UNIVERSITÁ DEGLI STUDI DI MILANO-BICOCCA

Facoltà di Scienze Economiche e Statistiche

Corso di laurea in Marketing e Mercati Globali

DATA MONETIZATION & BIG DATA MARKETING.

Strategie per le imprese globali.

Relatore: Chiar.mo Prof. Flavio GNECCHI

Correlatore: Prof.ssa Elisa ARRIGO

Tesi di Laurea di:

Alessandro CARNEVALI

Matr. N. 747929

Anno Accademico 2016/2017

 INDICE
INTRODUZIONE 4

1. BIG DATA & ANALYTICS 8

1.1. Big Data 11
1.1.1. Attributi dei Big Data 13
1.1.2. Alcune modalità di utilizzo 21
1.2. La Big Data Analysis 24
1.2.1. Requisiti 29
1.2.2. Strumenti 31

2. DATA MONETIZATION STRATEGIES 33

2.1. Keep the Data Proprietary 37
2.1.1. Strategia di monetizzazione: sfruttare i dati per operazioni
interne 37
2.1.2. Strategia di monetizzazione: entrare in un nuovo business 40
2.1.3. Strategia di monetizzazione: vendere i dati in modo esclusivo 44
2.2. Trade Data to Business partner for shared benefits 48
2.2.1. Strategia di monetizzazione: scambiare dati con i partner del
mercato a valle 48
2.3. Sell the Data Product 53
2.3.1. Strategia di monetizzazione: vendere i dati ai proprietari degli
asset 55
2.3.2. Strategia di monetizzazione: vendere Data Product
ad altre parti interessate 58
2.3.3. Strategia di monetizzazione: vendere accessi premium ai
Data Product 63
2.4. Make the data available (and even free) to many users 64

1
 2.4.1. Strategia di monetizzazione: utilizzare le utenze per opportunità
di pubblicità 66
2.4.1.1. Ampliare la Awareness 71
2.4.1.2. Advertising strategy for time-sensitive decisions 72
2.4.1.3. Advertising strategy for products or services
aligned with customer 76
2.4.1.4. Advertising strategy for products or services aligned
with customer and are time-sensitive 79

3. BIG DATA MARKETING 83

3.1. Fattori Abilitanti 86
3.1.1. Internet of Things 87
3.1.2. Un Nuovo Business Making 90
3.2. Percorso evolutivo 94
3.2.1. Digital Analytics 97
3.2.1.1. Market forecasting 104
3.2.1.2. Data mining 105
3.2.1.3. CRM 105
3.3. Programmatic Advertising 106
3.3.1. Impatto dei Big Data sull’Advertising 106
3.3.2. Il Programmatic Advertising 109
3.3.3. Vantaggi e Limiti 113
3.4. Augmented & Adaptive Marketing 117
3.4.1. Augmented & Adaptive experience 117
3.4.2. Augmented & Adaptive experience journey design 123

4. IL CASO OCTO TELEMATICS 129

4.1. Il mercato assicurativo 129
4.2. Octo Telematics 132

2
4.3. Octo Telematics e SAS: Usage-Based Insurance attraverso Advanced

Analytics 135

4.4. TRIGGER e BARRIERE, Il processo di Data Monetization nel Mercato

Italiano (intervista Francesco Rainini) 138

CONCLUSIONI 141

BIBLIOGRAFIA 145

SITOGRAFIA 148

3
 INTRODUZIONE
Negli ultimi anni è avvenuta, e in alcune realtà è ancora in corso, un’importante
trasformazione nel modo in cui le imprese operano sul mercato.
Stiamo assistendo a una trasformazione delle economie di tutto il mondo che sono
sempre più interconnesse e interdipendenti tra loro; il processo di globalizzazione è
quasi arrivato al suo completo compimento e le più importanti città e luoghi di scambio
stanno divenendo sempre più multiculturali e multietnici.
In questo contesto anche le modalità di competizione tra le imprese sono state
rivoluzionate subendo importanti trasformazioni, passando da una competizione statica
nel tempo e nello spazio a una concorrenza non solo internazionale ma globale nella
quale spazio e tempo assumono risvolti dinamici.
Le aziende leader e i loro competitors devono agire su molteplici mercati soddisfando
non solo le esigenze di differenti consumatori ma anche di differenti culture che
riscontrano diversi bisogni, non potendo più limitarsi a offrire prodotti standardizzati o
minimamente differenziati a consumatori locali.
Nei mercati globali, inoltre, il marketing e le scelte strategiche hanno assunto particolare
rilevanza per via della concorrenza, per questo motivo le imprese devono innovarsi e
prendere decisioni sempre più precise minimizzando i rischi.
Il prodotto non è più il principale e unico fattore competitivo, poiché ad esso si è
aggiunta una variabile di fondamentale importanza ovvero il servizio, spesso ad esso
complementare.
Entrambi oggi devono fare leva sugli aspetti intangibili dell’offerta considerati di maggior
valore dai consumatori, rispetto a quelli tangibili.
Dato questo contesto competitivo divengono, quindi, necessari strumenti che
consentano ai manager di pensare in modo attento e il più preciso possibile alle decisioni
da prendere riguardo alle azioni tattiche e strategiche che coinvolgono la società.
Essi non possono più fare affidamento esclusivamente sulla loro esperienza personale e
sul loro intuito basandosi su un forte presupposto soggettivo che quindi risulta poco

4
confrontabile e molto rischioso, ma devono dotarsi di strumenti in grado di fornire
suggerimenti e indicazioni oggettive facendo affidamento a dati affidabili.
Le società che oggi non dispongono di sufficienti informazioni sui consumatori e sul
mercato o che non sanno sfruttarle per prendere le decisioni migliori riguardo alle azioni
da attuare nel mercato sono destinate a lasciare il posto ad altre, che al contrario sanno
come trarre vantaggio dallo sfruttamento dei dati.
I manager delle imprese devono, quindi, rivedere i processi di decision making e agire
sulla cultura aziendale trasformandola in una cultura data driven e customer-centric,
ovvero essi devono fare maggiore affidamento ai dati e ai numeri piuttosto che ai loro
“istinti” basati sull’esperienza osservando in modo attento i consumatori e
targettizzando le azioni di ogni funzione aziendale per soddisfare le esigenze di ognuno
di questi.
Fare ciò è reso possibile grazie agli avanzamenti tecnologici nel campo della statistica e
delle analitycs e all’avvento di una vera e propria rivoluzione digitale che ha permesso
lo sviluppo di una connessione mai avuta in precedenza, attraverso quello che oggi viene
chiamato Internet of Things nel quale tutti gli utenti sono in grado di comunicare tra loro
e di condividere le proprie esperienze indipendentemente dal luogo in cui si trovano.
Le attività degli utenti connessi nel mondo digitale e spesso anche in quello reale
vengono tracciate e monitorate fornendo un enorme quantità di informazioni alle
imprese, che si palesano attraverso attività di raccolta, analisi ed elaborazione dei dati
degli utenti che diventano così big, per questo motivo si parla oggi di big data.
I big data vengono elaborati attraverso strumenti di analytics che rendono possibile lo
sfruttamento e l’interpretazione dell’enorme mole di dati che vengono raccolti dalle
imprese con lo scopo di estrarre da essi utili insights.
Questi big data interessano tutte le funzioni e i dipartimenti interni alle società, ma
possono anche essere utilizzati per creare valore esternamente all’impresa nei modi più
disparati.
Lo scopo di questo testo sarà, infatti, quello di descrivere e spiegare i risvolti che
l’applicazione dei big data ha sul modo di fare business e di introdurre i diversi utilizzi

5
che possono essere fatti di questi dati consentendo la generazione di valore alle imprese
attraverso la loro monetizzazione che prende il nome di Data Monetization.
In seguito, verrà approfondito il tema relativo alla trasformazione del marketing che
diventa Big Data Marketing, che può essere interpretato come l’applicazione di una
delle strategie di Data Monetization alla suddetta funzione aziendale.
La Data Monetization è un concetto molto rilevante poiché essa ha rivoluzionato non
solo il modo di operare delle società esistenti, ma ha ulteriormente permesso
l’introduzione di nuovi modelli di business orientati alla vendita, alla raccolta e allo
sfruttamento dei dati.
La monetizzazione dei dati, in particolare dei big data, può avvenire sotto forme diverse
in base alla scelta della strategia di Data Monetization più conveniente per le diverse
tipologie di imprese.
Nel primo capitolo della tesi verrà introdotto il tema dei big data e degli analytics in
modo da chiarire l’evoluzione a cui stiamo assistendo, mostrando sotto il punto di vista
economico come questi big data e strumenti di analytics vengono utilizzati per
migliorare l’operato delle imprese che li utilizzano.
Nel secondo capitolo si analizzeranno le diverse strategie di Data Monetization con le
loro varie applicazioni ed esempi pratici volti ad analizzare il tema dei big data sotto una
logica economica e di business.
Nel terzo capitolo invece, si approfondirà l’applicazione dei dati al marketing che ha
trasformato completamente questa funzione aziendale e il modo di lavorare dei suoi
operatori, grazie all’introduzione di metodologie e strumenti di raccolta ed elaborazione
dei dati.
Ovvero, sarà interessante capire come i big data non si limitino a creare nuovi business
e a modificare quelli esistenti, ma agiscano sulle funzioni interne alle società, in questo
caso la funzione di marketing che subisce una vera e propria evoluzione richiedendo
anche ai manager uno spirito di adattamento e flessibilità imprevisto e immediato.
Infine, nel quarto capitolo, si delineerà il caso Octo Telematics, una società di telematica
operante nel settore assicurativo che rappresenta un evidente caso di “nuovo modello
di business” creatosi grazie allo sfruttamento e alla vendita dei dati.

6
Questo caso è stato elaborato grazie al supporto di due esperti del settore degli analytics
impiegati in SAS Institute, azienda che si occupa di fornire Business Analytics Software
alle imprese che li richiedono e che partecipa attivamente attraverso una partnership al
business di Octo Telematics.
In sintesi, con questa tesi si vuole indagare il dirompente fenomeno dei big data sotto
un punto di vista economico, descrivendo con teoria ed esempi pratici l’incidenza dei
dati sul modo di operare delle imprese e i loro utilizzi per creare nuove opportunità di
business e per migliorarne esistenti.

7
1. BIG DATA & ANALYTICS

Oggi tutto attorno a noi e su di noi parla e ascolta. Le strade, le automobili, la nostra
casa, i siti web, i social media, i negozi, ma anche i prodotti e persino il nostro corpo
sono diventati connessi e sensorizzati.
Queste “cose” sono diventate complessi ambienti di ascolto e piattaforme di servizio,
immersi in reti e infrastrutture software che regolano l’uso dei dati prodotti e accessibili.
Ad esempio, anche trovare un posto dove parcheggiare è diventata un’azione
supportata dall’analisi del contesto in cui operiamo la ricerca, grazie alle reti di sensori
che registrano la nostra posizione e lo stato dei parcheggi che vogliamo utilizzare,
offrendo una proposta di servizio data-driven.1
I dati, in questo contesto, sono metaforicamente rappresentabili come un torrente che
scorre.
Le aziende producono un volume sempre maggiore di dati transazionali, raccogliendo
trilioni di byte di informazioni sui loro clienti, sui fornitori e sulle operazioni da essi
svolte.
Nell'era dell’Internet of things (IoT)2, milioni di rilevatori di dati vengono introdotti ogni
giorno in dispositivi quali telefoni cellulari, contatori energetici, automobili e macchine
industriali che hanno lo scopo, di creare, memorizzare e comunicare dati.
Quando aziende e organizzazioni svolgono le loro normali attività interagendo con altri
individui, si generano non solo i dati direttamente riconducibili ad esse agli utenti ma
anche ulteriori dati chiamati “exhaust data” digitali, ovvero dati creati come
sottoprodotto di altre attività.

1
Andreina Mandelli, “Big Data Marketing, creare valore nella platform economy, con dati, intelligenza
artificiale e IoT”, EGEA, 2017, versione Kindle
2
http://uk.businessinsider.com/what-is-the-internet-of-things-definition-2016-8?r=US&IR=T: A network
of internet-connected objects able to collect and exchange data using embedded sensors.

8
I social media, gli smartphone, gli altri dispositivi di consumo, tra cui PC e computer
portatili, e il crescente volume di contenuti multimediali tramite essi accessibile hanno
consentito a miliardi di persone in tutto il mondo di contribuire essi stessi alla creazione
dell’enorme quantità di dati disponibili.
Per definire questa enorme mole di dati che aumenta di dimensione ogni istante che
passa è stato introdotto il termine "Big Data".
Esso identifica non solo la quantità di dati generata che è in grado di superare i limiti
degli strumenti di database tradizionali, ma fa anche riferimento alle tecnologie e agli
strumenti utilizzati per estrarre da essa conoscenze e valore.
In pratica, potremmo definire con il termine Big Data il processo di analisi di una quantità
incredibilmente grande di informazioni.
In considerazione della loro enorme estensione in termini di volume, ma anche delle
loro intrinseche caratteristiche velocità e varietà, l'estrazione di valore dai big data
richiede l’utilizzo di tecnologie e metodologie analitiche specifiche ed avanzate3.
Questa definizione di Big Data assume una conformazione dinamica poiché il termine
“Big” varia a seconda degli strumenti software a disposizione e del contesto in cui si
opera.
Molti considerano questa inondazione di dati con profondo sospetto, poiché ritengono
che essa non sia altro che un'intrusione nella privacy dei consumatori; tuttavia, vi è una
forte evidenza che i Big Data sono in grado svolgere un ruolo economico significativo a
vantaggio non solo del commercio privato, ma anche delle economie nazionali e dei loro
cittadini.
Essi, infatti, possono generare significativo valore per l'economia mondiale,
aumentando la produttività e la competitività delle aziende e del settore pubblico e
creando un surplus economico sostanziale per i consumatori.
Ad esempio, l'assistenza sanitaria statunitense potrebbe utilizzare i Big Data in modo
creativo ed efficace per guidare efficienza e qualità; è stato stimato che il potenziale
valore dell’implementazione dei dati nelle scelte decisionali del settore potrebbe essere

3
http://www.dataskills.it/cosa-sono-i-big-data/

9
più di 300 miliardi di dollari ogni anno, di cui due terzi (circa l’8% del totale) sarebbero
in forma di riduzione delle spese sanitarie nazionali.
Nelle economie sviluppate dell'Europa, l'amministrazione governativa sarebbe,
anch’essa, in grado di risparmiare più di 100 miliardi di euro (149 miliardi di dollari)
attraverso l’attuazione di miglioramenti di efficienza operativa utilizzando i Big Data in
modo efficace.
Nel settore privato, invece, si stima, che un rivenditore che utilizza Big Data avrebbe il
potenziale di aumentare il suo margine operativo di oltre il 60 per cento.
I Big Data, oggi, sono ovunque e per questo motivo sono diventati molto rilevanti per i
leader delle imprese e anche per i consumatori di prodotti e servizi che sono in grado di
trarre innumerevoli vantaggi attraverso il loro utilizzo.
Le capacità di raccogliere, immagazzinare e aggregare i dati e quindi utilizzare i risultati
per eseguire analisi approfondite volte ad ottenere utili “business insights” sono
diventate sempre più accessibili poiché archiviazione digitale e cloud computing4
continuano a ridurre i costi e le altre barriere tecnologiche.
Per meno di 600 dollari, oggi, un individuo può acquistare un disco con la capacità di
memorizzare tutta la musica del mondo.
Inoltre, anche i mezzi utilizzati per estrarre le informazioni dai dati sono notevolmente
migliorati grazie alle nuove tecniche di analisi sempre più sofisticate applicate dai
software dotati di una crescente potenza di calcolo derivata dall’implementazione delle
nuove tecnologie.
Lo sviluppo di “skills” riguardanti la generazione, la comunicazione, la condivisione e
l’accesso ai dati è stato ulteriormente facilitato dal crescente numero di persone che,
grazie all’utilizzo di strumenti tecnologici avanzati, sono oggi collegate tra loro nelle reti
digitali.
Nel 2010, più di 4 miliardi di persone, il 60 per cento della popolazione mondiale, erano
dotate di telefoni cellulari e circa il 12 per cento di queste possedevano smartphone, la
cui penetrazione sta crescendo a un tasso maggiore del 20 per cento annuo.

4
Cloud computing, often referred to as simply “the cloud,” is the delivery of on-demand computing
resources—everything from applications to data centers—over the internet on a pay-for-use basis,
https://www.ibm.com/cloud-computing/learn-more/what-is-cloud-computing/.

10
In sintesi quindi i Big Data possono essere utilizzati per creare valore in tutti i molteplici
settori dell'economia globale.
Molte organizzazioni private stanno già usando o provando ad usare i Big Data per creare
valore, mentre per quanto riguarda le aziende e le società pubbliche è necessario che
esse affrontino importanti sfide interne e politiche per riuscire a sfruttare il pieno
potenziale di essi5.

1.1. BIG DATA

“There were 5 exabytes of information created between the dawn of civilization through
2003, but that much information is now created every two days.” 6
Questa frase è esplicativa del fatto che i dati sono aumentati in modo esponenziale negli
ultimi 20 anni introducendoci nell’Information Age7 e consentendoci il raggiungimento
di importanti avanzamenti nella sfera del “Knowledge Management” 8.
Siamo diventati sempre più dipendenti dai dati e dall’automazione, consumiamo e
produciamo un grandissimo numero di dati, nello specifico dati digitali che possono
essere creati, immagazzinati, resi accessibili, e processati in ambienti informatici.
Una ricerca sui lavoratori americani ha evidenziato che circa il 70% di essi utilizza un
Personal Computer (PC) durante il proprio lavoro quotidiano9, e che altrettanti lo
utilizzano durante il tempo libero.
Questo è emblematico del fatto che il modo di vivere e lavorare sta cambiando grazie ai
dirompenti sviluppi in ambito tecnologico.

5
https://bigdatawg.nist.gov/pdf/MGI_big_data_full_report.pdf pp. 1-2-3
6
Eric Schmidt, Software Engineer and Executive Chairman of Google
7
The Information Age (also known as the Computer Age, Digital Age, or New Media Age) is a period in
human history characterized by the shift from traditional industry that the Industrial Revolution brought
through industrialization, to an economy based on information computerization,
https://en.wikipedia.org/wiki/Information_Age.
8
Strategies and processes designed to identify, capture, structure, value, leverage, and share an
organization's intellectual assets to enhance its performance and competitiveness. It is based on two
critical activities: (1) capture and documentation of individual explicit and tacit knowledge, and (2) its
dissemination within the organization, http://www.businessdictionary.com/definition/knowledge-
management.html.
9
‘Microsoft Healthy Computing’, Microsoft.com, August 13, 2013, http://www.microsoft.com/en-
us/news/features/2013/aug13/08-13healthycomputing.aspx.

11
Nel 2014 il numero di smartphone prodotti ha superato il numero di persone presenti
nel pianeta, mostrandoci in modo evidente l’espansione delle connessioni tra persone,
culture e organizzazioni a livello globale.
Ognuna di queste connessioni genera dati, in grado di migliorare le nostre capacità di
prendere decisioni nella vita quotidiana di tutti i giorni creando una molteplicità di
nuove opzioni di scelta fino a quel momento sconosciute, grazie anche alla grande
accessibilità delle nuove tecnologie che permettono di raccogliere, immagazzinare e
avere accesso ai dati a prezzi abbordabili.
L’inizio dell’Information Age si è avuto negli anni novanta, quando l’avvento di Internet
ha reso possibile una connessione tra persone, imprese e comunità con un’intensità
senza precedenti e importanti avanzamenti nelle tecnologie di “Data Warehousing”10 e
nelle operazioni svolte dai computer hanno agevolato la creazione e l’immagazzinaggio
di una quantità di dati sempre più estesa, mentre le metodologie di analisi dei dati
memorizzati verranno introdotte negli anni immediatamente successivi nei quali molte
imprese hanno sviluppato abilità di analisi attraverso l’introduzione di team che
manualmente analizzavano i dati per ottenere business insights.
Tuttavia l’avvento vero e proprio dei Big Data si è avuto negli ultimi 10 anni.
Big data è il termine usato per descrivere una raccolta di dati talmente estesa in termini
di volume, velocità e varietà da richiedere tecnologie e metodi analitici specifici per
l'estrazione di valore11.

