Business Intelligence, Analytics e Big Data:

una guida per capire e orientarsi

Paolo Pasini
Head of Information Systems Management Unit
Responsabile Osservatorio Business Intelligence
(www.sdabocconi.it/obi)

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 La storia: Posizionamento dei sistemi MIS,
DSS, ESS e EIS, BI, BA e BD

Met 90 2005 2012

Futuro
Incertezza

D.S.S.

Accesso e E.S.S. Analisi e

Presentazione Diagnosi

E.I.S.
M.I.S.

Passato
Fonte: Gary Anderson, 1989 Certezza

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

Business Intelligence

1. ricerca intelligente di dati,

2. produzione e analisi in tempo reale relativo di
informazioni e conoscenza
3. tramite lintegrazione di
molteplici funzionalit (BI tools),
Reporting, query, OLAP, simulazione, modelling, mining, cruscotti-scorecards,

e applicazioni (Business Analytics)

di analisi di processi e attivit funzionali o di settore, di budgeting, di previsione,
predizione, di scenario analysis, di ottimizzazione, ecc.

4. push, ma soprattutto pull,

5. per il supporto di processi di controllo e di decisione
6. di manager e professional di qualunque livello aziendale
7. si appoggia generalmente su sistemi di
Datawarehousing o Repository di dati non strutturati

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 La gamma applicativa della BI
Attivit e processi Stakeholders,
di Governance
A.D., D.G

Attivit e processi Alta Direzione o

di pianificazione Direzioni di Business Unit
strategica
Titolo diagramma

REPORTING
DIREZIONALE

REPORTING
LIVELLO DI
REPORTING
QUALITA'
REPORTING
POST-VENDITA UNITA' ORG.VE
SERVIZIO

prontezza: tempestivit:
MKTG/ DIVISIONI
QUALITA' QUALITA' INTERVENTI ANALISI DEI
tempo medio
di risposta
% consegne
in ritardo INTERNA ESTERNA IN GARANZIA RECLAMI
ATTIVITA' AMM/FIN. VENDITE COMM.LI AGENTI LOGISTICA D.G.
disponibilit: accuratezza:
lead time di %cons.complete/ vedi dettaglio
richiesta e consegna tot.consegne
prepazione dati di
regolarit:
......
ANALISI DEI
LEAD TIME consuntivo,
(vedi Reporting
ad hoc) ultimi 12 mesi
lead time lead time
venditori amministrazione

lead time lead time

acquisti e produzione Q x raggrupp.,
fornitori

Attivit e processi
MDC, Dp increm.:
lead time lead time x agente (div.I), x
logistica ....... definiz. definiz.
in uscita e trasporti definizione obiettivi e cliente (div.E), x

Direzioni Funzionali
obiettivi Q
aggregaz. (div.
previsioni di budget G,H)

tattici, di P&C DIMENSIONE

PRODOTTO

TO
N
RECLAMI

ORDINA
N INTERVENTI ON-
SITE

MISURE DI
PERFORMAN 1.integraz.
SETTORE
GRADO DI SODDISFAZIONE Clienti e prod.
SOTTO-SETT.
MARGINE DI CONTRIBUZIONE
CE Nuovi;
FAMIGLIA 2.criteri di
TEMPI MEDI CONSEGNA

SOTTO-FAM.
consolidamento mensilizz. Q x costi di trasporto
aggregaz., x
DIMENSIO ARTICOLO
agente, x
NE campagna;
INIZIATIVE DIMENSI 3.prev. Costi
DI NAZI
ONE ONE comm.li
SETTIMANA
MARKETIN REGIONE
CLIENTE
G PROVINCIA
MESE

PERIODO INFRA-ANNUALE
BACINO DEL PUNTO VENDITA

validazione
N30 0 30 60 90Kom
ileetsr
ANNO

...

DIMENSIONE
GEOGRAFIA BUDGET
stesura budget finale VENDITE

Attivit e processi BI Funzioni e unit

operativi Real operative
time

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 The new BI scenario

BI Tools BI Analytics
Whats the best that can happen? Decision Optimization
What will happen next? Predictive Analytics
Competitive Advantage

What if these trends continue? Forecasting

Why is this happening? Statistical models

Alerts What actions are needed?

