo pubblico.<\/p>\n
La frontiera dell’agricoltura e i big data<\/strong><\/h3>\n
Nell’ambito dell’agricoltura l’azienda Arable<\/a> ha recentemente lanciato un sistema di monitoraggio tramite sensori per la raccolta di dati nell’ottica di ottimizzare la produzione nelle fattorie. In questo video si pu\u00f2 capire quanto dirompente sia il cambiamento in corso:<\/p>\n
- media e telecomunicazioni<\/strong> al 14%;<\/li>\n
- data architect: <\/strong>chi progetta sistemi informativi e l’andamento dei flussi dei dati per ottenere la maggiore organizzazione e produttivit\u00e0 possibili.<\/li>\n<\/ul>\n
- 20% risorse infrastrutturali: <\/strong>per abilitare l’analytics e fornire capacit\u00e0 di calcolo e storage ai sistemi aziendali, primo fra tutti il cloud;<\/li>\n
- la predictive analytics risulta attirare il maggior interesse con una diffusione al 59%;<\/strong><\/li>\n
- la descriptive analytics \u00e8 ormai un dato di fatto essendo presente nell\u201989%<\/strong> delle aziende intervistate;<\/li>\n
- in 60 secondi<\/strong> si scrivono <\/em>187 milioni di email<\/strong>, 41,6 milioni di messaggi Whatsapp<\/strong>, i 18,1 milioni di sms<\/strong> scambiati ogni minuto. Proprio mentre leggevi questa frase, 33 milioni di messaggi sono stati inviati;<\/em><\/li>\n