Ovvero, un elevato volume, un’elevata velocità e/o un’elevata varietà di risorse

informative, che richiedono di essere processate in forme nuove per rendere possibile un
decision making, una scoperta di insight e un’ottimizzazione dei processi più avanzati 12.

10
https://www.informatica.com/services-and-training/glossary-of-terms/data-warehousing-
definition.html#fbid=LC3D_Ihr6E7 : Data warehousing is a technology that aggregates structured data
from one or more sources so that it can be compared and analyzed for greater business intelligence.
11
Andrea De Mauro, Marco Greco e Michele Grimaldi, A Formal definition of Big Data based on its
essential Features, in Library Review, vol. 65, nº 3, 2016, pp. 122-135, DOI:10.1108/LR-06-2015-0061.
12
Beyer, Laney (2012), cit. in Lefebvre-Naré, Lamire, Petersson (2017). Una prima versione del concetto
delle 3V (volume,velocity, variety) è in Laney (2001).

12
Per chiarire quanto descritto diciamo che i dati che utilizziamo oggi sono:
«• In enormi volumi in termini di terabyte o petabyte di dati;
• Ad alta velocità, considerando che sono creati in tempo reale (o quasi tempo reale);
• Ad alta diversità, essendo sia strutturati13 sia non strutturati14[…];
• Esaustivi poiché tendono a catturare le informazioni di intere popolazioni o interi
sistemi (n = all) […];
• Ad alta granularità, tendendo al maggior dettaglio possibile, con riferimento a device
univocamente identificati;
• Per natura relazionali, contenendo informazioni comuni che permettono la
sincronizzazione di diversi data set;
• Flessibili, poiché sono sia estensibili per numero di campi-dato sia scalabili per
dimensione»15.

1.1.1. ATTRIBUTI DEI BIG DATA

Gli attributi dei big data sono identificabili nelle 3V (volume, velocità e varietà), tuttavia
la definizione più popolare di Big Data, utilizzata anche nella letteratura di marketing e
management, ne evidenzia i tre attributi di Volume (Scale), Varietà e Velocità, con
l’aggiunta di una quarta “V”, quella di Veracity, che sottolinea la difficoltà di verificarne
la validità (Figura 1). 16

Figura 1. La visione dei big data nel field Fonte: IBM Big Data & Analytics Hub,

13
https://www.bucap.it/news/approfondimenti-tematici/digitalizzazione-documenti/dati-strutturati-
semi-non-strutturati.htm: sono i dati conservati in database, organizzati secondo schemi e tabelle rigide.
Questa è la tipologia di dati più indicata per i modelli di gestione relazionale delle informazioni.
14
idem: sono i dati conservati senza alcuno schema. Un esempio possono essere i file contenenti testi a
carattere narrativo prodotti per mezzo di uno dei più diffusi software di editing testuale o un file
multimediale.
In questo caso, i sistemi di gestione di dati utilizzabili sono quelli basati sul modello dell’information
retriveval.
15
Kitchin R. (2014), “Big data, new epistemologies and paradigm shifts”, Big Data & Society 1(1), pp.1-2
16
Mandelli (2017), Op cit.

13
 www.ibmbigdatahub.com/infographic/four-vs-big-data. Si ringrazia per
l’autorizzazione alla riproduzione.

- SCALE
L’elevata quantità di dati generati e, conseguentemente, la nozione di Big Data hanno
avuto luogo in seguito agli avanzamenti tecnologici dell’informatica, all’ascesa dei dati
digitali nei confronti dei dati analogici, e all’incremento dei tassi di elaborazione ed
immagazzinaggio dei dati.
Tutto questo è stato reso possibile grazie all’innovazione tecnologica e agli avanzamenti
sul fronte della digitalizzazione.
Per poter esplicare al meglio questa espansione del volume di dati disponibili è
necessario fare riferimento al passato e agli avanzamenti nell’informatica e nel “data
storage”17.

17
https://www.techopedia.com/definition/23342/data-storage: Data storage is a general term for
archiving data in electromagnetic or other forms for use by a computer or device. Different types of data
storage play different roles in a computing environment.

14
Nei primi anni di diffusione delle tecnologie, memorizzare i dati era un’operazione molto
costosa, ed era resa possibile solo attraverso l’utilizzo di dispositivi fisici di memoria
analogica.
Presto diventò evidente che il riutilizzo e il rimando a questi strumenti contenenti dati e
informazioni era molto faticoso e difficile da attuare sistematicamente, per questo
motivo fu inevitabile l’introduzione dei dati digitali che sfruttavano dispositivi di data
storage molto meno costosi e che potevano venire creati, processati e immagazzinati in
modo più agevole.
I dati digitali hanno permesso il rimando a dati passati senza incorrere in costi, oltre che
la possibilità di attuare analisi, e di implementare ricerche sistemiche volte ad ottenere
specifiche informazioni.
Tutto questo ha comportato che gli utilizzatori di dispositivi informatici di tutto il mondo
sono stati in grado di creare molti più dati rispetto al passato, conducendo al fatto che
il processo di generazione dei dati sta crescendo a un tasso più elevato rispetto a quelli
di elaborazione e consumo.
Vista la riduzione dei costi relativi all’immagazzinaggio di dati risulta, inoltre,
conveniente, allettante e prezioso per le imprese conservare la maggior quantità
possibile di essi, cercando di raccogliere anche quelli accidentali e secondari, ovvero quei
dati non direttamente imputabili all’operazione che gli utenti svolgono nella loro attività
digitale (exhausted data)18.
“Le informazioni generate a livello mondiale duplicheranno ogni 2 anni. Nel 2020
verranno create 50 volte l’ammontare di informazioni e 75 volte il numero di
‘information containers’ rispetto al 2010 a livello mondiale, mentre il numero di
impiegati nel settore IT crescerà meno di 1,5 volte”19
Questo è quanto risultato da uno studio effettuato da EMC, uno dei principali fornitori
di servizi IT a livello internazionale, iniziato nel 2011 come parte del suo progetto “Digital
Universe”.

18
Walker, op. cit., pp. 6-7
19
John Gantz and David Reinsel, ”Extracting Value from Chaos”, IDC iView Article sponsored by EMC
Corporation, June 2011, http://www.emc.com/collateral/analyst-reports/idc-extracting-value-form-
chaos-ar.pdf.

15
Questa dirompente generazione di dati deriverà principalmente dalle innovative
tecnologie che gestiscono dati attraverso algoritmi consentendo la riduzione del numero
di addetti responsabili della gestione di questi.
Si consideri come esempio l’efficienza fornita dalle ricerche in internet, nelle quali gli
algoritmi retrostanti la ricerca forniscono l’individuazione e l’accesso a un esteso
numero di fonti senza il supporto di addetti.
Ad esempio, se siamo interessati a prenotare un biglietto aereo, attraverso la ricerca
online, che avviene grazie all’utilizzo di algoritmi, siamo in grado di conoscere prezzi,
disponibilità e orari senza aver bisogno di un’agenzia di viaggi.
Tutte queste rappresentano le cause della crescita esponenziale del volume dei dati che
vengono generati.
Per utilizzare una misurazione oggettiva della quantità di dati esistenti e di quanto
grande è effettivamente il termine “Big”, possiamo osservare l’analisi di Hal Varian di
Google e di Peter Lyman dell’Università di Berkeley in California20.
Essi hanno esaminato quanti dati digitali vengono creati, immagazzinati e infine
trasmessi a livello globale, attraverso il progetto di ricerca “How much information?”
che ha avuto luogo tra il 2000 e il 2003.
È stato stimato che 5 Exabyte di nuovi dati sarebbero stati immagazzinati nel 2002.
Un Exabyte corrisponde a un miliardo di gigabyte. Per capire meglio la quantità di cui
stiamo parlando, si immagini la Biblioteca del congresso che si stima abbia una capacità
di 10 terabyte (o di 10 000 gigabyte) in contenuto stampato e fino a 20 petabyte (o di
20 milioni di gigabyte) di contenuto in forma digitale (quali audio o video).
Questo significa che un Exabyte potrebbe contenere da 50 a 332 volte il contenuto
dell’intera Biblioteca del Congresso21.
Mark Kryder, il precedente CTO di Seagate, invece, ha tratto ulteriori conclusioni
osservando che la capacità di data storage è aumentata nel tempo e che i costi sono

20
Peter Lyman and Hal R. Varian, “How Much Information”, 2003.
http://groups.ischool.berkeley.edu/archive/how-much-info-2003/printable_report.pdf.
21
Leslie Johnson, “A ‘Library of Congress’ Worth of Data: It’s All In How You Define It”, April 25, 2012.
http://blogs.loc.gov/digitalpreservation/2012/04/a-library-of-congress-worth-of data-its-all-in-how-you-
define-it/.

16
diminuiti molto, mostrando come produrre e immagazzinare dati diventerà sempre più
semplice22.
La capacità di memorizzare dati sta crescendo più rapidamente rispetto alle abilità di
elaborazione di questi, per questo motivo il tasso di data storage continuerà ad
aumentare e il prezzo per unità di memoria continuerà a diminuire23.
Interessante è anche quanto affermato da Gordon Moore, presidente di Intel, il quale
sostiene che nonostante le capacità di elaborazione di dati fornite dai computer
raddoppiano ogni due anni24, non riusciranno a stare al passo con la generazione di essi.
Quanto descritto ha condotto secondo l’economista, vincitore del premio Nobel,
Herbert Simon a un importante dilemma.
“La sovrabbondanza di informazioni crea una povertà di attenzione e una necessità di
assegnare tale attenzione, in modo efficiente, alla sovrabbondanza delle fonti
d'informazione che potrebbero consumarla”25.
La capacità umana di processare le informazioni ha un limite fisico che deve essere
compreso.
Per questo motivo le nostre abilità di filtrare le informazioni derivate da fonti differenti
non è sufficiente, e per analizzare i dati in modo efficace abbiamo necessariamente
bisogno di nuove tecnologie automatizzate guidate da processi e algoritmi.
Questo condurrà al fatto che in futuro il volume dei Big Data sarà ancora più vasto di
quanto noi consideriamo “vasto” oggi e poiché i dispositivi tecnologici sempre più
spesso creano e consumano dati con processi automatizzati, saremo sempre meno
consapevoli del reale volume di dati che verranno generati.
Per questo motivo in futuro dovremmo cercare di porre la nostra attenzione solamente
sui processi che riteniamo più importanti per le nostre decisioni, tralasciando l’enorme
mole di dati che, dietro le quinte, continueranno a migliorarli26.

22
Chip Walter, “Kryder’s Law”, Scientific American, August 2005.
23
Walker, op. cit., pp. 8-10
24
“Moore’s Law at 40 : Happy Birthday”, The Economist, March 23, 2005.
25
Hebert A. Simon, “ Designing Organisations for an Information-Rich World,” in Martin Greenberger, ed.,
Computers, Communication, and the Public Interest (Baltimore, MD: Johns Hopkins Press, 1971)
26
Walker, op. cit., pp. 11-14-15

17
 - VARIETA’
Molti professionisti che lavorano in ambiti scientifici e nell’ingegneristica hanno
sviluppato il concetto di dati e informazioni rappresentati in forme numeriche e/o
alfabetiche.
I dati numerici sono i più adatti ad essere elaborati ed utilizzati per via delle tecniche
analitiche esistenti.
I numeri, inoltre, rendono possibile l’adozione di scale di comparazione, attraverso le
quali possono essere individuate differenze e uguaglianze.
Quanto affermato sui dati numerici non è applicabile con riferimento alle altre tipologie
di dati ed informazioni.
La mente umana, per esempio, consuma informazioni e dati che possono assumere
forme diverse, le differenti lingue parlate nel mondo non possono essere espresse sotto
forma numerica poiché coinvolgono espressioni complesse non rappresentabili in
formule matematiche.
Negli ultimi vent’anni e anche più recentemente, i computer e i loro software si sono
evoluti per quanto riguarda i processi di elaborazione di dati non numerici.
I Big Data non sono solo un database o un insieme di cifre, ma fanno riferimento a tutti
i sensi umani.
Essi forniscono più di semplici istantanee dei dati nel tempo, ma piuttosto un costante,
collegato e dinamico flusso di dati che assumono forme differenti.

- VELOCITA’
La crescita delle piattaforme digitali nell’Information Age ha consentito nuove forme di
data capture27.
Solo pochi decenni fa, la raccolta dei dati era limitata a processi manuali. Per esempio,
i prezzi delle azioni potevano essere disponibili tanto più velocemente quanto più
velocemente l’addetto riusciva a scriverli e/o ad elaborarli per renderli disponibili sui
monitor.

27
http://dictionary.cambridge.org/dictionary/english/data-capture: any method of collecting information
and then changing it into a form that can be read and used by a computer

18
Con l’avvento del digitale e dei processi automatizzati di misurazione dei dati, la lentezza
umana non è più un problema.
I prezzi delle azioni, oggi, possono essere misurati in millisecondi e forse ancora più
velocemente.
L’alta velocità nei mercati finanziari è emblematica di quanto sia possibile fare
attraverso processi automatizzati.
I dati vengono creati più velocemente che mai, e questo è dovuto, in parte agli
avanzamenti nell’informatica, ma anche grazie all’enorme successo dei social network e
alla diffusione di informazioni attraverso dispositivi mobile.
I social networks e i dispositivi mobile, cosi come i Big Data che sono in grado di generare,
hanno aumentato la velocità attraverso la quale si ricevono, elaborano, scaricano dati e
si accede ad essi.
In questo contesto è possibile, inoltre, ottenere non solo trasparenza, ma anche l’abilità
di misurare gli effetti della condivisione dei dati quasi in tempo reale; i consumatori oggi
hanno accesso a una molteplicità di dati in real time che possono aiutarli nelle loro
decisioni quotidiane.
Grazie a questa “velocità” nei dati diviene possibile risparmiare molto tempo e risolvere
alcune delle inefficienze presenti nei mercati che richiedono interventi immediati.
Si consideri il caso dell’applicazione ”Uber”. Essa offre un servizio molto utile agli utenti,
ovvero consente di sapere in tempo reale se vi è una macchina libera e quanto tempo ci
metterebbe ad arrivare nel punto desiderato per fornire un passaggio all’utente in
cambio di un corrispettivo in denaro.
In sostanza Uber permette a domanda ed offerta di incontrarsi in tempo reale.
Questo servizio è positivo sia per gli autisti che per i consumatori, tuttavia per essere
realizzato richiede la disponibilità e la capacità di processare dati ad alta velocità.
Le informazioni a disposizione riguardo all’offerta e alla domanda permettono, inoltre,
a Uber di identificare i periodi in cui la domanda è più alta e, conseguentemente, di
adattare le proprie politiche di pricing, ad esempio, aumentando i prezzi per soddisfare
i picchi di domanda di breve periodo.

19
La velocità nei dati è anche riconosciuta come un fattore molto importante dai “brick
and mortar”28 retailer perché gli consente di cogliere importanti opportunità di
business.
Tuttavia, l’alta velocità non è rilevante solo per quanto riguarda le attività di marketing
ma può essere molto utile anche con riferimento alle attività operative aziendali che
possono essere svolte in modo automatizzato con il supporto della comunicazione
Machine to Machine (M2M)29.
Molti sistemi complessi sono, infatti, gestiti da algoritmi che elaborano i dati, generati
da sensori di rilevazione posizionati all’interno dei macchinari, automaticamente.
Questa forma Machine to Machine di raccolta dei dati e del loro consumo ha dei limiti
che dipendono dalla velocità di elaborazione consentita dai processori che applicano gli
algoritmi.
Un esempio è rappresentato da un tipico volo di un Boeing 787 che attraverso sensori
genera più di 20 terabyte di dati.
Questi dati successivamente vengono esaminati da algoritmi che hanno lo scopo di
individuare anomalie che potrebbero essere anticipazioni catastrofi, consentendo
quindi di evitare problemi alla compagnia aerea.
La velocità nella raccolta e nel consumo di dati ha superato le normali capacità umane
di elaborazione di questi, per questo motivo si è venuta a creare una grande dipendenza
da algoritmi e strumenti analitici che processano i Big data con metodologie complesse
identificando insights utili.
Dove l’automazione non è ancora stata adottata, si utilizzano processi creativi di
crowdsourcing30 per superare il problema di dover analizzare grandi quantità di dati
variabili e questo sta fornendo molto valore a una serie di società.

28
https://en.wikipedia.org/wiki/Brick_and_mortar : Brick and Mortar (also brick and mortar or B&M)
refers to a physical presence of an organization or business in a building or other structure. The term brick-
and-mortar business is often used to refer to a company that possesses or leases retail stores, factory
production facilities, or warehouses for its operations.
29
https://www.techopedia.com/definition/14962/machine-to-machine-m2m: Machine to Machine
(M2M) refers to a wireless or wired network setup that allows devices of the same type and ability to
communicate freely.
30
http://www.businessnewsdaily.com/4025-what-is-crowdsourcing.html: Crowdsourcing is a term used
to describe the process of getting work or funding from a large group of people in an online setting. The
basic concept behind this term is to use a large group of people for their skills, ideas and participation to

20
Recentemente, Jetpac, un’applicazione gratuita che trasforma le foto di “amici” in
personalizzate riviste di moda stava cercando un modo per identificare le migliori
immagini degli utenti.
Non sapendo da dove cominciare e non volendo necessariamente formare un nuovo
algoritmo coinvolgendo il proprio staff, Jetpac ha scelto di partecipare a un progetto
sponsorizzato da Kaggle.
Kaggle è una piattaforma che fornisce data sets e sfide di analisi che coinvolgono data
miners, studenti data scientist e altre tipologie di analisti che sono in cerca di progetti
stimolanti da intraprendere in cambio di riconoscimenti monetari.
Attraverso Kaggle le imprese hanno ottenuto un immenso valore grazie alle differenti
tipologie di modelli analitici combinati e alle diverse esperienze degli analisti31.
Nel caso di Jetpac, in tre mesi, i tre migliori team della competizione hanno ottenuto più
dell’85% di precisione nella ricerca delle foto migliori degli utenti.
Questo ha consentito a Jetpac di ottenere un algoritmo di alta qualità, senza coinvolgere
il suo staff interno impegnato nelle funzioni ordinarie, in un tempo molto breve.
Oggi questa velocità ha condizionato le nostre aspettative circa i tempi di risposta e di
interazione, soprattutto per quanto riguarda le nostre attività sulle piattaforme
digitali32.

1.1.2. ALCUNE MODALITA’ DI UTILIZZO

I Big Data sono presenti in ogni settore dell'economia globale. Essi come altri fattori di
produzione quali i beni durevoli e il capitale umano sono essenziali per gran parte
dell'attività economica moderna.
È stato stimato che nel 2009 quasi tutti i settori dell'economia statunitense ebbero una
media di almeno 200 terabyte di dati memorizzati per società con più di 1.000
dipendenti.

generate content or help facilitate the creation of content or products. - See more at:
http://www.businessnewsdaily.com/4025-what-is-crowdsourcing.html#sthash.AD6W32oB.dpuf
31
http://kaggle.com
32
Walker, op. cit., pp. 20-23

21
Le possibilità di utilizzo dei Big Data continuano ad evolversi rapidamente, guidate
dall'innovazione nelle tecnologie, nelle piattaforme e nelle capacità di analisi e di
gestione dei dati, nonché grazie all'evoluzione del comportamento dei propri utenti,
sempre più orientato al mondo digitale.
I vantaggi che i Big Data sono in grado di apportare variano a seconda del modo in cui
vengono utilizzati:
 Creazione di Trasparenza:
Rendere i Big Data più facilmente accessibili alle parti interessate in modo
tempestivo può consentire la creazione di un valore straordinario.
Nel settore pubblico, ad esempio, rendere specifici dati più facilmente accessibili
può ridurre drasticamente il tempo di ricerca e di elaborazione di informazioni
da parte dei cittadini.
Nella produzione, l'integrazione di dati da R&D, ingegneria e unità di produzione
può significativamente ridurre il tempo di entrata in un mercato e migliorare la
qualità dell’offerta aziendale.
Mentre creano e memorizzano dati transazionali in forma digitale, le
organizzazioni possono raccogliere dati di performance più precisi e dettagliati
(in tempo reale) su tutto, dalle scorte di prodotti ai giorni di malattia del
personale.
Questo consente alle organizzazioni di elaborare strumenti e quindi di creare
esperimenti controllati per migliorare l’efficienza dell’organizzazione.