Query/drill down Where exactly is the problem?
Ad hoc reports How many, how often, where?
Standard reports What happened?

Information Degree of Intelligence Insight

(adattamento da Davenport, 2007)

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 La piramide delle tecnologie software della
BI: dai BI Tools alle Analytics ai Big Data

Data e Content AUMENTA:

Mining
Social analytics IL GRADO DI
Analytics (statistics) SOFISTICAZIONE E DI
Modelling, Predictive STRATIFICAZIONE
Simulation, Scenario TECNOLOGICA
LA NECESSITA DI
Business Analytics
CULTURA E
Performance Management,
COMPETENZE
Analisi Geografica
ANALITICHE
Query e Reporting ad Hoc (self-service), IL VALORE DEL
Analisi Multidimensionale, OLAP SISTEMA DI BI

mentre
Cruscotti Direzionali,
SI RIDUCE IL N DI UTENTI
Reporting standard (push)

(Fonte: Osservatorio BI, SDA Bocconi, 2012)

6
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
Processi decisionali core business per settore e
relative Analytical Applications

Settore Core Analytical Applications Portfolio

Servizi Credit scoring, fraud detection, pricing dinamico, claims analysis, customer
finanziari profitability, channel profitability, compliance
Retail Promotions analysis, ottimizzazione dei riassortimenti, ottimizzazione degli
scaffali, demand forecasting, ottimizzazione della logistica e dei centri
distribuzione, pricing, geo-intelligence
Manifatturiero Supply chain optimization (matching tra stabilimenti-magazzini-PdV), demand
forecasting, analisi garanzie, previsione personalizzazione e innovazione prodotti
Health care Diagnosi preventiva, previsione visite, revenue management, financial resource
analysis e forecasting
Energy, Utility Energy management, trading allocation, demand forecasting, compliance, pricing
and contracts differentiation
Telco Customer retention, demand forecasting, capacity planning, network
optimization, customer profitability
Web channels Web site metrics, customer recommendations and advs, Social Media Analysis,
Location based services analysis

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 Tutti i processi decisionali complessi si alimentano di
Informazioni Hard e Soft e impiegano capacit di
ricerca dati intelligente e di analisi dati
Informazioni Hard Informazioni Soft
Interne ed esterne Interne ed esterne

Prospetti Notizie riferite Program- Predizioni Spiegazioni Opinioni Voci

finanziari mezzo stampa mi
Speculazio- Giustifi- Sensazioni Pette-
Statistiche Tendenze dei Piani ni cazioni golezzi
settori formali Idee
Informazioni industriali Previsioni Valutazioni Dicerie
da archivi Norme,
storici Dati di ricerca leggi, Stime Interpre-
circolari tazioni

Contratti

Grado di oggettivit
+ -
Grado di certificabilit
+ -
Grado di condivisione del significato e della semantica (tassonomie, classificazioni)
+ -
Grado di strutturazione del contenuto
+ (in prevalenza allorigine) -

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 Una vista analitica degli oggetti di business: Verso
i Big Data!
DATI
NON

RECENCY, FREQUENCY,
STRUTT.

DATI
MONETARY DATI
PROFILO SOCIO-DEMO
STRUT-
STRUT-
TURATI
PROFITABILITY TURATI

FIDELITY CARD, PUNTI PREMIO

DATI IN STRUMENTI DI PAGAMENTO DATI IN
STREAMI
NG,
BASKET E MIX STREAMI
NG,
RealTime DI ACQUISTO RealTime

DATI IN
STREAMI
SOCIAL WEB DATA (RT e non RT)
NG,
RealTime consumer
GEO-POSITIONING
VIDEO-INTELLIGENCE DATI IN
STREAMI
(riconoscimento volti e NG,
Comportamento fisico) RealTime

FEEDBACK E-SURVEY

INFORMAZIONI E RECLAMI
GARANZIE PRODOTTI
DATI
AL CONTACT CENTER
STRUT- DATI
TURATI NON
STRUTT.