 Segmentare i consumatori per adottare azioni personalizzate:

I Big Data consentono alle organizzazioni di creare segmentazioni con una
precisione elevata e di personalizzare prodotti e servizi per soddisfare tali
esigenze.
Questo approccio è ben noto nel marketing e nella gestione del rischio, ma può
essere rivoluzionario altrove, ad esempio nel settore pubblico nel quale e ormai
consolidato il trattamento di tutti i cittadini allo stesso modo.

22
 Anche i beni di consumo e le società di servizi che utilizzano la segmentazione da
molti anni stanno cominciando a sviluppare tecniche, che utilizzano i dati,
sempre più sofisticate come, ad esempio la micro segmentazione in tempo reale
dei clienti per implementare precise azioni promozionali e di pubblicità.

 Sostituzione/supporto del processo decisionale umano con algoritmi

automatizzati:
Metodologie analitiche sofisticate possono migliorare notevolmente i processi
decisionali, riducendo al minimo i rischi e identificando preziosi insights che
altrimenti rimarrebbero celati.
Tali tecniche di analisi sono utili nelle organizzazioni della grande distribuzione
che possono utilizzarle per ottimizzare e automatizzare molteplici processi
decisionali quali la gestione delle scorte e delle politiche di pricing in risposta alle
informazioni di cui si dispone in tempo reale.
In alcuni casi, le decisioni non saranno necessariamente automatizzate ma
aumentate analizzando estesi set di dati grazie a tecniche e tecnologie avanzate
piuttosto che ridotti campioni di consumatori attraverso strumenti tradizionali.

 Introduzione di nuovi modelli di business, prodotti e servizi:

I Big Data consentono alle aziende di creare nuovi prodotti e servizi, di
ottimizzare quelli esistenti e di inventare nuovi modelli di business.
Molte organizzazioni stanno utilizzando i dati ottenuti dall'utilizzo dei prodotti
esistenti per migliorare lo sviluppo della nuova generazione di prodotti e per
creare offerte innovative di assistenza post-vendita.

L’utilizzo dei Big Data sta diventando un fattore chiave di concorrenza e crescita per le
imprese.
I leader di mercato saranno coloro che si muoveranno prima degli altri per formare
grandi database; per fare ciò vengono richiesti ingenti investimenti che conferiranno un
importante vantaggio competitivo nel lungo periodo.

23
Coloro che non riusciranno ad ottenere sufficienti capacità di raccolta, memorizzazione
ed elaborazione di dati saranno destinati a fallire.
I Big Data contribuiranno inoltre a creare nuove opportunità di crescita e nuove tipologie
di aziende, come ad esempio le aziende che hanno come core business l’aggregazione e
l’analisi dei dati di uno o più settori.
Dal punto di vista della competitività e della potenziale acquisizione di valore, tutte le
aziende hanno la necessità di considerare i Big Data con molta attenzione.
Nella maggior parte delle industrie, concorrenti e potenziali entranti sfrutteranno
strategie basate sui dati per innovare, competere e acquisire il valore33.

1.2. LA BIG DATA ANALYSIS

I dati diventano Big Data quando il loro volume, la loro velocità e la loro varietà superano
le capacità dei sistemi IT di memorizzarli, analizzarli e consumarli.
Molte organizzazioni possiedono l'attrezzatura e le competenze necessarie per gestire
grandi quantità di dati strutturati; tuttavia, per via del crescente volume dei flussi di dati
sempre più rapidi, esse faticano a sfruttarli e a trarre insights utili in modo tempestivo.
Non solo il volume di questi dati cresce troppo velocemente per le tradizionali tecniche
di analisi, ma anche la velocità con cui arriva ai database e la varietà delle tipologie di
dati al suo interno richiedono nuove metodologie di elaborazione e soluzioni analitiche.
Ad esempio, i dati relativi ai tweet in Twitter, i report sui registri di chiamate, i dati di
utilizzo della rete, i dati provenienti da videocamere e da sensori di apparecchiature
spesso vengono memorizzati in un “data warehouse” con il solo scopo di effettuare
un’analisi preliminare volta a filtrare e quando possibile rilevare le tendenze e le
associazioni di base tra essi.
Successivamente, i risultati di questa prima analisi verranno spostati in un altro data
warehouse per ulteriori analisi.

33
https://bigdatawg.nist.gov/pdf/MGI_big_data_full_report.pdf pag.3-4

24
L'idea è di "ridurre" i dati in modo che tutti assumano una forma strutturata; così
facendo è possibile effettuare confronti e analizzare i dati con gli strumenti tradizionali
di business intelligence (BI)34.
Tuttavia, i Big Data non si inseriscono sempre in tabelle ordinate con definite righe e
colonne.
Vi sono molteplici tipi di dati, sia strutturati che non strutturati, che sono necessari per
ottenere un’informazione complessiva.
I Big Data quindi non si devono dotare unicamente di nuovi meccanismi di archiviazione,
ma anche di nuove metodologie di analisi.

La Big Data Analysis è un processo continuo, non un insieme isolato di attività. Per questo
motivo è necessario adottare una molteplicità di soluzioni coese, dall'acquisizione dei
dati e scoperta di nuovi insights fino alla definizione di scelte relative al decision making
e alla ricerca nei differenti sistemi informativi di informazioni utili per l’analisi in corso.

Molte organizzazioni eseguono queste attività coordinando l'utilizzo di funzioni

commerciali e di open source, implementando una struttura integrata per analizzare i
Big Data rendendo più semplice l’esecuzione di varie tipologie di attività e lo
spostamento dei dati tra le diverse componenti di essa.
Il processo parte, spesso, dall’utilizzo di dati storici e di strumenti di analisi aziendali
tradizionali, che forniscono insights che spaziano dalle previsioni di vendita ai livelli di
inventario.
Questi dati risiedono in un data warehouse e vengono analizzati con strumenti di
business intelligence (BI) basati sul linguaggio SQL35.

34
olap.com/learn-bi-olap/olap-bi-definitions/business-intelligence/: The term Business Intelligence (BI)
refers to technologies, applications and practices for the collection, integration, analysis, and
presentation of business information. The purpose of Business Intelligence is to support better business
decision making.
35
www.webopedia.com/TERM/S/SQL.html: SQL is a standardized query language for requesting
information from a database. The original version called SEQUEL (structured English query language) was
designed by an IBM research center in 1974 and 1975. SQL was first introduced as a commercial database
system in 1979 by Oracle Corporation.

25
Gran parte dei suddetti dati provengono da transazioni commerciali originariamente
acquisite in un database OLTP36.
Mentre report e dashboard37 rappresentano le principali attività di BI adottate finora,
sempre più organizzazioni si stanno orientando verso nuove tipologie quali le analisi
"what-if"38 su database multidimensionali; in particolare esse operano nel contesto di
pianificazione e previsione finanziaria.
Queste operazioni di pianificazione e previsione possono trarre molti vantaggi
attraverso l’utilizzo dei Big Data, ciononostante le organizzazioni necessitano di
strumenti e competenze di analisi avanzati per realizzarle.
Per effettuare analisi avanzate sui Big Data, quali l'analisi statistica, l'estrazione dei dati,
l'analisi predittiva e l'estrazione del testo, le aziende hanno dovuto spostare i dati in
server ad esse dedicati.
L'esportazione dei dati dal data warehouse, la creazione di copie in server analitici
esterni e l’individuazione di insights e previsioni, cosi come la produzione di duplicati di
data storage e, anche, il possesso di specifiche competenze di analisi dei dati richiede
tempo.
Una volta costruito con successo un modello predittivo, utilizzarlo con i dati di
produzione comporta una complessa riscrittura del modello stesso o un movimento

36
http://www.dataonfocus.com/oltp-vs-olap/: Online Transaction Processing(OLTP) is a information
system type that prioritizes transaction processing, dealing with operational data. This kind of computer
systems are identified by the large number of transactions they support, making them the best to address
online application. The main applications of this method are all kind of transactional systems like
databases, commercial, hospital applications and so on.
In a simple way, these systems gather input information and store them on a database, in a large scale.
Most of today’s applications are based on this interaction methodology, with implementations of
centralized or descentralized systems.
37
https://www.klipfolio.com/guide-to-business-dashboards: A business dashboard is an information
management tool that is used to track KPIs, metrics, and other key data points relevant to a business,
department, or specific process. Through the use of data visualizations, dashboards simplify complex data
sets to provide users with at a glance awareness of current performance.
38
http://www-db.deis.unibo.it/~srizzi/PDF/eds-WIA.pdf : What-if analysis is a dataintensive simulation
whose goal is to inspect the behaviour of a complex system, such as the corporate business or a part of
it, under some given hypotheses called scenarios. In particular, what-if analysis measures how changes in
a set of independent variables impact a set of dependent variables with reference to a given simulation
model; such a model is a simplified representation of the business, tuned according to the historical
corporate data. In practice, formulating a scenario enables the building of a hypothetical world that the
analyst can then query and navigate.

26
ulteriore di grandi volumi di dati da un data warehouse a un server di analisi di dati
esterni.
A quel punto i dati vengono "segnati" e quindi i risultati vengono spostati in un nuovo
data warehouse.
Questo ciclo di spostamento e ripristino dei dati per creare informazioni a valore
aggiunto può richiedere giorni, settimane o addirittura mesi per essere completo.
Molte società hanno acquisito competenze di sfruttamento dei loro dati attraverso
processi di analisi, tuttavia esse sono ancora nelle prime fasi della creazione di un
efficiente modello analitico in grado di fornire reale valore di business.
La Big Data Analysis necessita dell’applicazione di strumenti di Big Data Analytics39.
Gli ostacoli principali all’attuazione di un efficiente modello analitico dei Big Data sono i
processi di accesso ai dati che risultano lenti e arcani, tuttavia, le nuove tecnologie
stanno facendo crollare i limiti tra IT e analisti dei dati, consentendo analisi avanzate
all'interno del database stesso, e di conseguenza alleviando la necessità di spostare
grandi volumi di dati in server esterni.
Allo stesso tempo, nuove forme di dati si stanno aggiungendo ai dati tradizionali e alle
familiari attività di BI.
Ad esempio, i file di log seguono le azioni dei visitatori di un sito web, mostrando chi ha
cliccato cosa e quando.
Questi dati possono rivelare come le persone interagiscono con un determinato sito, i
social media, invece, aiutano a comprendere cosa stanno pensando le persone o come
si sentono riguardo a un determinato fenomeno.
Essi possono essere ricavati attraverso pagine web, siti di social media, tweets, blog,
scambi di e-mail, indici di ricerca, flussi di clic, sensori di apparecchiature e in tutte le
forme di file multimediali, tra cui audio, video e fotografici.
Questi dati possono essere raccolti non solo tramite computer, ma anche attraverso i
telefoni cellulari, i social media e da una serie sempre più ampia di sensori posti ad
esempio sulle automobili, e molte altre apparecchiature.

39
www.webopedia.com/TERM/B/big_data_analytics.html : Big data analytics is the process of
collecting, organizing and analyzing large sets of data (called big data) to discover patterns and other
useful information.

27
La maggior parte di questi dati è poco rilevante, per questo motivo essi non vengono
inseriti immediatamente nel data warehouse.
Quando si utilizzano query SQL per cercare numeri finanziari o strumenti OLAP40 per
generare le previsioni di vendita, in genere si deve essere consapevoli delle tipologie di
dati a disposizione di quali informazioni possono contenere.
Non si è necessariamente a conoscenza di quali sono le risposte, ma si è consapevoli di
come i diversi elementi del set di dati sono collegati tra loro.
Gli addetti alla BI spesso eseguono report standard da database strutturati che sono
stati accuratamente modellati per sfruttare determinate relazioni nei dati.
La Big Data Analysis è volta ad ottenere le informazioni "significative" contenute in
grandi volumi di dati differenti tra loro che nella loro forma grezza mancano di significato
in un determinato contesto.
Vi sono diversi aspetti da considerare quando si decidono di implementare queste nuove
metodologie di analisi:
 Discovery, in molti casi non si sa veramente quali dati si hanno a disposizione e
come essi si relazionano tra loro.
Queste informazioni possono essere apprese attraverso un processo di
esplorazione e scoperta.
 Iteration, poiché le relazioni effettive tra i dati non sono sempre conosciute
prima dell’analisi, l’estrazione di insights è spesso un processo iterativo.
Tuttavia, la natura dell'iterazione talvolta conduce in percorsi che si traducono
in punti morti.
Nonostante la sperimentazione sia parte del processo, molti analisti ed esperti
del settore suggeriscono di iniziare con piccoli progetti ben definiti, apprendendo
da ogni iterazione e passando gradualmente ad obiettivi successivi.
 Flexible Capacity, a causa della natura iterativa della Big Data Analysis, è
necessario essere disposti a dedicare tempo ad essa utilizzando più risorse
possibili per risolvere i problemi che possono insorgere.

40
olap.com/olap-definition/:OLAP is an acronym for Online Analytical Processing. OLAP performs
multidimensional analysis of business data and provides the capability for complex calculations, trend
analysis, and sophisticated data modeling.

28
  Mining e Predicting, la Big Data Analysis non è in “bianco e nero”. Non si è
sempre a conoscenza di come i vari elementi dati interagiscono tra di loro.
L'analisi predittiva può produrre le intuizioni necessarie per creare nuovi modelli
attraverso i dati.
 Decision Management, considerando il volume e la velocità delle transazioni, se
si utilizzasse la Big Data Analysis per prendere delle decisioni operative (ad
esempio personalizzare un sito web o chiedere agli agenti del call center le
abitudini e le attività dei consumatori), sarebbe necessario scoprire come
automatizzare e ottimizzare l'implementazione di tutte queste azioni.
Il processo di scoperta non si limita all'osservazione dei dati volta a capire le
differenti possibilità di utilizzo, ma anche alla determinazione delle relazioni tra
essi e i dati aziendali tradizionali (transazionali e relativi alla produzione) già a
disposizione.
Nuovi metodi di fare indagine implicano l’analisi non solo di cosa, ma anche del
perché è accaduto.
Ad esempio, una per molte aziende è fondamentale la profilazione del cliente,
per effettuare questa profilazione è necessario studiare i record dei dati di
chiamata, le richieste di assistenza clienti, i commenti di social media e altre
risposte dei clienti possono aiutare a spiegare perché i clienti differiscono tra
loro.
In sostanza è fondamentale trovare i dati rilevanti, scoprire i rapporti non
conosciuti tra questi e analizzarli correttamente.

1.2.1. REQUISITI
Esistono molteplici metodi che è possibile utilizzare per scovare le informazioni nascoste
nei Big Data.
Per eseguire queste indagini in modo efficace bisogna soddisfare tre importanti requisiti:
1. Ridurre al minimo il movimento dei dati;
2. Utilizzare al meglio le competenze disponibili;

29
 3. Partecipare attivamente a proteggere i dati riducendo al minimo i movimenti di
questi attraverso il corretto utilizzo delle risorse informatiche.
Nei processi di analisi tradizionali, i dati vengono inviati al computer che li elabora e
successivamente passano alla destinazione successiva (un altro computer o server).
Ad esempio, i dati di produzione potrebbero essere estratti dai sistemi di e-business,
trasformati in un tipo di dati relazionale e caricati in un archivio dati operativo
strutturato per creare report.
Ma poiché il volume dei dati cresce, questo tipo di procedura ETL41 diventa sempre
meno efficiente.
Vi sono troppi dati che assumono forme variabili e che derivano da fonti diverse da
spostare in diversi data warehouse, per questo motivo sarebbe meglio memorizzare ed
elaborare i dati nello stesso posto, da cui deriva la necessità di acquisire nuove
competenze.
A volte le competenze già disponibili possono determinare dove l'analisi può e dovrebbe
essere fatta, in altri casi invece quando esse non sono sufficienti è necessario attuare
una combinazione di formazione, assunzione e ulteriori nuovi strumenti per risolvere il
problema.
Per quanto invece riguarda la sicurezza nei dati, essa ricopre un ruolo essenziale in molte
applicazioni aziendali.
Gli addetti all’utilizzo dei data warehouse devono essere a conoscenza non solo delle
metriche, delle dimensioni e degli attributi relativi ai dati, ma anche di un insieme
affidabile di pratiche riguardanti l’amministrazione e i controlli di sicurezza.
Durante l’attuazione di suddette pratiche occorre prestare molta attenzione ai requisiti
di sicurezza e di gestione dei dati richiesti in ogni specifica fase dell’analisi e assicurarsi
che gli strumenti utilizzati soddisfino tali requisiti.

41
www.webopedia.com/TERM/E/ETL.html : ETL is short for extract, transform, load, three database
functions that are combined into one tool to pull data out of one database and place it into another
database. Extract is the process of reading data from a database.

30
 1.2.2. STRUMENTI PER LA BIG DATA ANALYSIS
Vi sono cinque principali tipologie di strumenti da utilizzare per implementare una
efficace Big Data Analysis volta a generare utili insights:
 Discovery tools (strumenti di ricerca).
I Discovery tools sono utili durante l’intero ciclo di vita delle informazioni;
attraverso il loro utilizzo è possibile ottenere una rapida ed intuitiva immagine
delle informazioni disponibili derivate sia da fonti strutturate che non
strutturate.
Questi strumenti possono essere adottati in concomitanza ai tradizionali sistemi
di BI (Business Intelligence).
Siccome non vi è bisogno di elaborare i dati prima di utilizzare questi strumenti,
essi permettono di venire a conoscenza di nuovi insights utili per prendere
decisioni rapidamente.
 BI tools (strumenti di business intelligence).
I BI tools sono importanti per effettuare report, analisi e gestire le performance.
Questi strumenti utilizzano principalmente i dati transazionali e quelli relativi alla
produzione generati internamente.
Essi, inoltre, consentono di utilizzare molteplici funzionalità necessarie per la
gestione della business intelligence e performance aziendali, quali la generazione
di report, dashboard, analisi ad hoc e molte altre.
 In-Database Analytics.
Gli In-Database Analytics comprendono una serie di tecniche utili per individuare
modelli di analisi e relazioni presenti nei dati.
Queste tecniche vengono applicate direttamente nel database, in questo modo
si riescono ad eliminare alcuni dei movimenti che i dati dovrebbero affrontare
da e verso server analitici, e accelerare i tempi di elaborazione delle informazioni,
riducendo il costo complessivo di analisi.
 Hadoop.

31
 Hadoop è un utile strumento per quanto riguarda la prima elaborazione subita
dai dati volta ad identificare le macro tendenze o per trovare insiemi di
informazioni rilevanti, quali ad esempio i valori cosiddetti “out of range”.
Esso, inoltre, consente alle aziende di scovare il potenziale valore insito nei nuovi
dati utilizzando server a basso costo.
Le società utilizzano Hadoop, principalmente, come precursore di avanzate
forme di analisi.
 Decision Management,
Il Decision Management fa riferimento a modelli predittivi, business rules, e self-
learning aziendale.
Esso ha come obiettivo l‘adozione di azioni consapevoli relativamente al
contesto in cui si opera.
Queste tipologie di analisi consentono di individuare insights importanti
relativamente a più fronti, massimizzando il valore di ogni interazione con i
clienti.
Tutti questi strumenti partecipano attivamente con ruoli ben definiti all’individuazione
delle relazioni nascoste nei dati42.

42
http://www.oracle.com/technetwork/database/options/advanced-analytics/bigdataanalyticswpoaa-
1930891.pdf

32
2. DATA MONETIZATION
STRATEGIES
Le aziende altamente competitive e innovative sono alla costante ricerca di nuovi
percorsi per il successo. Il recente avvento dei progressi tecnologici nei Big Data e
Analytics ha aperto la strada ad una nuova forma di competitività, in cui i dati vengono
visti in modo strategico e come un bene vivo e in evoluzione, che può creare sempre più
opportunità di crescita.
L'utilizzo di dati e analisi per migliorare le decisioni aziendali non è un concetto nuovo;
tuttavia sfruttare e monetizzare i dati in modo coordinato e organizzato per promuovere
in modo strategico il vantaggio competitivo rappresenta una grande novità43.
I Big Data caratterizzati da scala (dimensione) e precisione, permettono alle imprese di
esercitare una misurazione diretta e indiretta dei propri Asset.

Con il termine Asset si indica in modo generico, qualcosa che assume valore per
un’impresa e che può essere scambiato o gestito differentemente attraverso i dati
disponibili.44

I mercati generano Asset di ogni tipologia. Molti dei dati raccolti dalle imprese
forniscono una visione più chiara di questi e possono aiutare a controllarli in modo
efficace ed efficiente.
Il controllo di un Asset è un processo molto prezioso ed economicamente rilevante per
un’impresa perché migliora la gestione delle decisioni che ad esso fanno riferimento.

43
https://home.kpmg.com/content/dam/kpmg/pdf/2015/10/framing-a-winning-data.pdf
44
Walker, op. cit., pag. 117

33
Per questo motivo tutte le imprese cercano di ottenere più informazioni possibili sui loro
Asset e su quelli dei concorrenti.
Quanto osservato è profondamente intrecciato con il modo di operare delle imprese nei
mercati dopo l’avvento della grande marea di dati, che è stata favorita dalla
digitalizzazione, fenomeno che sta rivoluzionando il mondo intero.
La tecnologia, come accennato, è un altro fattore molto rilevante in questo contesto
poiché ha consentito grandi miglioramenti nelle fasi di raccolta, memorizzazione e
utilizzo dei big data e di conseguenza ha cambiato il modo di misurare e gestire gli asset
a cui essi fanno riferimento.
Molti dati possono essere raccolti dalle imprese attraverso processi passivi, ovvero
senza che vi siano interazioni umane e, inoltre, è possibile per una società disporre di
dati che facilitano la comprensione dei rischi e delle discontinuità nei mercati senza
errori e anomalie.
In questo contesto, i big data hanno modificato il modo di operare di molte imprese e
questo ha portato a nuove tipologie di offerte e a rinnovati modelli di business.
Quanto rilevato non riguarda tutti i dati, ma solo quei dati che fanno riferimento ad
Asset e ad opportunità di business, poiché sono i più critici per un’impresa.
Essi possono consentire, ad esempio, l’espansione di alcune imprese, la riduzione di
specifici rischi di investimento e l’ingresso a nuovi partecipanti in un determinato
mercato.
I Big Data raccolti da un’impresa per essere utili devono, quindi, riguardare
principalmente la misurazione degli asset dell’impresa che li raccoglie o dei suoi
competitors.
Tuttavia, i dati grezzi (Raw data) e le informazioni sugli asset risultano poco utili da soli,
se non vengono sfruttati nel modo corretto.
Per questo, la decisione di monetizzare i big data (e qualsiasi dato) spesso non riguarda
i dati grezzi, ma gli Economic Value Insights riferiti ad asset, mercato e consumatori che
sono contenuti in essi.
Rendere pubblico qualcosa che è già conosciuto relativamente a uno specifico asset si
traduce in zero valore.

34
Tuttavia, fornire una prospettiva nuova riguardante altre dimensioni di questo,
sfruttando ad esempio i dati con maggiore velocità, precisione, e scala può creare valore
economico.45
Le imprese che vogliono monetizzare i big data devono guardare oltre il dato
orientandosi verso le domande economiche alle quali i dati possono rispondere.
Spesse volte i dati potrebbero fornire risposte riguardo il valore, l’utilizzo, il rischio o il
valore futuro di uno specifico asset, oppure potrebbero contenere informazioni riferite
al mercato nel suo complesso e ai comportamenti di acquisto dei consumatori.
Questi insights che emergono dallo sfruttamento dei dati grezzi, hanno un grande valore
economico per i possessori degli asset, per i loro concorrenti e per altri soggetti
interessati.
Per ottenere valore attraverso i Big Data, essi devono essere soggetti a un processo di
conversione che fornisce risposte a domande importanti sul mercato o, come già
osservato, su specifici asset.
Il prodotto di questo processo sono i cosiddetti Data Product.
Questo processo può essere controverso e sicuramente coinvolgerà molte analisi, non
prive di difficoltà, da parte di professionisti.
Trasformare i Big Data in Economic Value Insights e di conseguenza in Data Product sarà
il principale obiettivo delle imprese che vogliono monetizzare i dati.

La monetizzazione dei dati è l'atto di trasformazione dei dati di un’azienda in valore. Il

valore può essere inteso come denaro effettivo, o fare riferimento all’utilizzo dei dati
come strumento di baratto o un prodotto o un miglioramento di un servizio46.

La monetizzazione dei dati riguarda l'efficace e tempestivo sfruttamento di una nuova

classe di risorse sempre più crescente, i dati aziendali, e la conversione di tale attività in
valuta (profitti) aumentando i ricavi o diminuendo i costi47.

45
Walker, op. cit., pag. 118
46
http://searchcio.techtarget.com/definition/data-monetization
47
https://home.kpmg.com/content/dam/kpmg/pdf/2015/10/framing-a-winning-data.pdf

35
La Data Monetization non è un processo uniforme e univoco. Esso varia in base alle
situazioni, ai mercati e ai contesti in cui si verifica dando vita a molteplici strategie di
monetizzazione.
Le strategie di monetizzazione dei dati sono molto influenzate dalle capacità
tecnologiche di un'impresa; tuttavia il primo passo per la formulazione di una strategia
dovrebbe essere quello di definire il valore dell'impresa, il valore dei suoi clienti e il
valore potenziale degli altri stakeholders.
Pensare ai vari possibili modelli di business e identificare il proprio è un ottimo punto di
partenza per selezionare la strategia di monetizzazione dei dati più corretta da adottare.
In base a come un'organizzazione opera, a seconda dell’ambiente circostante e a come
i concorrenti interagiscono tra loro e con i clienti, vengono generati sempre più dati in
modi differenti.
Per monetizzare efficacemente questi dati risulta quindi fondamentale per un’impresa
saper riconoscere la loro dinamicità, essere reattiva ai cambiamenti e riuscire a
identificare le modalità con cui essi possono essere generati e consumati.
Nella nuova era di Big Data, ognuna delle diverse strategie di monetizzazione può offrire
un vantaggio competitivo molto prezioso e differenziato.
In questa “era”, un'impresa che non utilizza efficacemente i dati che possiede può essere
paragonata a un'entità vivente che possiede un sistema nervoso e sensoriale che non
funziona, destinata quindi a soccombere visto l’altissimo grado di competizione dei
mercati.
Fondamentalmente, lo scopo principale della monetizzazione risiede nella volontà di
migliorare la competitività, ottenere una chiara differenziazione e di conseguenza più
ricavi48.
Esistono molteplici strategie di data monetization; esse possono definirsi come l’insieme
di due elementi:
1- Data strategy: la decisione di tenere i dati di proprietà o di condividerli in varie
forme con business partners.

48
https://home.kpmg.com/content/dam/kpmg/pdf/2015/10/framing-a-winning-data.pdf

36
 2- Monetization strategy: la decisione di adottare specifici modelli di business che
permette di ottenere un valore economico dai dati. L’utilizzo dei big data per
misurare asset, misurare mercati, gestire mercati, e consentire advertisement
sono le principali strategie di monetizzazione49.

Ora si analizzeranno le 4 principali strategie e i differenti modi in cui possono essere

applicate:

1. KEEP THE DATA PROPRIETARY

2. TRADE THE DATA TO BUSINESS PARTNERS FOR SHARED BENEFITS
3. SELL THE DATA PRODUCT (to a host of possible clients)
4. MAKE THE DATA AVAILABLE (and even free) to many users.

2.1. KEEP THE DATA PROPRIETARY

2.1.1. STRATEGIA DI MONETIZZAZIONE: SFRUTTARE I DATI
PER OPERAZIONI INTERNE

Un’impresa che possiede dati cerca, come prima opzione, di utilizzarli per apprendere
di più riguardo le sue operazioni, rendendole più efficienti e per trovare nuove
opportunità di crescita.
Ci sono molti esempi di questa strategia. Per sistemi di operazioni complessi, il valore
dello sfruttamento dei dati internamente è significativamente alto.
Si considerino, ad esempio, le operazioni di una delle maggiori compagnie aeree: ci sono
dati circa i voli, gli impiegati, i passeggeri, i bagagli, le lamentele dei clienti ecc.

49
Walker, op. cit., introduction pag XXV

37
L’analisi e lo sfruttamento di questi dati è utile per la compagnia per identificare le aree
in cui può migliorare.
L’introduzione delle tecnologie digitali e di monitoraggio volte a raccogliere dati nelle
compagnie aeree hanno rivoluzionato il loro modo di operare, la scala dei dati è più
grande che mai da quando gli aerei sono monitorati digitalmente, i bagagli sono
scannerizzati e tracciati con numeri digitali e i passeggeri sono identificati con numeri di
volo.
Tutto ciò che riguarda gli aerei oggi ha un codice e questo permette di raccogliere molti
dati e informazioni utili come la posizione degli individui e i loro spostamenti nel tempo.
Una compagnia aerea deve svolgere diverse operazioni quali assegnare i dipendenti alle
biglietterie o ai gates, gestire le cancellazioni di voli, gestire i voli più importanti, trovare
i bagagli persi e tante altre, tutte queste operazioni possono essere gestite più
efficientemente attraverso l’utilizzo di dati, il più delle volte, disponibili in real time.
Quindi per una società come questa è essenziale l’utilizzo interno dei dati raccolti per le
operazioni ordinarie e per offrire un buon servizio ai clienti.
Per utilizzarli, inoltre, deve elaborare i dati da sé e in modo veloce.
Per questi motivi le compagnie aeree sono, quasi sempre, responsabili della raccolta dei
dati, della loro organizzazione, dell’analisi e della loro interpretazione.
Come emerge dall’esempio, le possibilità di utilizzo dei dati esternamente sono molto
limitate, l’utilizzo interno è molto più utile alla compagnia aerea perché permette di
ridurre i costi, di migliorare l’efficienza della maggior parte delle operazioni che svolge
quotidianamente e il servizio fornito ai clienti.
La crescita dell’adozione dei social media ha, inoltre, modificato il numero e il modo di
ricevere lamentele da parte dei clienti, un consumatore può condividere la sua
esperienza negativa con milioni di altri clienti.
La lamentela si diffonderà molto rapidamente, e questo può avere un effetto negativo
sulla compagnia aerea.
Essa, quindi, come tutte le aziende che si interfacciano direttamente con il cliente, è ora
costretta a rimediare rapidamente attraverso i social alle lamentele dei consumatori.

38
Tutto questo genera molti dati che devono essere costantemente monitorati
dall’impresa.
In una società come quella descritta, dovrebbe esserci un gruppo di specialisti che
leggono i social media e che sono pronti ad agire in real time in caso di problemi con i
clienti.
In questo modo i dati che derivano dai social media possono essere utilizzati al meglio
per ridurre i problemi derivanti da lamentele o crisi.
Questa strategia che consiste nello sfruttare i dati per operazioni interne possiede
caratteristiche specifiche:
 Il prodotto o sevizio creato attraverso i dati non ha bisogno di essere fantasioso
ma deve essere comunicato correttamente all’interno dell’azienda. È importante
usare i dati per suggerire miglioramenti alle operazioni ordinarie, per ridurre
costi e migliorare in efficienza.
 È necessario condividere i dati, o meglio le informazioni che contengono, con i
decision makers che hanno la possibilità di sfruttarli per migliorare le operazioni
e la gestione.
 Bisogna focalizzarsi nella riduzione dei costi, riduzione del rischio e nei
miglioramenti al servizio fornito ai clienti. Il valore economico dei dati che deriva
dalla monetizzazione è, infatti, legato alla riduzione dei costi.
 È essenziale tracciare sistematicamente le performance delle operazioni per
confermare che i costi siano quelli che ci si aspetta, cosi come i rischi e i
miglioramenti al servizio clienti.
Un aspetto chiave per un efficace attuazione di questa strategia è la necessità di fornire
ai decision makers supporto e sostegno e fare in modo che essi siano pienamente
coinvolti nel processo di utilizzo dei dati volto a migliorare l’efficienza delle operazioni.
La riduzione dei costi e i miglioramenti nelle operazioni diventano la base per continui
miglioramenti futuri50.

50
Walker, op. cit., pp. 119-120

39
 2.1.2. STRATEGIA DI MONETIZZAZIONE: ENTRARE IN UN
NUOVO BUSINESS
In tempi recenti il potere dei dati è cresciuto passando dal guidare decisioni tattiche ad
essere un fattore molto importante nelle decisioni strategiche, come ad esempio il loro
apporto decisivo nello scegliere se entrare o meno in un nuovo business.
I dati sono un aspetto chiave di molti business, orientano le imprese nelle scelte sulla
loro evoluzione e soprattutto determinano quale Data Product le imprese sono in grado
di creare, sfruttare e/o vendere sul mercato.
Le piattaforme digitali sono una delle tecnologie che hanno consentito e facilitato la
raccolta di grandi quantità di dati.
Esistono piattaforme digitali, ad esempio, che possono misurare il rischio associato a un
automobilista di avere incidenti; questa misurazione potrebbe interessare e rivelarsi
molto utile per un’azienda assicurativa, ma anche per chi volesse entrare in quel
mercato.
Come si evince dall’esempio, anche l’applicazione dei dati per entrare in un nuovo
business, in seguito alle fasi di raccolta ed elaborazione, è un altro valido modo di
monetizzarli.
Questa strategia consiste essenzialmente nell’utilizzare i dati raccolti sul mercato per
espandersi verso un nuovo business, ad esempio entrare nel mercato dei servizi
assicurativi.
Qui la monetizzazione dei dati non consiste nella condivisione e nella vendita di questi
ad altri per ottenere ricavi, ma nel loro utilizzo interno per espandersi in nuovi mercati
grazie alle informazioni privilegiate che questi dati contengono.
Questa strategia per essere attuata richiede accesso a capitali importanti (per sviluppare
il nuovo business, ad esempio quello delle assicurazioni) e pazienza nell’attendere i
ritorni degli investimenti dal nuovo business (che è fondamentalmente un Data
Product). Un esempio di azienda che ha utilizzato questa strategia ripetutamente e con
successo è Google.

40
Un grande apporto a come Google ha sviluppato innovazione interna, in grado di creare
e lanciare sul mercato molteplici data product, è stato fornito dall’esame dei dati creati
da altri business.
Questo processo di innovazione deriva, da un meccanismo circolare. Google crea spesso
nuove imprese e prodotti per operare nei mercati più disparati, e queste nuove imprese
e prodotti gli permettono di raccogliere molteplici varietà di dati.
In questo senso, quando Google entra in un nuovo mercato non ha come unico fine
quello di ottenere profitti di vendita, ma ad esso aggiunge quello di raccogliere il maggior
numero possibile di dati relativi al nuovo mercato e ai suoi consumatori.
Attraverso l’elaborazione e l’aggregazione di questi dati con quelli di cui già è in
possesso, Google ricerca ulteriori nuove opportunità di business, questo processo è
diventato una parte importante della sua strategia.
È evidente, che lanciare un nuovo business che genera tanti dati è molto utile a Google
permettendogli di ottenere maggior potenziale e informazioni per ridurre i rischi su
nuovi investimenti.
Google, inoltre, con i suoi servizi di “Search”, “Maps” e “Gmail” non solo offre utilità ai
consumatori, ma attraverso questi servizi possiede una “lente” sui comportamenti degli
utilizzatori di questi, degli inserzionisti e delle performance di un determinato mercato.
Dentro ogni prodotto di Google si cela una raccolta di dati.
Il risultato vero e proprio di questa raccolta di dati è stata la creazione di un laboratorio
di ricerca per migliaia di associati a Google che grazie ad esso progettano e lanciano
prodotti di nuova generazione ed entrano in nuovi business.
Grazie all’utilizzo dei dispositivi mobili per Google, inoltre, è possibile vedere quali
attività svolgono i consumatori che utilizzano Google Maps e il servizio Search attraverso
il metodo di “Search The Searcher”, in sintesi Google fornendo ai consumatori prodotti
gratuiti ad alto tasso di utilità raccoglie un numero spropositato di dati e informazioni
che hanno molto valore.
Vedere i dati stessi come un Asset, incoraggia la creazione di idee e di nuove opportunità
di business.

41
Google oltre a lanciare nuovi business per proprio conto ha anche attuato una strategia
di acquisizioni molto aggressiva, acquisizioni mirate soprattutto ad ampliare il suo
database; esempi di queste possono essere YouTube51, Zagat52, Waze53 e Nest54, tutte
aziende che possiedono grandi mole di dati.
Usare i dati per implementare un nuovo modello di business richiede un approccio
Research-Driven, ovvero l’intento di esaminare i dati per cercare nuovi utilizzi e utilizzare
i dati raccolti sui consumatori e sul mercato per espandersi.
Oltre che a Google questo esempio di utilizzo e monetizzazione di dati può essere
applicato anche ad altre imprese.
Controllare la diffusione dei dati per attuare questa strategia è un obbligo.
Il monitoraggio della diffusione dei dati rilevanti è fondamentale per proteggere il valore
di quei dati che possono generare nuove opportunità di business e idee; Google ad
esempio ha adottato una strategia che consiste nel limitare la condivisione dei dati più
importanti.
Oggi, molte imprese si chiedono come i Big Data e gli Analytics possono portare
innovazione e aiutare nell’identificazione di quelle aree che hanno bisogno di
miglioramenti.
Quando cerchiamo innovazione e nuove opportunità di business nei dati, per prima cosa
è necessario esaminare in cosa essi possono essere utili per i partecipanti ad un mercato.
Una volta trovata un’utilità, questa può condurre, attraverso strumenti di analisi, allo
sviluppo di Data Product che possono essere venduti a questi ultimi o, come nel caso di
Google, utilizzati internamente per ridurre il rischio di investimenti in nuovi business.

51
https://en.wikipedia.org/wiki/YouTube : YouTube is an American video-sharing website
headquartered in San Bruno, California. The service was created by three former PayPal employees –
Chad Hurley, Steve Chen, and Jawed Karim – in February 2005.
52
https://www.zagat.com/about-us : For those looking for standout experiences, Zagat cuts through the
clutter of available dining choices and guides you towards the best places, wherever you are. We arrive
at this premium selection by collecting and analyzing ratings and reviews from avid diners just like you,
as well as through the guidance of our on-the-ground experts.
53
https://www.waze.com/it/ : Waze è un'applicazione per la navigazione e per evitare il traffico con la
comunità di utenti più numerosa al mondo.
54
https://en.wikipedia.org/wiki/Nest_Labs : Nest Labs is a home automation producer of
programmable, self-learning, sensor-driven, Wi-Fi-enabled thermostats, smoke detectors, and other
security systems. It introduced the Nest Learning Thermostat in 2011 as its first product.

42
Un esempio analogo al caso di Google è rappresentato da Amazon55.
L’enorme ammontare di dati circa il comportamento di acquisto e i dati sul numero di
acquisti hanno inoltre permesso ad Amazon di entrare in nuovi business come Amazon
Local e Instant Video Service.
La funzione di analisi rivolta a cercare nuove opportunità di business deve essere attuata
con uno spirito imprenditoriale.
L’impresa deve anche avere il capitale e l’abilità di crescere un nuovo business,
altrimenti sarebbe più conveniente vendere una licenza per l’utilizzo dei dati grezzi
raccolti o dei Data product, derivanti da questi, esternamente56.
La raccolta di dati, come accennato precedentemente, ha assunto una dimensione
ancora più importante in seguito allo sviluppo delle piattaforme digitali. Google e
Amazon sono i classici esempi.
Una volta che le imprese hanno ottenuto, attraverso questa strategia, una mole di dati
sufficientemente grande su consumatori e mercato, entrare in un nuovo business non
sarà più complesso e rischioso.
La capacità di accumulare dati, quindi, permette di ottenere maggiori quote di mercato,
e allo stesso tempo rende difficile per i nuovi entranti non abili nella raccolta di dati di
accedere al mercato.
Gli elementi più importanti di questa strategia sono:
o Monitorare i dati condivisi esternamente;
o Sviluppare una cultura Research-Driven che esamina i dati per ottenere nuove
idee e opportunità e adottare un approccio imprenditoriale volto all’espansione
in nuovi mercati;
o Attuare una cultura Data-driven che guarda ai risultati e che considera i dati
come un Asset;
o Permettere al processo di ricerca di testare e utilizzare i dati attraverso inferenze
di mercato.

55
https://en.wikipedia.org/wiki/Amazon.com : Amazon.com, also called Amazon, is an American
electronic commerce and cloud computing company that was founded on July 5, 1994, by Jeff Bezos and
is based in Seattle, Washington.
56
Walker, op. cit., pp. 121-123

43
Essenziale per questa strategia di monetizzazione è la scelta di tenere i dati
internamente e renderli disponibili per scovare insights e opportunità. Questa scelta,
richiede una cultura aziendale orientata a considerare i dati come un Asset che assume
un ruolo di prima importanza nel processo di decision making (processo che porta a
prendere una decisione, da parte di un individuo o di un gruppo).