Un esempio di BIG DATA: velocity, variety, volume.

I vettori di conoscenza del consumer
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
 BIG DATA: nuove frontiere della conoscenza
aziendale e della cultura manageriale

1. Risolvere nuovi problemi aziendali:

Dal mondo fisico-scientifico e R&D (medico-farma, clima-eventi naturali,
geologia, smart grid, )
Al mondo del management aziendale (strategie future, ottimizzazione dei
processi core, insight di mercato e clienti, )

2. Start with questions or start with collecting data?

Approcci Bottom-up, mining-based, ricercare linaspettato in questa nuova
disponibilit di dati (es. casi di Hertz, Mediaset, Twitter Data analysis)
Approcci Top-Down, requirements o model based (es. casi di Vestas,
Terraechos, Acea)

3. Mix diversi di Velocit, Volumi e Variet

4. Dati storici, correnti, in tempo reale, futuri

10 Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

Big Data: definizione e alcuni risultati di una ricerca
su 202 CIO di medio-grandi aziende italiane

Big Data Framework

Data Velocity Data Volume New

Knowledge
and Insights

New
Potential
Business
Value
Data Variety
(number of sources and
types of formats)

High
Management
Data Quality
BI & Analytics, Culture and Information
(Veracity), Cloud services
DB platform Capabilities, Complexity Scale
Security, Privacy
New Skills

Enablers to Big Data Low

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

Andare oltre al titolo Big Data! Dove
risiede il passo avanti nella conoscenza?

1. Riflettere nuovamente sui DATI (interni ed esterni) come risorsa

aziendale, come asset informativo
Valore patrimoniale
Valore in nuovi servizi o prodotti core venduti sul mercato
Valore in nuove aziende di propriet dedicate alle analytics (casi di Tesco,
GE, Bosch, )

2. Le imprese ricercano modalit nuove per rappresentare una realt

aziendale sempre pi complessa (dinamica e incerta)
4 fasi di Maturity (dati Financial, dati non Financial, dati non strutturati, Big
data)

3. Ancora una volta si assiste ad un fenomeno di innovazione pushed

dal mercato dellofferta di prodotti e servizi ICT

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 Come rappresentare una realt aziendale
sempre pi complessa e dinamica?
La curva di esperienza nellimpiego dei dati in
azienda segue alcune tipiche fasi di Maturity:

1 fase: dati Financial (ufficiali e strutturati)

Esperienze e velocit comunque diverse (es. redditivit
di cliente)

2 fase: dati non Financial (pi o meno ufficiali e

strutturati)
Il passaggio dal trattamento dei dati financial ai non
financial fondamentale, ma ancora faticoso (es. si
vedano i casi di Balanced Scorecards, Value-Based
Mgmt, KPI non financial,)

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

Come rappresentare una realt aziendale
sempre pi complessa e dinamica?
3 fase: dati non strutturati
generare abitudine e capacit nel trattamento di dati
qualitativi, soft e in forma non numerica (testuale,
grafica, video, audio, ), generati da fonti interne
(email, documenti dematerializzati, ) ed esterne
(web log, social data, web content, )

4 fase: dati con mix crescenti di Volumi,

Velocit (di generazione, raccolta,
elaborazione e fruizione) e Variet (fonti e
formati) -> Big Data