2.1.3. STRATEGIA DI MONETIZZAZIONE: VENDERE I DATI IN

MODO ESCLUSIVO
Un'altra strategia è quella di vendere i dati o i Data Product a un cliente in modo
esclusivo, che è in grado di sfruttare meglio il loro valore economico. Il vantaggio
primario di questa strategia è che i dati sono protetti dalla diffusione su vasta scala, che
li farebbe perdere di valore.
Si consideri la scelta di installare nelle automobili dei computer per misurare velocità e
accelerazione.
L’azienda automobilistica e la società che riceve informazioni circa le performance di
guida può decidere di condividere le informazioni con una società assicurativa, che
potrebbe considerare i dati suoi i suoi clienti molto interessanti e preziosi perché
attraverso il loro utilizzo potrebbe capire il grado di rischio e probabilmente anche gli
errori sui prezzi per ogni singolo cliente.
L’acquisizione di questi dati permetterebbe all’assicurazione di monitorare gli
automobilisti e quindi di conoscere il loro grado di rischio57.
Questa tipologia di Data Sharing ottiene risultati migliori se garantisce l’esclusività
all’acquirente, in questo caso la società assicurativa, permettendogli di conoscere il
grado di rischio dei suoi clienti senza renderlo noto alle aziende concorrenti.
Le informazioni sul grado di rischio quindi, sono a disposizione esclusivamente
dell’assicurazione che le acquista e degli automobilisti assicurati presso quella società, e
questo permette all’azienda che vende questi Data Product di richiedere un prezzo più
elevato per l’esclusività dell’utilizzo.

57
Walker, op. cit., pag. 124

44
Diffondere pubblicamente certe informazioni non è desiderabile. Infatti, se ad esempio
una banca desidera monitorare le performance di uno specifico mutuatario, può essere
disposta a pagare una somma premium per l’utilizzo esclusivo di questi dati, cosi come
la società assicurativa.
Questa strategia permette, inoltre, opportunità di intermediazione poiché grazie alle
informazioni fornite dai Data Product si possono identificare asset che sono
sottovalutati (ovvero beni e servizi che hanno un prezzo che non rispecchia
correttamente il loro valore intrinseco).
Si consideri per esempio, un nuovo social media che è poco considerato perché non se
ne conosce il reale potenziale; attraverso le informazioni contenute in questi dati si può
capire il suo vero valore monitorandolo e monitorando i consumatori che lo visitano,
tutto ciò potrebbe risultare molto utile per una azienda che sta decidendo dove
investire, soprattutto nel caso emergesse che il social media è sottovalutato.
Questo utilizzo dei dati potrebbe creare l’opportunità di comprare un posizionamento
di un annuncio sotto forma di banner a un basso prezzo per poi rivenderlo a un prezzo
maggiore.
L’intermediazione è resa possibile poiché la maggior parte del mercato sottovaluta e di
conseguenza vende a prezzi mispriced le attività sul social media.
L’impresa che possiede i Data Product potrebbe anche decidere di tenere i dati privati o
esclusivi per partecipare all’opportunità di investimento nel sito e a una vendita futura
dei suoi asset. In questo caso grazie ai dati esiste la possibilità di intermediazione dove
un prodotto può essere comprato a un basso prezzo e rivenduto a un prezzo più elevato.
L’esempio dell’assicurazione automobilistica, mostra che attraverso le nuove tecnologie
e nuove tecniche di misurazione le imprese operanti nei settori che basano il loro
business sul rischio (risk taking) possono ottenere nuove ed esclusive informazioni su
questo.
Inoltre, esso mostra che un’impresa può rilevare e misurare il rischio associato a ciascun
automobilista e sfruttare queste informazioni per espandere il proprio business nel
settore delle assicurazioni automobilistiche avendo l’opportunità di fare un
investimento in un determinato mercato a basso rischio o comunque con rischio ridotto.

45
Opportunità simili stanno emergendo in mercato della salute e benessere, grazie allo
sviluppo di strumenti come orologi che misurano il battito cardiaco. Considerate una
società che vende assicurazioni sulla vita o sulla salute, se avesse accesso a specifici e
esclusivi dati sulla salute dei suoi assicurati otterrebbe un grosso vantaggio.
Un esempio in questo senso è Fitbit58, un’impresa che vende strumenti di monitoraggio
dello stato di salute e di fitness attraverso la misurazione del battito cardiaco e altri
fattori, ottenendo come risultato statistiche relative alla salute dei suoi clienti, o al livello
di esercizi sportivi e attività fisiche che essi praticano.
Questi dati, possiedono precisione e scala, e permettono a Fitbit di conoscere la salute
e il numero di esercizi medi dei suoi iscritti e quindi di conoscere i consumatori che
hanno livelli di salute migliori.
Essi potrebbero avere un immenso valore per gli assicuratori, specialmente se utilizzati
in modo esclusivo.
Fitbit potrebbe anche decidere di espandersi in un nuovo business fornendo
assicurazioni sulla salute ai clienti che vengono monitorati dai suoi devices, anche se in
questa strategia si presuppone che questo non sia conveniente.
In questo settore, l’esclusività è essenziale perché l’assicuratore potrebbe garantirsi
migliori profitti senza divulgare queste informazioni pubblicamente, che se fossero
disponibili a tutti non garantirebbero nessun vantaggio competitivo59.
I compratori esclusivi di dati spesse volte non vengono resi pubblici, con l’intento di
tenere privata la disponibilità di questi.
Il possesso esclusivo può consentire alle entità coinvolte (la società che raccoglie i dati e
quella che li compra) di formare una partnership o di condurre un business insieme. La
licenza esclusiva sull’utilizzo dei dati può, inoltre, ridurre i conflitti di interesse, cosi come
limitare le preoccupazioni su questioni relative alla privacy.
Questa strategia ha quattro elementi principali:

58
https://en.wikipedia.org/wiki/Fitbit : Fitbit is an American company headquartered in San Francisco,
California, known for its products of the same name, which are activity trackers, wireless-enabled
wearable technology devices that measure data such as the number of steps walked, heart rate, quality
of sleep, steps climbed, and other personal metrics involved in fitness. The first product released was
the Fitbit Tracker Some evidence has found that the use of similar devices results in less weight loss
rather than more.
59
Walker, op. cit., pp.125-126

46
 1- i conflitti di interesse sono limitati grazie all’utilizzo selettivo e esclusivo delle
licenze;
2- i problemi di privacy sono sotto controllo attraverso accordi di licensing;
3- i Data Product vengono utilizzati per risolvere un problema di chi li acquista.
Questo problema spesso riguarda la determinazione del rischio relativo ad una
determinata decisione di investimento;
4- l’utilizzo di questa tipologia di Data Product non rende pubblico il rischio o la
decisione di business che le entità coinvolte devono prendere.
L’accesso esclusivo ai dati può anche facilitare la formazione di cartelli di imprese che
controllando le informazioni rilevanti riguardo a uno specifico mercato si assicurano alte
quote.
Si consideri il caso di un’impresa che svolge la funzione di monitoraggio delle
performance di un retailer.
Essa dispone di grandi quantità di dati che se sfruttati in modo esclusivo possono
generare grandi vantaggi e opportunità; ad esempio, si potrebbero utilizzare le
informazioni relative alle performance del retailer per investire o disinvestire nelle sue
azioni; infatti, se queste informazioni fossero diffuse pubblicamente verrebbero
immediatamente utilizzate e integrate nel prezzo di borsa delle azioni e non sarebbe
realizzabile nessun guadagno.
Come si può notare da questo esempio, vista l’importanza delle informazioni raccolte
attraverso il monitoraggio potrebbero sorgere problemi relativamente al consenso per
lo svolgimento di questa attività da parte del Retailer che potrebbe impedirlo per
tutelarsi.
Per questo motivo è molto importante che tra l’impresa monitorata e chi monitora vi sia
una forte cooperazione.
In concreto, queste tipologie di transazioni esclusive e altamente private che riguardano
i Data Product sono più frequentemente utilizzate in mercati nei quali vi è un alto rischio
e alte ricompense.

47
 2.2. TRADE DATA TO BUSINESS PARTNERS FOR
SHARED BENEFITS

2.2.1. STRATEGIA DI MONETIZZAZIONE: SCAMBIARE DATI

CON I PARTNER DEL MERCATO A VALLE
(DOWNSTREAM BUSINESS PARTNERS)
Condividere dati con altri soggetti può sembrare un’azione compromettente poiché,
sulla base di quanto spiegato fino ad ora, essi possiedono molto valore per un’impresa,
che, come conseguenza dello scambio, si potrebbe ridurre o azzerare; tuttavia, pochi
business sono completamente integrati verticalmente per cui tutti i membri
dell’approvvigionamento condividono lo stesso proprietario, per questo motivo si
rendono necessarie molteplici relazioni tra le diverse organizzazioni che partecipano in
differenti modi alla creazione di valore.
Per via di questa fitta rete di relazioni con fornitori (a monte) e business partners (a
valle), una ragionevole strategia di Data Monetization applicabile in questo contesto
deve obbligatoriamente prendere in considerazione la condivisione dei dati con questi
soggetti che possono sfruttarli con l’obiettivo di migliorare la collaborazione o le offerte
congiunte sul mercato globale.
Questa condivisione di dati assume forme differenti a seconda di coloro che ne sono i
destinatari (fornitori o business partners), ma l’obiettivo finale è unico, ovvero
scambiare dati che i partner (a monte e a valle) potrebbero utilizzare per migliorare la
posizione dell’impresa che li fornisce.
Si consideri il mercato della telefonia mobile. Esso coinvolge il gestore della rete
telefonica, i produttori di telefoni, il servizio cloud, una piattaforma per il download delle
“app”, il servizio di musica, i servizi email, ecc.
In questo business è pressoché impossibile per un’impresa fornire tutte le componenti
da sé per via della ferrea regolamentazione vigente e della diffusione che spesso supera
i confini nazionali.

48
Tutte le parti sopra menzionate, come evidente, per collaborare al meglio necessitano
della condivisione di dati relativi al consumatore finale su vari livelli in base alle proprie
necessità, disponibili all’interno del network.
Per questo motivo in questo mercato diventa fondamentale l’adozione della strategia di
monetizzazione dei dati basata sulla condivisione di questi.
Un apporto straordinario a questa strategia è consentito dall’utilizzo delle nuove
tecnologie digitali che hanno permesso di creare connessioni continue tra le piattaforme
digitali, attraverso le quali le imprese possono scambiare tempestivamente e senza
grandi sforzi i Data Product (in questo caso le informazioni) in loro possesso.
I dati scambiati possono anche aiutare a collegare prodotti e servizi di imprese diverse
riuscendo anche, in alcuni casi, a farli percepire come un unico prodotto/servizio agli
occhi dei consumatori.
Un ulteriore vantaggio di questa strategia è quello di facilitare l’innovazione all’interno
delle piattaforme digitali e di permettere alle imprese di focalizzarsi al meglio sui propri
punti di forza; ad esempio Apple60, Microsoft61 e Google hanno sviluppato ciascuna
ambienti per il download di “app”, supportati da piattaforme digitali che svolgono
funzioni di raccolta e condivisione di dati.
Tutto questo ha consentito una vasta gamma di possibili scelte per il consumatore finale
rendendo il sistema di offerta più competitivo, grazie alla condivisione di dati con la
comunità di sviluppatori di “app“.
Un'altra tipologia di relazioni critiche tra aziende operanti attraverso l’utilizzo di
piattaforme digitali si verifica nel settore dei Media Digitali.
La crescita di Netflix62 e Apple, in quanto fornitori di media digitali, ha richiesto la
collaborazione di creatori dei contenuti media (case produttrici di film, etichette

60
https://en.wikipedia.org/wiki/Apple_Inc.: Apple Inc. is an American multinational technology
company headquartered in Cupertino, California that designs, develops, and sells consumer electronics,
computer software, and online services.
61
https://en.wikipedia.org/wiki/Microsoft : Microsoft Corporation is an American multinational
technology company headquartered in Redmond, Washington. It develops, manufactures, licenses,
supports and sells computer software, consumer electronics, personal computers, and services.
62
https://en.wikipedia.org/wiki/Netflix : Netflix is an American entertainment company founded by
Reed Hastings and Marc Randolph on August 29, 1997, in Scotts Valley, California, It specializes in and
provides streaming media and video-on-demand online and DVD by mail. In 2013, Netflix expanded into

49
musicali, ecc.) e di vari fornitori di infrastrutture, connessione internet e servizi wi fi ai
consumatori.
Per esempio, per rendere disponibile la visione di un film in una casa è fondamentale la
cooperazione tra il fornitore del film, i proprietari della piattaforma digitale63 (Apple,
Netflix) e i fornitori internet (esempio AT&T e altre in USA, TELECOM e altre in Italia).
I dati relativi al contenuto media selezionato dai consumatori sono molto interessanti,
non solo per il proprietario della piattaforma ma anche per tutti gli altri partecipanti a
questa catena di valore; in particolare, potrebbero essere molto utili a chi produce
contenuti media per innovarsi.
La condivisione di questi dati in possesso dei proprietari delle piattaforme digitali
(Netflix e Apple) verso gli altri attori della catena non avverrà a titolo gratuito
specialmente se questa potrebbe permettere di ottenere una riduzione le royalties che
essi pagano per usufruire dei contenuti media.
In questo caso quindi la condivisione dei dati dei consumatori porterà benefici a tutte le
parti coinvolte, chi raccoglie i dati otterrà sconti sui contenuti che trasmette sulla propria
piattaforma digitale, mentre l’acquirente di questi ovvero il produttore di contenuti
multimediali e il fornitore di servizi internet acquisirà informazioni molto preziose per
migliorare la propria offerta in futuro.
In questa relazione apparentemente simbiotica, fees e altre forme di pagamento
compensano la vendita dell’accesso alle informazioni contenute nei dati raccolti
attraverso la piattaforma digitale; si ricorda che è essenziale il controllo di come le

film and television production, as well as online distribution. As of 2017, the company has its
headquarters in Los Gatos, California.
63
Walker, op. cit., pag. XXV : La struttura online dove i consumatori interagiscono con altri utenti e
imprese. La misurazione dei consumatori, prodotti, e mercati sono oggi abilitati da una serie di ambienti
digitali. Potremmo pensare ai siti web come categoria generale di piattafome digitali, e a Ebay e Amazon
come le specifiche piattaforme digitali per il commercio. Allo stesso modo, I siti di social media sono
ambienti digitali che connettono gli utenti attraverso conversazioni. Le piattaforme mobile invece sono
fornite da un numero limitato di imprese come Apple, Google, e Microsoft. In tutti questi ambienti vi è
un’impresa che fornisce l’infrastruttura, la raccolta dei dati, e infine la creazione di valore da questi.
Questi ambienti sono controllati in molti modi e vengono utilizzati come “piattaforme digitali” per
scambiare i dati con i consumatori. Le piattaforme digitali, quindi, si riferiscono ad ambienti digitali nei
quali un operatore consente la raccolta e lo scambio dei dati. Le piattaforne digitali includono i siti
internet, siti e-commerce, siti social media, sistemi di mobile phone, e ambienti simili che consentono
un’interazione digitale tra impresa e utenti.

50
informazioni verranno utilizzate da parte dagli acquirenti, e nello specifico è
fondamentale essere a conoscenza delle condivisioni di queste con terze parti.
Come già accennato chi raccoglie i dati, nella maggior parte dei casi, è anche il principale
proprietario e operatore della piattaforma digitale che possiede al tempo stesso la
possibilità e l’autorità di accelerare o rallentare la condivisione di dati con gli altri partner
della piattaforma a seconda delle proprie esigenze.
Questo soggetto è, inoltre, in molti casi l’impresa che raccoglie i ricavi dai consumatori
finali.
Nel caso della piattaforma mobile di Apple (“Apple store”), la figura di proprietario della
piattaforma e dei dati è rappresentata da Apple stessa.
Sebbene i ricavi si generano nel momento dell’interazione tra la piattaforma digitale e il
cliente finale, i partner pur non ricevendoli direttamente condividono comuni interessi
riguardo al miglioramento delle capacità della piattaforma poiché questo si
tramuterebbe in ulteriori acquisti dei propri prodotti e in un accesso a quantità di dati
sempre più importanti.
Questa strategia, come accennato precedentemente, può anche aiutare due imprese a
produrre un’offerta integrata in grado di acquisire maggior valore per i consumatori
rispetto a offerte disgiunte.
Per fare ciò, il flusso di dati scambiato dalle imprese deve avere come obiettivi
l’ottimizzazione delle operazioni, il tracciamento dell’inventario e il monitoraggio dei
consumatori.
Un esempio, è rappresentato dal rapporto tra Amazon e Ups 64, il primo ha bisogno dei
servizi di consegna e il secondo è molto lieto di avere come cliente uno dei principali
distributori online di prodotti a livello mondiale, quando un consumatore acquista su
Amazon, parte dei dati relativi alla spedizione e alle operazioni di acquisto vengono
trasmessi a Ups65.

64
https://en.wikipedia.org/wiki/United_Parcel_Service : United Parcel Service is the world's largest
package delivery company and a provider of supply chain management solutions. –
https://www.ups.com
65
Walker, op. cit., pp. 127-129

51
Dietro le quinte, i dati condivisi facenti riferimento al numero di pacchi in una posizione
specifica e a quelli diretti a un centro di distribuzione permettono a Ups e Amazon di
prendere decisioni consapevoli e coordinate per migliorare le attività operative e i servizi
rivolti ai consumatori.
La raccolta dei pagamenti corrisposti per le spedizioni e dei dati sulle transazioni è
gestita da Amazon.
Le caratteristiche del servizio di spedizione sviluppate da Ups, ovvero l’aggiornamento
in real time della posizione e dello stato di consegna del pacco visibile dal consumatore
online, sono un esempio del valore aggiunto al servizio offerto da Amazon; inoltre,
mentre il pacco è in transito il consumatore può decidere di cambiare la data di consegna
e il luogo in base alle sue preferenze.
Tutto questo permette per di più, di trasferire le responsabilità relative alla gestione
della spedizione e del rapporto con il consumatore da Amazon a Ups.
Grazie alla condivisione dei dati quindi Amazon è in grado di offrire un servizio integrato
con il supporto di Ups incrementando cosi la soddisfazione dei propri clienti e di
conseguenza la propria quota di mercato.
Quando si vuole attuare questa strategia di condivisione dei dati o dei Data Product è
importante:
1- Che l’utilizzo dei dati e dei Data Product serva ad affermare le posizioni e gli
obiettivi di ogni società coinvolta;
2- Che i dati e i Data Product condivisi contribuiscano a migliorare la Customer
Experience e/o il livello di prezzo;
3- Che la condivisione dei dati non violi la regolamentazione della privacy;
4- Che la proprietà dei dati, la loro raccolta e i termini d’utilizzo degli stessi vengano
chiaramente esplicitati.
È, inoltre, fondamentale esaminare molto attentamente il ruolo dei partners e lo
scambio dei Data Product dovrebbe condurre:
1- All’ottenimento di benefici condivisi tra i partners relativi al miglioramento della
piattaforma digitale;

52
 2- A maggiore trasparenza verso il consumatore riguardo a come e perché i dati che
ad esso fanno riferimento vengono condivisi;
3- A benefici per i consumatori conseguenti alla partnership di condivisione dei dati;
4- A chiarezza relativamente ai termini e alle modalità di utilizzo dei Data Product
da parte delle parti coinvolte.

2.3. DATA STRATEGY: SELL THE DATA PRODUCT

Si tratta della situazione in cui l’unico modo per un’impresa di creare valore attraverso i
dati è attraverso la loro vendita.
Questo implica che le strategie precedenti non sono adottabili e/o che l’impresa voglia
ottenere valore dai dati nel più breve tempo possibile.
In questa strategia è molto importante prestare attenzione a chi sono i potenziali
acquirenti e controllarne le modalità con cui utilizzano i dati.
Il prezzo di vendita dei dati e/o dei Data Product viene definito sulla base del valore che
il possibile acquirente gli attribuisce.
Si consideri un’impresa che svolge la funzione di monitoraggio del numero di macchine
nel parcheggio di un distributore, ad esempio Walmart66, utilizzando strumenti di
rilevamento remoto o attraverso i dispositivi mobile per raccogliere dati.
Apparentemente sembrerebbe che l’unico acquirente naturale di questi dati sia proprio
Walmart, ma egli essendo già in possesso di dati di maggior valore ovvero quelli relativi
agli acquisti e al traffico dei clienti in store potrebbe non essere interessato a pagare un
eccessivo prezzo per quelli relativi al parcheggio, a differenza dei suoi competitor e di
altri soggetti che sarebbero molto propensi ad appropriarsene pagando probabilmente
un prezzo elevato.
Per questi ed altri motivi la vendita dei dati richiede un’attenta esaminazione delle parti
che possono attribuirgli valore poiché ognuna possiede unici e specifici interessi; in

66
https://en.wikipedia.org/wiki/Walmart : Wal-Mart Stores, Inc., doing business as Walmart, is an
American multinational retailing corporation that operates as a chain of hypermarkets, discount
department stores, and grocery stores. - https://www.walmart.com/

53
questo contesto i dati dovrebbero essere posizionati in modo da soddisfare i particolari
bisogni di ciascuno per ottenere il maggior profitto dalla loro vendita.
Tornando all’esempio precedente è evidente che chi attribuisce il maggior valore a quei
dati sono soggetti quali i competitor, gli investitori, l’agenzia delle entrate, ovvero coloro
interessati all’operato di Walmart che altrimenti non avrebbero modo di conoscerlo.
I dati potrebbero quindi rivelare quali negozi hanno i più alti livelli di shopping activity
(e quindi il più alto numero di macchine nei parcheggi) oppure se il livello di spesa è
aumentato o diminuito, inoltre potrebbero ricevere risposta ulteriori domande circa le
opportunità di crescita.
Se venissero monitorati tutti i parcheggi dei retailers, si otterrebbero informazioni
ancora più utili e rilevanti in riferimento a quale catena performa meglio e/o quali sono
le migliori posizioni durante la scelta della localizzazione del punto di vendita.
Queste domande relativamente al mercato della distribuzione riflettono gli interessi
degli investitori attuali e potenziali delle azioni di Walmart e dei suoi competitor.
In questo modo il valore dei dati cresce più che proporzionalmente rispetto al numero
di negozi monitorati.
Tuttavia, di rado il compratore è interessato al dato grezzo, a meno che esso non è
altamente qualificato o l’acquirente è un’impresa che svolge funzioni di analisi di dati.
Per questo motivo i dati grezzi devono essere trasformati in significativi Data Product,
attraverso l’utilizzo di analytics, che aiutino il compratore nelle sue specifiche decisioni.
Un classico esempio di ciò sono le Yellow Pages (pagine gialle).
L’aggregazione di dati circa nomi, indirizzi e numeri di telefono è diventato un Data
Product ovvero un elenco telefonico, che ha condotto a elevati profitti attraverso
pubblicità e fees.
I dati, quindi, come accennato, possono consentire molteplici flussi di monetizzazione
attraverso la vendita di spazi pubblicitari, con l’ottenimento di un miglior controllo degli
asset o dietro il pagamento di corrispettive fees (commissioni).
La vendita di dati o di Data Product assume differenti sfumature sulla base dei diversi
potenziali acquirenti poiché ogni potenziale acquirente ha specifici obiettivi e interessi
relativamente a particolari assets alla base del proprio business.

54
 2.3.1. STRATEGIA DI MONETIZZAZIONE: VENDERE I DATI AI
PROPRIETARI DEGLI ASSET
Come precedentemente accennato nel caso di Walmart i dati, derivanti dal
monitoraggio del parcheggio, potrebbero essere utili anche al proprietario degli asset
(Walmart).
Essi potrebbero essergli di aiuto in molti modi, ad esempio, fornendo informazioni utili
per incrementare i profitti derivanti dagli asset monitorati o sperimentando altre
tipologie di benefici, come una riduzione del rischio o semplicemente consentire di
attuare azioni volte ad aumentare la Brand Awareness67.
I Data Product rivolti ai proprietari degli asset dovrebbero essere principalmente
orientati a fornire risposte a domande riguardanti la gestione degli asset stessi.
Si immagini che i dati derivanti dal monitoraggio del parcheggio, ovvero quelli venduti,
venissero fusi con i dati degli acquisti e del traffico in store e con quelli relativi alle offerte
di marketing presenti.
Questa fusione di dati fornirà una molteplicità di informazioni (Data Product) molto utili
per trovare risposte relativamente a domande critiche che il gestore di un punto vendita
o qualsiasi proprietario di asset si potrebbe porre.
La monetizzazione, in questa strategia, avviene attraverso la creazione e la vendita di
Data Product che direttamente migliorano la gestione degli asset da parte del
proprietario di questi.
Ci si aspetta che l’acquirente in questo caso richieda diritti speciali sui dati relativi ai
propri asset e che esso sia disposto a condividere informazioni aggiuntive, confidenziali
con il proposito di creare ancora più Insightful Data Product.
L’impresa che si occupa della raccolta dei dati deve quindi sviluppare una serie storica
di questi e operare una funzione di analisi con il proposito di creare Data Product in
grado di effettuare anche confronti temporali.

67
https://www.marketinginformatico.it/glossario-marketing/brand-awareness/ - Capacità dei
consumatori di riconoscere un marchio e di associarlo correttamente a un prodotto, a una linea di
prodotti o a un'impresa. può essere rilevato e misurato attraverso analisi di mercato, come ad esempio
le indagini a campione e i focus group.

55
Infine, quest’ultima deve essenzialmente disporre di una buona funzione commerciale
volta a mostrare al proprietario degli asset l’utilità dei Data Product che essa è in grado
di fornirgli e di un sistema di assistenza circa l’utilizzo degli strumenti analitici in essi
contenuti.
Si consideri ora un processo di raccolta dati che conta il numero di persone che entrano
in uno store quotidianamente, operante con il consenso e la cooperazione del
proprietario dello store.
Un’impresa che effettua questo processo di raccolta dati è Shoppertrak68 a Chicago. In
particolare questa società utilizza una telecamera stereoscopica che conta il numero di
persone che entrano nel Department store, nel Mall o nello stabilimento del retail.
La raccolta di questo tipo di dati è attiva e svolta con l’approvazione degli store che
partecipano alla rilevazione.
La relazione tra Shoppertrak e i suoi clienti (store) evidenzia uno dei modi di monetizzare
dati attraverso il monitoraggio degli asset (in questo caso i punti di vendita dei retailers).
Il passaggio dalla raccolta dei dati al loro acquisto da parte del proprietario dei punti di
vendita sembra essere scontato.
I proprietari degli asset, tuttavia, potrebbero mostrare resistenza alla proposta di
comprare dati sui loro stessi asset poiché potrebbero raccoglierli da sé e utilizzarli
direttamente per migliorare le proprie operazioni interne.
Shoppertrak, però, oltre a raccogliere i dati li combina con quelli di altri negozi, regioni,
altri tipi di store, e diverse location per evidenziare opportunità di miglioramenti; è
proprio questo il vantaggio rispetto ad un monitoraggio diretto effettuato dal
proprietario.
Nel caso di Shoppertrak, comunque, i negozi volontariamente partecipano alla
misurazione (rilevazione attiva), in altri il monitoraggio potrebbe prescindere dalla
volontà dei proprietari e in questo caso spesso si incorre in aspri conflitti (rilevazione
passiva)69.

68
https://www.shoppertrak.com/ : ShopperTrak is the leading global provider of retail analytics, offering
solutions to more than 1000 retailers and shopping malls across 90 countries.
69
Walker, op. cit., pp. 130-134

56
Questi dati sugli store, sebbene accessibili direttamente dai proprietari, mancherebbero
di Scala (dimensione) e Prospettiva se non venissero comparati con i dati del mercato
complessivo (in possesso di Shoppertrak).
I soli dati relativi al numero di consumatori in uno store non forniscono insights di
opportunità di crescita; per questo motivo raccogliere più dati e combinarli tra loro
attuando confronti aumenta il valore di questi.
Shoppertrak a seguito di molteplici analisi sui dati raccolti fornisce market aggregations
che non rivelano le performance di uno specifico cliente ma che permettono a ognuno
di questi di apprendere la propria posizione all’interno del mercato e di individuare le
decisioni che potrebbero consentirgli di migliorare le proprie prestazioni.
Esso, inoltre, utilizza anche metodi passivi di raccolta dei Big Data e questo gli permette
di ottenere indirettamente risposte circa i fattori in grado di aiutare a migliorare o a
peggiorare le vendite in store e di fare previsioni che possono risultare molto utili al
management degli store.
Nello specifico Shoppertrak opera analisi e market comparison trasformando i dati grezzi
in Data Product di valore che permettono alle principali catene della distribuzione di
prendere decisioni circa i propri store, il proprio staff, la location e il proprio magazzino.
Quanto riportato con riferimento a questa strategia (vendita dei dati al proprietario degli
assets) conduce alle seguenti conclusioni:
1- La creazione dei Data Product deve avere l’obiettivo di migliorare la
comprensione degli eventi in modo da consentire un decision making più
consapevole al proprietario degli asset;
2- Comparare il più grande numero di dati in modo da poter classificare le
performance dei vari attori di un mercato;
3- Proteggere l’identità e le performance finanziarie dei proprietari degli asset
quando si fanno market aggregations e confronti;
4- Riconoscere il ruolo della proprietà di tali asset e richiedere il permesso di
monitoraggio attraverso una raccolta di dati attiva evitando di incorrere in
violazioni dei principi che fanno riferimento alla privacy.

57
Come in quasi tutti i processi di raccolta dati, sfruttare anche la raccolta passiva di dati
è utile e invertire questi dati per misurare indirettamente i mercati è prezioso70.
Attualmente le piattaforme digitali stanno assumendo un ruolo sempre più importante
in relazione alla raccolta e alla vendita di dati, fornendo speciali Data Product ai
proprietari di asset.
Si consideri, in questo senso, LinkedIn71, il “social network professionale”. Esso fornisce
servizi premium a specifici utenti in cambio della sottoscrizione di un abbonamento a
rate mensili.
Questo servizio premium sfrutta la conversione di dati, raccolti tramite misurazione
passiva dai profili degli utenti, in utili insights che i consumatori considerano di valore e
per i quali sono disposti a pagare.
In questo caso la motivazione è semplice, ovvero il servizio permette di visualizzare i
profili di persone che sono interessate al nostro curriculum, ma in altri casi può essere
anche più complessa.
Con l’esponenziale crescita della tecnologia mobile sono sorte nuove grandi possibilità
di misurazione del comportamento delle persone e di monitoraggio delle loro attività
quotidiane; grazie a questo è nato un mercato con elevato potenziale di crescita futuro,
ovvero la vendita dei dati raccolti sugli individui a loro stessi.

2.3.2. STRATEGIA DI MONETIZZAZIONE: VENDERE DATA

PRODUCT AD ALTRE PARTI INTERESSATE
Oltre ai proprietari degli asset a cui i dati raccolti fanno riferimento, esiste una
molteplicità di soggetti interessati alle informazioni in essi contenute.
Questi potrebbero essere: i potenziali acquirenti degli asset, i regolatori del mercato, le
aziende concorrenti che possiedono asset simili, e molti altri.

70
Walker, op. cit., pag. 135
71
https://www.linkedIN.com/

58
Essi differiscono dal proprietario degli asset per le motivazioni che li spingono
all’acquisto dei Data Product; queste motivazioni non riguardano più il decision making
relativo agli asset monitorati.
Si consideri il caso di dati riferiti al traffico pedonale in store venduti al proprietario dello
stesso, egli li userebbe per prendere migliori decisioni relativamente alle attività
operative e a quelle di marketing.
Gli altri soggetti, invece, se fossero in possesso dei medesimi dati, potrebbero essere
interessati a voler acquisire delle azioni riguardo a una determinata catena di store o ad
attuare confronti tra un determinato negozio e il proprio.
Se questi soggetti non sono né proprietari di negozi né di asset simili, non stanno
cercando risposte a domande quali: “come posso far aumentare le vendite dello store?”
ma piuttosto sono interessati a domande più ampie in riferimento al mercato nel suo
complesso ovvero: “come lavora questo store in confronto a quest’altro?”, “quali sono
i trend regionali?”, “qual è la salute economica di uno specifico settore?”, “posso fare
previsioni su profitti e ricavi di una determinata società quotata in borsa?”.
Queste ultime domande richiedono un diverso orientamento dei Data Product che
devono essere progettati rispetto agli interrogativi che ci si pone e a cui si vuole dar
risposta.
La situazione ideale per l’azienda che raccoglie i dati e li trasforma in Data Product
sarebbe ottenere un elevato numero di potenziali acquirenti per ogni specifico Data
Product creato, in quanto ci si aspetta di ottenere, in questo modo, offerte più elevate
per il prodotto.
È necessario per questo fornire numerose informazioni sul prodotto in vendita, poiché
questo consentirebbe a nuovi potenziali acquirenti di concorrere a creare offerte più
elevate per un determinato Data Product.
L’implementazione di un’attività di marketing relativamente ai Data Product, che
vengono venduti ai “non assets owner” rende possibile il raggiungimento di molti
vantaggi economici, tra i quali la crescita del numero di potenziali clienti.
Per questo motivo, quando un’impresa conduce il monitoraggio su uno o più asset, essa
dovrebbe considerare di vendere i Data Product a una molteplicità di acquirenti per

59
aumentare i ricavi derivanti dalla monetizzazione dei dati, questo avviene più facilmente
nelle piattaforme digitali dove i dati vengono generati automaticamente.
Si consideri un modello di vendita che permette a una pluralità di acquirenti l’accesso ai
Data Product relativi a un asset.
Questo modello è ben esplicato e semplificato dal modo in cui le Agenzie di Rating72
raccolgono, creano e alla fine vendono i dati riguardanti le imprese ai “Bond Traders”73.
Le principali Agenzie di Rating quali Standard and Poor’s, Moody’s e Fitch hanno tutte
implementato un metodo che converte informazioni su Firms-level e Asset-level in Data
Product che vengono venduti regolarmente a migliaia di sottoscriventi.
Le Agenzie di Rating aggregano grandi quantità di dati e informazioni relative ad
un’impresa, incluse le sue performance finanziarie, implementando modelli algoritmici
di loro proprietà per valutare il grado di rischio di questa, col fine di ottenere un voto
complessivo e informazioni addizionali sulle sue prospettive di crescita attuali e
potenziali.
Queste informazioni potrebbero essere vendute all’impresa a cui fanno riferimento, ma
il loro valore sarebbe limitato e in molti casi ridondante.
L’impresa è più o meno consapevole del suo stato, sebbene potrebbe non conoscere
nello specifico il suo ranking nel mercato.
Per questo motivo, le agenzie di rating hanno coltivato un enorme mercato a cui
partecipano i soggetti che desiderano possedere queste informazioni pur non essendo
in possesso dell’asset monitorato.
Modelli simili vengono applicati anche per i servizi di rating delle azioni. Il valore più
elevato delle informazioni a queste relative è dato da coloro che vogliono acquisire una
partecipazione dell’asset e non da chi già ne è in possesso.

72
http://www.borsaitaliana.it/notizie/sotto-la-lente/agenzie-di-rating173.htm : Esprimono giudizi sulla
solvibilità di un debitore e sull’affidabilità di obbligazioni e titoli a rendimento fisso.
73
https://www.ig.com/uk/glossary-trading-terms/bond-trading-definition : Bond trading is one way of
making profit from fluctuations in the value of corporate or government bonds. Many view it as an
essential part of a diversified trading portfolio, alongside stocks and cash.
A bond is a financial instrument that works by allowing individuals to loan cash to institutions such as
governments or companies. The institution will pay a defined interest rate on the investment for the
duration of the bond, and then give the original sum back at the end of the loan’s term.

60
I dati vengono monetizzati, quindi, attraverso la loro vendita alle parti interessate
nell’avere una reale o potenziale partecipazione nell’asset misurato dai dati stessi.
La vendita in concreto consiste in un abbonamento che permette ai membri di comprare
l’accesso ai Data Product.
Altri esempi sono Morningstar74, una società che ha avuto successo nel fornire Data
Service ad investitori privati, e Bloomberg75 con riferimento ad investitori istituzionali.
La sottoscrizione di abbonamenti è utile non solo a chi vende il prodotto, ma anche
all’acquirente del Data Product.
Nel caso di un promotore finanziario che acquista il Data Product, avere aggiornamenti
continui sul ranking dei bond ha grande valore: una misurazione dell’asset fine a sé
stessa (quindi non continuativa) sarebbe rilevante solo per l’istante in cui detta
misurazione avviene.
Per quanto riguarda le Agenzie di Rating, inoltre, vendere i Data Product attraverso
l’abbonamento gli consente di ottenere la capacità di fornire più informazioni e al tempo
stesso di far pagare una cospicua somma per l’utilizzo del Data Product che fornisce.
Il modello dell’abbonamento tramite sito web o piattaforma digitale può anche
permettere un ulteriore monitoraggio.
Per esempio, l’impresa che sviluppa diverse tipologie di Data Product potrebbe essere
interessata a sapere quale dei suoi prodotti è più largamente utilizzato, così come
quando e in che modo essi vengono utilizzati.
Una misurazione che consente di rispondere a queste domande potrebbe condurre
all’innovazione dei prodotti forniti, alla creazione di servizi di abbonamento premium
(come accennato per LinkedIn), o all’ottenimento di market insights utili a suggerire
nuovi price points per gli abbonamenti.
Tale misurazione relativa all’utilizzo dei Data Product si può verificare solo una volta che
si rende disponibile il loro utilizzo su piattaforme digitali attraverso servizi di
abbonamento.

74
https://en.wikipedia.org/wiki/Morningstar,_Inc.: Morningstar, Inc. is an investment research and
investment management firm headquartered in Chicago, Illinois, United States. - www.morningstar.com
75
https://www.bloomberg.com/ : Bloomberg delivers business and markets news, data, analysis, and
video to the world, featuring stories from Businessweek and Bloomberg News.

61
Questi esempi evidenziano che la monetizzazione dei dati attraverso la vendita degli
stessi, a soggetti differenti dai proprietari degli asset monitorati, è resa possibile
attraverso:
1- La creazione di Data Product ricchi di significato per gli investitori negli asset a
cui essi fanno riferimento;
2- La conduzione di un monitoraggio a frequenza regolare e continuativa degli
asset;
3- La prevenzione di possibili conflitti di interessi relativamente agli asset
monitorati;
4- Lo sfruttamento di un modello di vendita tramite abbonamento in modo da
ottenere maggiori ricavi;
5- Il controllo dei Data Product in termini di accessi e distribuzione.

Tuttavia, il modello di vendita tramite abbonamento nell’era digitale deve affrontare

numerose sfide, dal momento che la prevenzione della riproduzione dei dati è quasi
impossibile.
Per questo motivo, sono diventati indispensabili strumenti che limitano l’accesso ai Data
Product per gli abbonati per contrastare il fenomeno dei free riders76.
Oggi vengono utilizzati modelli di abbonamento evoluti che includono l’utilizzo di profili
con specifiche caratteristiche degli utenti che rendono difficile per i non abbonati
l’accesso ai data report in modo completo attraverso “una copia” del Data Product.

76
http://www.treccani.it/enciclopedia/free-rider/ : Nel linguaggio economico, chi usufruisce di un bene
pubblico senza pagare alcun prezzo per esso. Dal momento che un bene pubblico ‘goduto’ da un individuo
può essere utilizzato contemporaneamente anche da altri, senza bisogno di manifestare alcuna espressa
preferenza per esso tramite il pagamento del prezzo corrispondente, ne consegue il fallimento del
meccanismo di mercato nel caso di offerta di beni pubblici. Letteralmente, il f. è, per es., colui che utilizza
i mezzi di trasporto pubblico urbani senza obliterare il biglietto: egli può disporre del servizio, poiché la
circolazione dei mezzi di trasporto è garantita in ogni caso per soddisfare le esigenze di coloro che,
pagando, dimostrano di desiderarla. Nella letteratura economica il problema del f. si pone in occasione
del disegno di un sistema di incentivi e disincentivi atti a evitare che vi sia chi ‘cavalchi senza pagare’ un
servizio di interesse o collettivo in genere.