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 La piramide di esperienza della BI
Casi di BI e Analytics
Casi di Big Data
Creativit sul
mercato e nei TESCO, BOSCH, GE. Societ di servizi di analitics
Business Model
VESTAS. Localizzazione Modelli decisionali
turbine eoliche A2A. Il processo di per GDO + FONIA
TERRAECHOS. Analisi dati
Nuovi Prodotti e simulazione e di definizione MOBILE +
Servizi di nuovi contratti luce-gas
video + dati audio per CARBURANTI
sorveglianza e sicurezza PRECA BRUMMEL. Il processo di
Migliorare i processi aziendali e definizione del briefing (e del budget) di
ACEA. Ottimizzazione
le relazioni nella rete del valore collezione e pianificazione dei lanci di
e predizioni incidenti
produzione.
sulla rete elettrica
COREPLA. Il processo di
MEDIASET. Analisi Anticipare i problemi e Guidare il pianificazione finanziaria
social dei gusti, Business nel Breve-Medio Termine pluriennale. ABB. Budgeting
comportamenti, trend forecast mensile.
dei clienti Premium
AZIENDA OSPEDALIERA
HERTZ. Analisi Capire e dare un senso al Business, al passato DI PADOVA. Il
multicanale monitoraggio e reporting
soddisfazione e di prenotazioni e
suggerimenti (Fonte: Osservatorio BI, SDA Bocconi, 2013)
pagamenti delle visite.

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 ALCUNI CASI PIONIERI E
CASI DI ECCELLENZA

Forte variet (per ambiti, settori, risultati)

Approcci esplorativi di progettazione Reqs-based (es. Vestas o

TerraEchos) e Mining-based (es. Hertz o Twitter data analysis)

Big Data booklet: casi pionieri e di

eccellenza internazionale e italiana

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 Insight dei
Insight dei Processi Insight delle Insight dei PoI o Insight per Strategie Insight sui
Processi R&D e Insight di mercato e
gestionali, incluso relazioni con Infrastrutture future, scenari, documenti core
innovazione di clienti
risk mgmt partner esterni aziendali (incl. ICT) business model dematerializzati
prodotto/servizio
Dublin City Center; (RT
public transportation data
analysis)
University of Southern
Battelle (RT and DWH California(RT Twitter data
TerraEchos (RT acoustic smart grid data analysis) analysis for political aims)
data analysis)
Barnes & Noble (RT sales
KTH Swedish Royal Ufone (campaign data
track for suppliers and RT
KTH Swedish Royal Institute of Technology streams analysis)
inventory analysis)
Velocity

Institute of Technology (RT analysys of traffic

(RT analysys of traffic Barnes & Noble (RT sales streaminig data) Globe Telecom (RT mktg
Asian Telco (network
streaminig data) track for suppliers and RT data analysis)
monitoring e processo di
inventory analysis) U.S. Wireless Telco (RT
billing)
University of Western cells and customer calls U.S. life Insurance
Ontario (RT neonatal Data analysis) Company (RT predictive
Telecom (Service level
patient conditions analysis of churn)
analysis)
analysis) Asian Telco (network
monitoring) MobyLines (RT customer
Mutiutility italiana (RT profiling and custom
power network analysis content delivery)
and predictive)
Telecom (Service level
analysis)

KTH Swedish Royal University of Southern

Institute of Technology California (RT Twitter data
Multinational CPG
(RT analysys of traffic analysis for political aims)
manufacturer (velocit ed
streaminig data) KTH Swedish Royal
efficacia dellenterprise
Institute of Technology Hertz (content analytics)
Variety

Hertz (content analytics) search)

TerraEchos (RT acoustic (RT analysys of traffic
data analysis) streaminig data) U.S. Wireless Telco (RT
Vestas (wind turbine Multinational Aeromobile
cells and customer calls
positioning) manufacturer (velocit ed
Vestas (wind turbine Data analysis)
efficacia dellenterprise
positioning)
search)
Asian health Bureau Mediaset (social
(patient images analysis analytics; virtual customer
in rural telemedicine) profile analysis)

Battelle (RT and DWH

smart grid data analysis)
TerraEchos (RT acoustic Vestas (wind turbine
U.S. Wireless Telco (RT University of Southern
Volume

data analysis) positioning)

cells and customer calls California California (RT
Data analysis) Twitter data analysis for
Asian Health Bureau Asian Telco (network
Mutiutility italiana (RT political aims)
(patient images analysis monitoring e processo di
power network analysis
in rural telemedicine) billing)
and predictive)
Telecom (Service level Copyright SDA Bocconi, Paolo.pasini@unibocconi.it
analysis)
Risultati
Aumento della precisione nella
definizione della localizzazione
delle turbine grazie alla
possibilit di analizzare pi dati
e con un maggior dettaglio.
Diminuzione del costo
dellenergia per Kilowatt ora e
conseguente incremento del
ritorno dellinvestimento per i
clienti.
Riduzione dei tempi di risposta
nelle attivit di simulazione e
previsione di circa il 97%.