62
 2.3.3. STRATEGIA DI MONETIZZAZIONE: VENDERE ACCESSI
PREMUM AI DATA PRODUCT
Come osservato nelle strategie precedenti, vi sono alcune situazioni nelle quali ci
aspettiamo che alcuni consumatori richiedano un accesso particolare o privilegiato a
una serie di dati e che per questi siano disposti a pagare commissioni aggiuntive.
Gli High Speed Traders, ad esempio, sono coloro che pagano per ottenere accessi
speciali ai dati dei mercati mobiliari; altri esempi possono essere, il già citato LinkedIn e
Amazon, che garantisce servizi di consegna speciali ai clienti Amazon Prime.
La vendita dei servizi premium rappresenta un’estensione dell’accesso al Data Product.
Come si può dedurre dagli esempi, le piattaforme digitali in questo contesto assumono
un ruolo di particolare rilevanza poiché parte del loro valore economico è legato al
valore che i dati e/o determinate informazioni hanno per i consumatori.
L’obiettivo principale di chi vuole vendere accessi premium è identificare coloro che
sarebbero disposti a pagare di più per particolari tipologie di dati, richiedendogli una
commissione più elevata.
Questo è il ruolo degli operatori della piattaforma digitale, ovvero esplorare la sensibilità
al prezzo e individuare con esattezza quali dati hanno più valore per il consumatore e
quali caratteristiche (tempestività, precisione, scala, ecc) è necessario che posseggano;
definito questo diventa semplice lanciare un servizio premium a pagamento.
I livelli della qualità dei servizi venduti ai consumatori premium e ai consumatori non
premium dovrebbero essere differenti, poiché i due gruppi possiedono diverse
aspettative.
I vantaggi che dovrebbero derivare da un abbonamento premium potrebbero
riguardare, ad esempio, una maggiore protezione della privacy o la possibilità di
accedere a dati con più tempestività e precisione.
Per ottenere i ricavi che derivano dai servizi premium vi sono alcune azioni necessarie
da attuare:
1- Creare un portfolio di Data Product che fornisca ai diversi acquirenti funzionalità
differenti (ad esempio, alta velocità per gli high speed traders o alta precisione
per le ricerche su LinkedIn);

63
 2- Limitare volontariamente l’accesso gratuito ai dati. Questo può essere fatto
limitando l’ammontare di dati disponibili o il tipo di Data Product offerti in modo
gratuito.
L’obiettivo è coltivare una richiesta di pagamento per i Data Product;
3- Monitorare i consumatori che utilizzano i Data Product con il proposito di
svilupparne di nuovi, cercando di impedire la riproduzione e individuare i
prodotti che essi ritengono abbiano più valore;
4- Permettere agli utenti di “sperimentare” i prodotti premium in modo che
possano testare il loro valore prima di sottoporgli la commissione aggiuntiva.

I servizi premium possono coesistere con i servizi gratuiti. Per una piattaforma digitale
sviluppare un servizio di dati premium è una decisione deliberata e focalizzata a fornire
differenti accessi a differenti livelli di prezzo.
Le piattaforme digitali, inoltre, stanno fornendo sempre più dati riguardanti utenti e
consumo di prodotti, permettendo in questo modo di sperimentare nuovi differenti
livelli di prezzo ed abbonamenti.

2.4. DATA STRATEGY: MAKE THE DATA

AVAILABLE (AND EVEN FREE) TO MANY USERS
Diffondere i dati a titolo gratuito, come già accennato relativamente alla strategia di
scambio dei dati con business partner, può sembrare una contraddizione a seguito delle
affermazioni riguardanti il valore dei dati che dovrebbe essere monetizzato.
Tuttavia, sfruttare la diffusione dei dati per creare mercati e opportunità di incontro tra
compratori e venditori (domanda e offerta) è una strategia utile ed efficace che è parte
delle strategie di Google e di quasi tutti i social media che possiedono grandi quantità di
dati.
Rendendo i propri Data Service accessibili, diffusi e gratuiti a tanti utenti, Google e i più
importanti social media hanno creato luoghi virtuali di destinazione per potenziali

64
consumatori e quindi un’allettante opportunità per lo sfruttamento degli annunci
pubblicitari.
L’interazione tra consumatori, Data Service e annunci crea una molteplicità di dati molto
utili per conoscere nuove opportunità di miglioramento.
Google, a titolo esplicativo, traccia questi dati e li rende disponibili agli inserzionisti
attraverso un particolare Data Service conosciuto come Google Analytics.
Gli inserzionisti sono disposti a pagare per ottenere i dati forniti da Google Analytics
poiché da questi si aspettano di ottenere insights relativi a una più qualitativa gestione
dei clienti e migliori posizionamenti per gli annunci in modo da “colpire” potenziali
consumatori attraverso un’azione di marketing mirata.
Anche in questa strategia un ruolo fondamentale è assunto dalle piattaforme digitali che
permettono la visualizzazione di annunci in modo “democratico”, ovvero in esse
possono partecipare sia grandi che piccoli inserzionisti.
Il principale fattore di attrazione per gli inserzionisti è il numero di consumatori che
visitano la piattaforma digitale e la dimensione dei dati che vengono a formarsi.
Le piattaforme digitali che sorgono con l’obiettivo di sfruttare i vantaggi relativamente
al business degli annunci sono interessate ad avere un gran numero di utenti e di
raccogliere più informazioni possibili sui comportamenti di quest’ultimi.
Per ottenere una quantità elevata di utenti molte imprese hanno scelto di “regalare” e
diffondere i loro servizi o i loro dati a titolo gratuito, come suggerisce questa strategia.
Sebbene vi sono imprese che hanno avuto successo condividendo i propri dati e Data
Product ottenendo la possibilità di vendere spazi pubblicitari, molte altre non possono
dire lo stesso.
Oggi viviamo in un mondo ricco di dati e informazioni, le interazioni con i siti internet
avvengono per la necessità dei consumatori di ottenere informazioni, recensioni e
opinioni di altri utenti.
La sfida per coloro che sfruttano un modello di business orientato alla vendita di spazi
pubblicitari (advertisement model) su piattaforma digitale è che i dati devono
raggiungere e mantenere una certa dimensione (scala), e nel contempo essere rilevanti
per la piattaforma digitale nel suo complesso e per i suoi utenti.

65
Per le imprese che utilizzano questa strategia di diffusione gratuita dei dati ma che
scelgono di utilizzare come core business l’inserimento di annunci sulla propria
piattaforma digitale, diventare un data broker77 o un Marketplace digitale (es. Amazon)
potrebbero essere delle alternative.
In questi casi, prodotti e servizi sono venduti agli utenti della piattaforma digitale in
cambio di una commissione di transazione che diventa il ricavo del proprietario del
Marketplace.
I siti di shopping online si stanno muovendo verso quest’ultimo modello, diffondere
“free data” significa possedere dati su una grande offerta di prodotti e una grande
selezione di venditori da connettere ai compratori.
La dimensione (scala) dei dati gioca un ruolo fondamentale per lo sviluppo del
Marketplace.

2.4.1. STRATEGIA DI MONETIZZAZIONE: UTILIZZARE LE

UTENZE PER OPPORTUNITA’ DI PUBBLICITA’
Per le imprese che operano nelle piattaforme digitali, c’è la tentazione di crescere
rapidamente e di guadagnare dimensione (scala) velocemente.
Tuttavia, questa tentazione di ridurre gli ostacoli alle partecipazioni alla piattaforma
digitale e di diffondere i Data Product, può diventare una “Race to Zero” – zero costi per
gli utenti e zero ricavi per la piattaforma digitale.
I più famosi siti di quotidiani hanno appreso a loro spese che, sebbene l’accesso gratuito
produce traffico online, deve esserci una strategia di monetizzazione in atto per
ottenere ricavi.
Vista la diminuzione delle vendite dei quotidiani, questi si sono orientati alla creazione
di siti web, presto questi siti online videro nella dimensione del database dei

77
www.gartner.com/it-glossary/data-broker : A Data Broker is a business that aggregates information
from a variety of sources; processes it to enrich, cleanse or analyze it; and licenses it to other
organizations. Data brokers can also license another company's data directly, or process another
organization's data to provide them with enhanced results.

66
consumatori nelle loro piattaforme un’opportunità per fare profitti attraverso la
pubblicità.
Le stesse prospettive sono alla base dei social media che promettono a investitori e
inserzionisti “una miniera d’oro” di dati su larga scala e opportunità di marketing
targettizzato.
Si consideri Google Search, sicuramente tra le piattaforme digitali più importanti; essa
offre sulla base delle ricerche degli utenti i risultati più inerenti in seguito all’utilizzo di
metodi algoritmici in modo totalmente gratuito e attraverso i quali manovra il
Marketplace digitale delle ricerche per accrescere opportunità di annunci pubblicitari.
Il posizionamento degli annunci durante la fase di richiesta di ricerca funziona molto
bene e ha un’elevata visibilità.
Un altro esempio può essere Facebook, che offre il più grande scambio di dati a livello
di social network, creando molte opportunità pubblicitarie.
Gli annunci posizionati sul web, in seguito a studi recenti, stanno ottenendo alti tassi di
crescita ma non sono chiaramente la sola e unica strategia di monetizzazione possibile
in una piattaforma digitale.
Molte piattaforme digitali si stanno muovendo verso un modello di business “multi-
sided78”.
La pubblicità come unico mezzo per monetizzare i dati nelle piattaforme digitali possiede
anche dei limiti che dipendono dal comportamento e dalle aspettative dei consumatori.
I consumatori non vogliono essere ingaggiati dalla pubblicità in tutta la loro attività
online; infatti, durante alcune attività online, quali ad esempio le chat appaiono essere
spazi poco consoni per inserire banner (annunci online) di inserzionisti.
Oggi in internet il posizionamento di annunci è diventato un’attività molto sofisticata
che viene ottimizzata grazie a dati provenienti dalle precedenti ricerche e da determinati
profili utente79.
Un grande successo in questa attività è stato ottenuto da Pinterest, un social network
basato sulla condivisione di fotografie, video ed immagini che permette agli utenti di

78
https://www.collinsdictionary.com/dictionary/english/multisided : having several sides or aspects.
79
Walker, op. cit., pp. 136-142

67
creare bacheche in cui catalogare le immagini comunemente presenti nelle pagine web
in base a temi predefiniti, o da loro generati, dove le persone possono condividere
prodotti, servizi e anche destinazioni che gli interessano80.
Pinterest grazie alla creazione di profili, raccoglie dati sugli amici “preferiti” dei suoi
utenti che rappresentano una grande opportunità per abilitare annunci o link di siti di
vendita mirati.
Tuttavia, questa raccolta di dati presenta delle restrizioni ovvero è limitata agli utenti
che hanno postato fotografie, video e immagini.
Anche Facebook e molti altri social network hanno creato modelli di pubblicità collegati
agli “amici virtuali” per cui un determinato annuncio viene visualizzato perché a un
“amico” piace o lo raccomanda.
Tutto questo si riflette di conseguenza in una personalizzazione degli annunci, la
strategia di monetizzazione in questo caso come precedentemente osservato dovrebbe
renderli rilevanti per gli utenti sfruttando la diffusione di dati gratuiti per attirare
l’attenzione dei consumatori.
Nel caso di Google, la natura del Data Product (ovvero la ricerca) offerto gli ha consentito
di ottenere l’abilità di sviluppare infiniti modelli di pubblicità.
Per le piattaforme digitali che producono e distribuiscono Data Product più specializzati,
invece, le possibilità di pubblicità sono più ristrette.
Questa specializzazione dovrebbe, tuttavia, condurre al fatto che gli utenti siano più
incentivati ad iniziare una conversazione o addirittura una transazione su quel tipo di
prodotto o servizio.
Essa, infine, richiede l’utilizzo dei dati per creare una maggiore intesa tra gli utenti e gli
annunci relativi al tema di specializzazione che vengono offerti; spesso queste
piattaforme digitali specializzate si dotano si servizi premium.
Con le piattaforme digitali dei quotidiani, invece, che sperimentano modelli di business
“multi-sided” nei quali i servizi premium e la pubblicità (annunci) coesistono, il ruolo dei
dati assume ancora più rilevanza.

80
https://it.wikipedia.org/wiki/Pinterest

68
L’obbligo degli annunci di essere rilevanti è ancora più alto vista la varietà dei temi
trattati.
Gli utenti che pagano per servizi premium potrebbero tollerare gli annunci solo nel caso
che questi completino l’esperienza di utilizzo della piattaforma e/o aggiungano valore
alla condivisione di dati.
Più le piattaforme digitali diventano specializzate, più la pubblicità funge da
completamento ad altre strategie di monetizzazione principali.
I dati sui clienti e altri dati derivati dalle piattaforme digitali sono importanti per definire
il posizionamento e la tipologia di spazi pubblicitari.
Un altro esempio di successo di sfruttamento di dati specializzati per la pubblicità è
quello del social media LinkedIn, che si è focalizzato sui lavoratori professionisti e sulle
loro carriere.
Gli annunci su LinkedIn sono più o meno relativi alle ricerche di carriera e di formazione.
Essi sono in molti casi indistinguibili dagli altri Data Product presenti, come i dati del
network di una persona, articoli e post.
Inoltre, essi assumono particolare rilevanza per gli utenti grazie alla natura specializzata
di questa piattaforma digitale; questo comporta l’utilizzo di una strategia focalizzata sul
modo e sul tempo di diffusione degli annunci e, soprattutto, sulla spinta verso l’adozione
di un servizio premium con sottoscrizione di un abbonamento.
L’inserzionista fornisce alle piattaforme digitali un flusso di ricavi, in cambio del
posizionamento di un annuncio che, tuttavia, deve essere monitorato fornendo
informazioni sui tassi di “click-through”, sui comportamenti dei consumatori, e
informazioni demografiche per attuare azioni di marketing mirate.
Questo richiede una funzione analitica addizionale ai proprietari delle piattaforme
digitali, volte all’ottimizzazione del posizionamento degli annunci, attraverso la
creazione di nuovi Data Product/Service (es. Google Analytics)81.
I benefici che derivano dallo sfruttare gli annunci pubblicitari nella strategia di
monetizzazione dei dati sono la riduzione dei costi per l’utilizzatore finale e l’aumento
del numero di utenti della piattaforma digitale.

81
Walker, op. cit., pp. 143-144

69
Raggiungere rapidamente la dimensione nei dati è stato l’obiettivo di quasi tutte le
piattaforme digitali che hanno implementato queste strategie.
Più persone significa più potenziali annunci e più dati. Il costo delle piattaforme digitali
può inglobare grandi economie di scala: più gli users aumentano, più i costi marginali
decrescono.
Si può rappresentare il business delle piattaforme digitali come una “gara”,
specialmente se esse competono fornendo lo stesso Data Product.
Essere il secondo miglior social network o il secondo motore di ricerca porta a enormi
differenze di profitti rispetto al primo, causate dalla riduzione del valore della pubblicità.
Se raggiungere il massimo o il meglio non è possibile, allora è meglio specializzarsi.
Una strategia di advertisement su una piattaforma digitale deve considerare la
dimensione (scala) dei dati come elemento essenziale, tuttavia anche la velocità e la
precisione sono caratteristiche importanti utili a sfruttare a pieno le opportunità di
comunicazione; a seconda del grado di velocità e di precisione si rendono disponibili
diverse offerte pubblicitarie.

FIGURA 2. Advertisement strategies on digital platforms given differing levels of

precision in velocity in data.
Fonte: Walker R., “From Big Data to Big Profits. Success with Data and Analytics”, 2015,
Oxford University

70
 2.4.1.1. AMPLIARE LA AWARENESS (bassa precisione e bassa velocità
dei dati) – advertisement strategy for broad awareness (low precision
and low velocity data).
L’opportunità di attivare comunicazioni efficaci verso un pubblico esteso quando la
tempestività e la precisione nei dati non sono realizzabili può essere alquanto prezioso.
Le campagne pubblicitarie con lo scopo di aumentare la Brand Awareness82 sono le più
adatte per questa tipologia di Data Product poco veloci e poco precisi.
Gli annunci riguardo a nuovi film o a nuovi brand, ad esempio nei quotidiani online, sono
esplicativi in questo senso.
L’opportunità di promuovere, in questi casi, non è guidata né da una specifica azione dei
consumatori, né da una limitata finestra temporale di opportunità e quindi in questo
contesto le possibilità di advertisement efficaci allo scopo non sembrano perdere di
valore nel tempo.
Un grande valore che le piattaforme digitali possono apportare a questa strategia è un
Data Product che misura il numero di utenti che vedono un determinato annuncio.
Per molti siti e molte piattaforme mobile, è possibile tracciare la distribuzione degli
Indirizzi IP e individuare la posizione fisica degli utenti.
Questa misurazione, sebbene estesa e generale, può fornire agli inserzionisti importanti
informazioni per capire il grado di conoscenza (Awareness) conseguita dagli annunci.
Per attuare in modo efficiente questa strategia, la piattaforma digitale dovrebbe:

1- Garantire l’accesso ad un gran numero di utenti;

2- Fornire agli inserzionisti dei report relativi al numero di persone che sono state
raggiunte dall’annuncio;
3- Implementare, inoltre, una raccolta di dati passiva per individuare caratteristiche
ulteriori dei viewers, come ad esempio la loro posizione.

82
http://www.microsofttranslator.com/bv.aspx?ref=SERP&br=ro&mkt=it-
IT&dl=it&lp=EN_IT&a=http%3a%2f%2fwww.investopedia.com%2fterms%2fb%2fbrandawareness.asp :
Brand awareness è la probabilità che i consumatori riconoscono l'esistenza e la disponibilità del
prodotto o del servizio di un'azienda. Creare consapevolezza del marchio è uno dei passaggi chiave nella
promozione di un prodotto. Consapevolezza del marchio è particolarmente importante quando il lancio
di nuovi prodotti e servizi; e per una società a differenziare i prodotti e servizi simili dai suoi concorrenti.

71
Benché le attività di marketing si stanno evolvendo in forme sempre più mirate,
persistono ancora grandi necessità di questa tipologia di comunicazione nel mercato.
Raggiungere un ampio audience è difficile oggigiorno per via della frammentazione dei
media e dell’intensa focalizzazione delle maggiori imprese sul marketing targettizzato.
Grandi piattaforme digitali come i quotidiani online, e anche social network sono
candidati ideali per adottare questa strategia di monetizzazione quando precisione e
velocità nei dati sono basse.83

2.4.1.2. ADVERTISING STRATEGY FOR TIME-SENSITIVE

DECISIONS (HIGH VELOCITY IN DATA)
Vi sono situazioni in cui il valore di un’opportunità pubblicitaria dipende dalla decisione
che il consumatore deve prendere in un determinato momento, come decidere di fare
un acquisto, o entrare in un negozio nelle vicinanze, o la ricerca online di una parola in
un browser.
Ognuna di queste decisioni ha una scadenza implicita, che determina la durata della
finestra di opportunità di comunicazione che si viene a creare.
Per sfruttare queste opportunità, sono necessari dei Data Product che permettono una
rapida implementazione dell’annuncio e che rivelano il momento critico di inizio del
processo di decisione del consumatore.
Le strategie di pubblicità che si focalizzano sullo sfruttamento di queste finestre di
opportunità necessitano di “Fast Data”, ovvero si concentrano maggiormente su cosa
ha fatto e sta facendo un consumatore e meno su chi è il consumatore e sul suo profilo.
In questo senso la Search Engine Optimization (SEO)84, che permette all’inserzionista di
adattare le comunicazioni in base alla parola cercata, ne è un esempio.

83
Walker, op. cit., pp. 145-146
84
http://www.webopedia.com/TERM/S/SEO.html : SEO is short for search engine optimization. Search
engine optimization is a methodology of strategies, techniques and tactics used to increase the amount
of visitors to a website by obtaining a high-ranking placement in the search results page of a search
engine (SERP) — including Google, Bing, Yahoo and other search engines.

72
Si consideri la piattaforma digitale Foursquare85, che capisce quello che piace agli utenti
e li conduce nei posti che preferiscono.
I dati raccolti relativamente ad un utente sono utili con riferimento a due dimensioni il
tempo e lo spazio.
Si supponga che un consumatore si sia registrato tramite social network in un ristorante.
Il ristorante potrebbe offrirgli un coupon come incentivo a far spendere di più al cliente,
per esempio uno sconto sulla bottiglia di vino.
Questo coupon rappresenta un’opportunità per il ristorante che assume molto valore
solamente nel tempo in cui il cliente si trova al suo interno.
Al contempo, un ristorante concorrente dall’altra parte della strada è interessato a
invogliare il cliente a visitare il suo locale.
Questo ristorante avrà bisogno di posizionare un annuncio velocemente, ovvero prima
che il cliente entri in un altro ristorante quindi l’annuncio dovrà essere indirizzato da ciò
che il consumatore ha fatto (o che presto farà) e meno dal suo profilo.
La piattaforma digitale per quanto riguarda il servizio offerto da Foursquare, ovvero
fornire tempestivamente suggerimenti ai consumatori sulla base delle loro preferenze,
deve essere capace di:

1- Rilevare il “Trigger Event” che rappresenta l’evento iniziale del processo

decisionale dell’utente. Focalizzarsi su una raccolta di dati tipicamente attiva e
identificare quale azione sta per avvenire più che chi la sta svolgendo;
2- Fornire agli inserzionisti dei Data Product o Service che gli consentano di
interfacciarsi con il consumatore nel momento più appropriato e in modo
automatico;
3- Supportare i Data Product nella consegna effettiva dell’annuncio al
consumatore;
4- Rendere disponibili all’inserzionista dei report che presentino i feedback
riguardanti il valore dell’annuncio.