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 grado di soddisfazione dei clienti rispetto ai propri prodotti e rispetto a
Mediaset S.p.A. Risultati
quelli dei concorrenti.
Monitoraggio
La soluzione testata ha permesso di del sentiment
analizzare molteplici fonti datidei
non
strutturate, individuare hot words e trend dei prodotti e servizi
clienti rispetto al brand e ai
offerti da Mediaset, comparare queste informazioni con le altre
prodotti/servizi
disponibili offerti.
in azienda, valutare la loro rilevanza rispetto alle priorit di
businessUtilizzo
definite.
di alcuni indicatori
Risultati
rappresentativi del comportamento
dei clienti
Monitoraggio per dei clienti
del sentiment intercettare
rispetto al brand e le
ai
Mediaset S.p.A. un'azienda privata italiana, fondata nel 1978,
specializzata primariamente in produzione e distribuzione televisiva in opinioni degli utenti e poter
prodotti/servizi offerti.
Utilizzo di alcuni indicatori rappresentativi del comportamento
libera visione (free to air, FTA) e a pagamento (pay-tv e pay per view), studiare azioni le mirate
dei clienti per intercettare volte
opinioni degli utenti e potera
oltre che in produzione e distribuzione cinematografica, multimediale
e in raccolta pubblicitaria. Oggi conta pi di 6000 dipendenti, ha gestire e volte
studiare azioni mirate ridurre leventuale
a gestire e ridurre leventuale
insoddisfazione dei clienti.
insoddisfazione dei Business
clienti.
partecipazioni in pi di 40 societ con sedi in vari paesi, ed il il primo
Feedback dei risultati alle diverse Unit aziendali.
gruppo televisivo in Italia e Spagna e leader in Europa.
Feedback dei risultati alle diverse
Per mantenere il proprio ruolo di primo piano nel settore, Mediaset Soluzioni implementate
alla continua ricerca di nuovi modelli di servizi e di distribuzione di Business Unit aziendali.
IBM Social Media Analytics.
contenuti digitali per rispondere alle esigenze e ai gusti in continua
evoluzione dei propri clienti.
Considerando i Social Media una nuova fonte estremamente
interessante e rilevante per comprendere le opinioni dei propri clienti,
Mediaset ha deciso di testare una soluzione in grado di raccogliere e
analizzare i dati non strutturati dei social media e successivamente
compararli con i dati oggi disponibili in azienda e i dati di mercato
provenienti dalle fonti pi tradizionali; lobiettivo principale quello di
valutare se lanalisi dei dati destrutturati possa affiancare gli altri
strumenti di marketing a disposizione dellazienda e di misurare il

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

Social Web Analytics
Fonti Web Social Communities Forum, Fonti Siti web
Network Blogs tematiche Newsgroups mainstream istituzionali

Tipologia di Analisi New Opinion & Profiling, Social Web

Reputation Concept Satisfaction New Product Sentiment / Behaviour,
Testing Monitoring Competition Perception Experience Network
Unit di Analisi
Business Policy ALCATEL COMUNE TO COMUNE TO

ALCATEL,
Brand aziendale ALCATEL, ERIF ALCATEL, BINDA
EDENRED
ALCATEL,
ALCATEL, BINDA,
Brand di prodotto ALCATEL, ERIF
FM, PIRELLI
BINDA, FM,
PIRELLI

Personale aziendale
ALCATEL,
ALCATEL,COMUN BINDA,
Prodotti/Servizi attuali ALCATEL, ERIF E, ERIF, FM, COMUNE TO,
PIRELLI ERIF, FM,
PIRELLI

Nuovi Prodotti/Servizi o Eventi BINDA COMUNE TO COMUNE TO

BINDA,
Nuovi Concept Prodotti/Servizi EDENRED, ERIF

Customer TUTTI I CASI

BINDA,
Processi aziendali ALCATEL
COMUNE TO
ALCATEL, FM, ALCATEL, ERIF,
Concorrenti PIRELLI FM, PIRELLI
(Fonte: Osservatorio BI, SDA Bocconi, 2011) SDA Bocconi, Paolo.pasini@unibocconi.it
Copyright
Hertz Risultati
La soluzione implementata, in particolare, permette di classificare
automaticamente i dati non strutturati raccolti mediante lutilizzo di
regole Riduzione dei tempi necessari per
linguistiche restituendo report facilmente interpretabili e
analizzabili dal management.
la raccolta multicanale e per il
Risultati
trattamento/preparazione dei dati
Riduzione dei tempi necessari al trattamento/preparazione
non strutturati e conseguente
dei dati non strutturati e conseguente incremento del tempo
disponibile per la loro analisi.
incremento
Maggior conoscenza del tempo
dellopinione dei disponibile
clienti e delle
determinati della loro soddisfazione o insoddisfazione.
Hertz il pi grande Brand di autonoleggio, aeroportuale, con oltre per
Maggior la controllo
loro analisi.
sui processi aziendali core (noleggio,
8.300 sedi in 146 paesi.
consegna e ritiro).
Hertz continuamente richiede e riceve feedback dai propri clienti Maggior
Soluzioni implementate
conoscenza dellopinione
mediante sondaggi web, email e messaggi di testo. Tutti i dati non
strutturati cos raccolti rappresentano una fonte molto preziosa per dei clienti e delle determinati della
IBM Content Analytics.
misurare il grado di soddisfazione dei propri clienti e capire quali sono i loro soddisfazione o
limiti del servizio erogato che possono generare insoddisfazione nella
clientela. insoddisfazione.
Per sfruttare appieno questo potenziale informativo, Herts ha avviato
limplementazione di un sistema per raccogliere i dati non strutturati, Maggior controllo sui processi
elaborarli ed estrarre le informazioni rilevanti per il business e renderle
disponibili al management per analisi volte a identificare trends,
aziendali core (noleggio, consegna
criticit/opportunit e modificare conseguentemente il servizio offerto e ritiro).
in termini di contenuto e qualit per renderlo coerente con le richieste
dei clienti.
Lanalisi di questi dati permette, inoltre, di comprendere i punti di
forza e di debolezza dei processi aziendali (di noleggio, consegna e
ritiro) e intraprendere le necessarie azioni correttive.

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 Risultati
Annenberg Innovation Lab Risultati
Visualizzazione in tempo reale delle percezioni e delle reazioni
University of Southern California
Visualizzazione in tempo
del pubblico alle risposte fornite da parte deireale
candidati politici
durante i dibattiti.
delle percezioni
Previsione del vincitore dele delle
dibattito reazioni
basata sullopinione
del pubblico alle risposte fornite
pubblica anzich esclusivamente su quella degli analisti e degli
schieramenti politici.
da parte dei candidati politici
Soluzioni implementate
durante i dibattiti.
IBM InfoSphere Streams.

Annenberg Innovation Lab un centro di ricerca dellUniversity of Previsione del vincitore del
Southern California, una tra le universit pi importanti degli Stati
Uniti. Il Lab, in particolare, svolge attivit di ricerca focalizzata
dibattito basata sullopinione
principalmente sui Digital Media e sul loro impatto nelle pubblica anzich esclusivamente
amministrazioni pubbliche, nelle imprese private e nella societ civile
in generale. su quella degli analisti e degli
Allinterno di questo filone di ricerca il Lab ha avviato un progetto schieramenti politici.
finalizzato alla misurazione del sentimento pubblico durate le
votazioni primarie e i dibatti presidenziali.
Per fare ci, stata realizzata una soluzione in grado di raccogliere i
messaggi postati su Twitter durante i dibattiti politici, di analizzarne il
contenuto attraverso strumenti capaci di interpretare il linguaggio
naturale, di classificare il messaggio in funzione del suo reale
significato (disambiguazione del linguaggio ricco di modi di dire,
espressioni sarcastiche, etc.) e infine di capire e interpretare i
sentimenti (positivi, negativi, neutrali) verso i candidati e verso i temi
socio-economici oggetto dei dibattiti politici.

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

Risultati
Aumento del conversion rate
dello 0,5%.
Miglioramento dellefficacia
delle azioni di marketing
attraverso una maggior
comprensione in tempo reale
del comportamento dacquisto
dei clienti.

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

Big Data Initiative:
1. Ricercare il giusto committment direzionale.
(se possibile) ricercare un legame tra potenziali iniziative Big data e linee
guida strategiche dell'azienda
chi fa da Pivot, da Hub e da incubatore?
sponsorship da parte di un CXO, o meglio se di un Comitato direttivo,
interfunzionale
rilevante Business/IT relationship, ma anche Business/Business relationship!!!
business case e studi di fattibilit di ogni iniziativa

2. Partire con iniziative mirate, circoscritte, ma avendo in mente un

disegno enterprise (think big but start small and quick!).
generare loccasione della sperimentazione mirata
mirare a quick wins
pensare a scelte di piattaforme e soluzioni IT che consentano la scalabilit
con volumi crescenti di dati.

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

Big Data Initiative:
3. Scegliere le opportune fonti informative e tecnologie.
valorizzare e arricchire i dati interni gi disponibili, strutturati e destrutturati,
che presentano un grado di affidabilit/qualit pi elevato.
puntare sulla interoperabilit e sullintegrazione con gli attuali sistemi di
datawarehousing,

4. Progettare lorganizzazione e sviluppare le competenze

nuove figure professionali (data scientist o management scientist,
BI/analytic Manager, etc.).
nuovi modelli di Competence Center e loro posizionamento
partnership esterna per aumentare la consapevolezza, ridurre i timori sulle
nuove tecnologie e velocizzare la curva di esperienza/maturit sui Big
Data.
scelte di make or buy nella Data Value Chain.

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 Verso i Big Data: driver e temi di riflessione pi
interessanti negli ultimi 2 anni

Dec. 2013, BD analytics a

Nov 2013, BD e FIDUCIA
supporto della VELOCITA
dei consumatori (out e in)
aziendale

ISACA, Jan. 2014;

2012-13, nuova sezione,
2014 impatto su IS security,
BD MGMT
risk e audit

2013

Jan. 2013, McKinsey, BD Nov 2013, BD Initiative,

2012 POTENTIAL index fattori organizzativi

Ott. 2012, BD definition,

DATA SCIENTIST

Dec. 2013, BD analytics in

nuovi PRODOTTI e SERVIZI

Nov 2012-Jan. 2013, BD INITIATIVE, fattori organizzativi

Copyright SDA Bocconi, Paolo.pasini@unibocconi.it

 I Big Data richiedono una maggiore Fase 1 Fase 2 Fase 3 Fase 4 Fase 5
BI Governance: il BI Maturity Model Sperimenta- Crescita Integra- Ottimizza- Distintivit
zione zione zione

1. Strategia aziendale di BI
2. Budget dedicato alla BI BI Strategy
3. Diffusione/penetrazione dei sistemi di BI Assessment
BI Governance
4. Grado di Copertura dei fabbisogni informativi
5. Grado di esperienza nella BI BI Diffusion Profilo

6. Architettura BI
7. Standard tecnologici
Punti di
8. Data Quality Management
forza e di
BI Architecture debolezza

9. Ownership e Accountability della BI

10. Unit organizzative dedicate alla BI Piano di
sviluppo
11. Relazioni specialisti-utenti e SLA BI Organization della BI

12. Analisi costi/benefici

13. Misurazione dei risultati BI Measurement

14. BI sourcing BI Sourcing

Valori Medi di un gruppo multinazionale manifatturiero
Copyright SDA Bocconi, Paolo.pasini@unibocconi.it