85
https://it.foursquare.com/about : Foursquare è una società tecnologica che sfrutta l'intelligence
geografica per creare esperienze dei clienti e soluzioni aziendali utili.

73
Nel caso di Foursquare il cosiddetto Trigger Event, ovvero l’evento che innesca l’azione
del consumatore di entrare in un ristorante e di mangiare un pasto, può essere generato
dall’attivo login del consumatore sul sito Foursquare, ma anche da azioni veicolate
tramite misurazioni passive del luogo in cui si trova un determinato utente.
Foursquare per fare ciò ha sviluppato una serie di Data Product che permettono ai
ristoranti di inviare messaggi contenenti buoni sconto al consumatore con un processo
automatico non appena quest’ultimo si trovi in una specifica posizione.
I Data Product forniti devono permettere all’inserzionista di selezionare e controllare
quando e quanto spesso devono essere inviati questi messaggi.
Per esempio, i coupon durante le ore più intense non sono utili al ristorante come nelle
ore che lo sono meno.
Foursquare, inoltre, possiede anche dati sulle caratteristiche dei consumatori che per
utilizzare i suoi servizi devono effettuare una registrazione al sito.
Attraverso queste registrazioni gli è inoltre consentita una sorta di riconoscimento dei
consumatori che risulta molto utile quando essa viene incrociata con i dati di
posizionamento permettendo di raggiungere risultati migliori nell’azione di
comunicazione mirata.
Le piattaforme digitali, per attuare questa strategia, devono esse abili nel creare annunci
tempestivamente, per questo motivo si rendono necessarie infrastrutture avanzate.
Infine la piattaforma digitale di Foursquare dovrebbe fornire all’inserzionista, ristorante,
un report relativo alle visualizzazioni dei messaggi mandati ai consumatori, il numero di
coloro che hanno accettato il coupon, il numero dei consumatori ripetuti, e delle
metriche per mostrare in modo oggettivo i risultati.
Questo report è fondamentale poiché, se non vi fosse, potrebbe risultare difficile
collegare l’annuncio, inviato tramite messaggio, a un comportamento specifico del
consumatore o a una specifica transazione.
Per Foursquare e i suoi inserzionisti, l’opportunità è limitata dal tempo perché
solamente il consumatore che si trova in un determinato momento (presumibilmente

74
nelle ore di pranzo e cena) e in uno specifico luogo avrà piacere nel ricevere uno
specifico coupon.
In concreto, per cogliere le opportunità di comunicazione pubblicitaria in questo
contesto non basta che i dati abbiano una scala elevata ma è necessario che vi sia
tempestività nell’attuazione dell’azione.
Un caso simile è Yelp86; quando un consumatore è in cerca di un fornitore di servizi può
utilizzare Yelp, quando attua la ricerca esso innesca un trigger event che può essere
individuato attraverso la raccolta attiva dei dati sulla piattaforma digitale.
Questa opportunità di individuare il trigger event è molto importante per Yelp e per gli
inserzionisti che forniscono prodotti collegati al servizio che è stato cercato.
Il consumatore ha iniziato un processo decisionale e Yelp si trova nella posizione di
rilevarlo, offrendo tempestivamente un “advertisement opportunity” e un Data Product
che effettua un’analisi post-annuncio, monetizzando in questo modo i dati a sua
disposizione.
Le opportunità, come già osservato, in questo caso sono generate dal tempismo
nell’identificazione di un trigger event e nella consegna del messaggio pubblicitario.
Gli analytics, utili a fornire un’analisi successiva all’annuncio si rendono necessari per
misurare le performance degli utenti e il tasso di assorbimento dell’annuncio.

2.4.1.3. ADVERTISING STRATEGY FOR PRODUCTS OR SERVICES

ALIGNED WITH CUSTOMER (HIGH PRECISION IN DATA)
Quasi tutte le piattaforme online hanno sviluppato la capacità di raccogliere e di
interpretare dati sui propri utenti, spesso, utilizzandoli per sfruttare opportunità
pubblicitarie, come è stato osservato.

86
https://en.wikipedia.org/wiki/Yelp : Yelp is an American multinational corporation headquartered in
San Francisco, California. It develops, hosts and markets Yelp.com and the Yelp mobile app, which publish
crowd-sourced reviews about local businesses, as well as the online reservation service Yelp Reservations
and online food-delivery service Eat24. The company also trains small businesses in how to respond to
reviews, hosts social events for reviewers, and provides data about businesses, including health inspection
scores.

75
Questo processo di marketing targettizzato, ha modificato il modo di posizionare gli
annunci online.
È importante capire che spesso non è possibile congiungere la precisione nei dati e la
tempestività degli annunci.
Nel caso di un’opportunità di advertisement limitata ad un determinato arco temporale,
c’è l’urgenza nel raggiungere il consumatore; le attività dell’azienda devono focalizzarsi
sull’azione così come su cosa il consumatore ha fatto recentemente e su quello che farà
in futuro.
Per quanto riguarda le opportunità di marketing targettizzate, invece, lo sfruttamento
dei dati è più simile a una relazione duratura nella quale l’opportunità di interagire con
il consumatore e di influenzarlo raggiunge un’accezione più ampia, ovvero essa non si
limita a una transazione imminente.
Questo tipo di relazioni, solitamente, fanno affidamento a dati che derivano dai
contenuti che il consumatore ha condiviso sui social media o su altri siti online.
Processare ed interpretare questo tipo di dati può richiedere tempo e il loro efficiente
utilizzo necessita che si realizzino molteplici interazioni nelle quali vengano presentate
differenti offerte al consumatore.
I dettagli condivisi dal consumatore come ad esempio i suoi interessi e aspirazioni non
cambieranno presumibilmente nell’arco di alcuni minuti.
Per questo motivo, invece di sfruttare gli analytics per l’individuazione di opportunità
fugaci, essi dovranno focalizzarsi nel cogliere le varietà di sfumature contenute nei dati
riguardanti il comportamento dei consumatori.
Questo processo richiede un approccio analitico sofisticato. L’operatore della
piattaforma digitale è spesso nella posizione migliore per utilizzare metodologie di
analisi con lo scopo di capire quali profili di consumatori e quali loro comportamenti
sono da ritenere più importanti per gli inserzionisti.
Siccome i dati possono assumere differenti sfaccettature, gli inserzionisti, per
raggiungere e influenzare gli utenti, dovranno implementare una serie di messaggi
diversi a seconda delle specifiche aspettative di ognuno.

76
Nel confrontarsi con queste opportunità generate dall’elevata precisione nei dati, la
piattaforma digitale dovrebbe:

1- Adottare strumenti analytics che sfruttano i dati dei clienti per consentire agli
inserzionisti azioni di marketing targettizzato;
2- Assistere gli inserzionisti con strategie di pubblicità ottimali, in base ai loro
obiettivi e ai loro prodotti;
3- Incoraggiare e agevolare un approccio “continuative-ongoing” per raggiungere i
consumatori;
4- Fornire metriche volte a dimostrare il valore delle azioni di marketing
targettizzato implementate e raccomandare ulteriori strategie pubblicitarie.

In questi casi la piattaforma digitale si trova in una posizione ideale per consigliare
l’inserzionista riguardo alle migliori tipologie di consumatori da “colpire” e di messaggi
da creare, con l’obiettivo di veicolare con successo l’annuncio.
Per fornire queste raccomandazioni è necessario un insieme di metriche di performance
e un portafoglio di Data Product basato sulle capacità della piattaforma digitale che
dovrebbe consentire agli inserzionisti di raggiungere specifici obiettivi.
È molto importante che l’operatore della piattaforma digitale sia capace di fornire
un’analisi molto dettagliata circa le performance del messaggio dell’inserzionista.
Le opportunità fornite da questa tipologia di marketing targettizzato sono più numerose
nei social media.
In questo tipo di piattaforme digitali, i consumatori offrono una grande quantità di
informazioni su sé stessi che non cambiano rapidamente nel tempo.
Le azioni di un marketing targettizzato su questi siti forniscono grandi opportunità per
incrementare la Brand Awareness e la Brand Affinity87.

87
www.brandtoolbox.com/brand-affinity-dont-squander-it/ : Brand affinity is the most enduring and
valuable level of customer relationship and is based on the mutual belief that the customer and the
company share common values. It's the highest, most durable kind of customer loyalty, one that breeds
unshakable trust in the relationship.

77
Per esempio, un social network come Facebook può identificare, attraverso i dati in suo
possesso, quali utenti preferiscono la Diet Coke e quali la Regular Coke.
Questo, ad esempio, risulta utile per le imprese che stanno lanciando un nuovo prodotto
dietetico.
La personalizzazione degli annunci pubblicitari può assumere infinite dimensioni.
Un’impresa può generare un annuncio personalizzato per ogni consumatore, basato sui
dati di cui dispone relativi ad esso.
Nel caso di Pinterest, invece, sorgono anche problemi di urgenza nell’azione di
advertisement; gli utenti postano contenuti riguardo a quello che desiderano fare in un
futuro più o meno prossimo.
Questo è molto utile per ristoranti, agenzie di viaggi e hotel, che potrebbero, sfruttando
i dati di Pinterest, sapere quali utenti sono interessati a un viaggio a Machu Pichu
indirizzandogli messaggi mirati e personalizzati.88
Nello stesso modo anche un retailer di vestiti potrebbe interagire con i consumatori che
hanno postato i loro prodotti preferiti su Pinterest, sviluppando con essi una relazione
continuativa.
I vantaggi di questa strategia aumentano se ad essa si aggiungono delle azioni volte a
creare una relazione continuativa con il consumatore.

88
Walker, op. cit., pp. 147-149

78
 2.4.1.4. ADVERTISING STRATEGY FOR PRODUCTS OR SERVICES
ALIGNED WITH CUSTOMER AND TIME-SENSITIVE (HIGH
PRECISION, HIGH VELOCITY IN DATA)
Quando l’elaborazione dei dati è focalizzata sull’alta precisione e sull’alta velocità è
necessario combinare le abilità di rich data89 e fast data90 mining.
Si consideri il caso in cui un consumatore sta per prendere una decisione di acquisto,
attraverso la conoscenza del profilo virtuale di questo e della finestra temporale entro
cui agire l’impresa può aumentare di molto le probabilità di vendita.
Cogliere questa opportunità attraverso un annuncio o un’altra azione di marketing
richiede un processo analitico tempestivo focalizzato sulle caratteristiche dei
consumatori in modo dettagliato.
Per implementare questa strategia è necessario:

1- Rilevare il Trigger Event per capire la durata temporale della finestra di

opportunità;
2- Fornire all’inserzionista un Data Product che elabora i dati e agisce in modo
automatico;
3- Implementare strumenti di Big Data Analysis che elaborino i dati del
consumatore con l’obiettivo consentire azioni di marketing targettizzato agli
inserzionisti;
4- Assistere gli inserzionisti consigliando strategie pubblicitarie ottimali in base ai
loro prodotti e obiettivi;
5- Fornire metriche che misurino il valore delle attività marketing targettizzato
implementate, in modo da raccomandare successive strategie di comunicazione.

89
www.webinknow.com/2013/11/big-data.html : Rich data is used in sales and marketing departments
to analyze website traffic and click activity, search engine word and phrase patterns, and social media
streams all in real time. Making sense of this massive amount of data can be used develop strategies to
grow revenue. Data, data everywhere.
90
https://www.voltdb.com/why-voltdb/big-data/ : Fast data is fundamentally different from Big Data in
many ways. Big Data is most typically data at rest, hundreds of terabytes or even petabytes of it, taking
up lots of space on disk drives. Fast data is data in motion.

79
Gli esempi che meglio rappresentano questa situazione di dati ad altra velocità e
precisione sono le più grandi piattaforme digitali, come Amazon e Ebay91.
Il consumatore che cerca un prodotto su Amazon e Ebay rappresenta un chiarissimo
trigger event.
La pubblicità solitamente, nel caso di Amazon e Ebay, assume la forma di una
raccomandazione di prodotti, sebbene è possibile trovare anche banner92.
Le raccomandazioni per essere generate sfruttano analytics gestiti direttamente dalle
piattaforme digitali.
L’elaborazione di dati ad alta velocità richiede una reazione tempestiva e la loro elevata
precisione necessita di un approccio analitico avanzato.
Entrambe queste necessità sono difficili da soddisfare per un inserzionista esterno, per
questo motivo è fondamentale per i business di Amazon e Ebay, e per quelli di molte
altre piattaforme digitali, fornire essi stessi questi servizi ai commercianti.
Gli analytics implementati spesso possiedono raccomandazioni pre impostate, questo
gli permettere di avere migliori tempi di risposta utili per via dell’urgenza che dipende
dal tempo di ricerca dei consumatori e dal tempo di permanenza sul sito.
Amazon e Ebay, inoltre, possiedono dati storici su acquisti, ricerche e recensioni di
prodotti che formano grandi e importanti data set relativi ad ogni specifico utente;
questo gli consente di ottimizzare il posizionamento dei prodotti e degli annunci sui
propri siti.
Twitter93 è un altro esempio di come gli analytics vengono utilizzati sui dati in modo
tempestivo e preciso.

91
https://en.wikipedia.org/wiki/EBay : eBay Inc. is a multinational e-commerce corporation, facilitating
online consumer-to-consumer and business-to-consumer sales. It is headquartered in San Jose,
California. – www.ebay.com
92
https://it.wikipedia.org/wiki/Banner : La parola inglese "banner" significa letteralmente bandiera,
vessillo o striscione. Il banner è una delle forme pubblicitarie più diffuse su internet ed è una strategia di
marketing definita "online marketing promotion". Questa forma di messaggio promozionale consiste
nell'inserire un annuncio su una pagina web.
93
https://en.wikipedia.org/wiki/Twitter : Twitter is an online news and social networking service where
users post and interact with messages, "tweets", restricted to 140 characters. Registered users can post
tweets, but those who are unregistered can only read them. - https://twitter.com/Twitter

80
Le condivisioni successive alla prima relative ai contenuti postati (tweets) da parte degli
utenti di Twitter è come se fossero esse stesse un annuncio pubblicitario, che conduce
a maggiori opportunità di monetizzazione.
Gli utenti condivideranno maggiormente le informazioni più rilevanti per questo motivo
la promozione dei tweets deve essere eseguita in modo preciso sulla base degli specifici
interessi dei consumatori e anche implementata rapidamente in modo da ottenere il
risultato migliore.
Il principale obiettivo di Twitter è avere un sempre più ampio bacino di utenze, poiché
grazie ad esso si forma un processo “self-serving”, ovvero più vi sono utenti sulla
piattaforma digitale più si aggiungeranno utenti addizionali con conseguente aumento
del tempo speso su di questa e dei ricavi.
È quindi necessario che Twitter processi i dati raccolti focalizzandosi sulla precisione e
sulla velocità, esattamente come nei casi di Amazon e Ebay affrontati precedentemente.
Processare i dati in modo tempestivo ottenendo al contempo informazioni precise
richiede un ambiente tecnologico altamente sviluppato.
Questo significa disporre di team di specialisti che creano algoritmi in grado di
processare i dati in tempo reale.
È difficile che questo tipo di elaborazioni dei dati vengano delegate all’esterno della
piattaforma digitale.
Pertanto la responsabilità di “Analytics falls” è esclusivamente dell’operatore della
piattaforma digitale, e non dei consumatori, fornitori o di terze parti.
Per quanto riguarda Amazon e Ebay l’analisi dei dati dei consumatori è focalizzata ad
aumentare l’utilizzo e/o gli acquisti dei consumatori.
Per raggiungere questi obiettivi essi devono essere capaci di implementare offerte, in
tempo reale, basate sui comportamenti passati e recenti dei consumatori.
L’importanza degli analytics in questo processo è elevata e per questo motivo il
proprietario della piattaforma digitale è in una posizione dominante rispetto agli altri
attori del mercato; egli potrebbe indirizzare l’analisi verso l’ottimizzazione dei suoi
obiettivi e/o nel guidare il cliente verso offerte specifiche.

81
Ciononostante, la piattaforma digitale esiste grazie alla propositiva partecipazione di
commercianti e inserzionisti, si rende quindi necessario tenere in considerazione i loro
interessi per mantenere la piattaforma digitale in vita e attraente per i consumatori.
Per superare questo potenziale conflitto di interessi, gli operatori delle piattaforme
digitali consentono ai venditori l’opportunità di posizionare annunci in base al
comportamento del consumatore attraverso uno specifico Data Product.
I Data Product, creati dall’operatore della piattaforma digitale per i commercianti
fungono da servizi, e per il loro utilizzo possono essere richieste delle commissioni
aggiuntive94.
Non sorprende, quindi, che Ebay e Amazon siano in possesso di tali Data Product che gli
consentono di generare maggiori ricavi.
Il proprietario della piattaforma digitale deve, infine, controllare e regolare questa
vendita di opportunità promozionali consentite dagli analytics per evitare conflitti di
interessi.

94
Walker, op. cit., pp. 150-151

82
3. BIG DATA MARKETING
Per chi si occupa di marketing, è pragmaticamente utile definire il fenomeno dei «big
data», perché esso sta influenzando questa funzione aziendale in modo rivoluzionario.
Il fenomeno dei big data, secondo alcuni, è rappresentabile come un campo di pratiche
che non è definito “da”, ma è generativo “di” nuove qualità dei dati, come i grandi
volumi, la granularità e le complesse analytics (quali ad esempio il data mining)95.
In sintesi il nostro mondo è «oggi aumentato, monitorato e regolato da densi
agglomerati di infrastrutture e tecnologie in grado di produrre e processare dati»96.
Definire big data «un campo di pratiche» fa venire alla luce e insiste sulla reciprocità di
relazione tra tecnologia e società umana, che è la prospettiva che meglio si adatta ad
analizzare le complessità e la continua trasformazione degli ecosistemi socio-tecnici che
creiamo e nei quali viviamo.
Si può, inoltre, definire big data come un termine che identifica una fase o un’era in cui
sono centrali i dati utilizzati e le nuove logiche di analisi, ma non una singola tipologia
tecnologica97.
La società di ricerche Gartner, ha deciso di non considerarlo più come singolo fenomeno
da monitorare, bensì di rappresentarlo come un cambiamento ormai pervasivo di cui si
può monitorare l’evoluzione al livello delle singole tecnologie che lo rendono rilevante
(per esempio, il machine learning98).
Molti autori invitano a considerare il particolare impatto trasformativo delle nuove
logiche e metodologie di utilizzo di questi dati.

95
Mandelli (2017), op. cit.
96
Kitchin R., Lauriault T. (2015), “Small data in the era of big data”, Geo Journal, 80 (4), p.465
97
Weinberg B.D., Davis L., Berger P.D. (2013), “Perspectives on big data”, Journal of Marketing Analytics,
1(4), p. 187
98
https://www.sas.com/en_us/insights/analytics/machine-learning.html; Machine learning is a method
of data analysis that automates analytical model building. It is a branch of artificial intelligence based on
the idea that machines should be able to learn and adapt through experience.

83
Stiamo parlando di algoritmi e sistemi software che adottano l’approccio esplorativo e
predittivo del data mining, del machine learning e delle predictive analytics 99 per
interpretare i dati, modellizzare i comportamenti e indirizzare (o automatizzare) le
decisioni delle organizzazioni, dal dato al modello e dal modello alla decisione,
all’interno di un framework epistemologico basato sull’abductive reasoning100 di Pierce.
La rilevanza dei big data per il business più in generale è stata analizzata ed
empiricamente osservata da studi sia quantitativi sia basati su case study nella
letteratura più recente.
Il Journal of Business Research ha recentemente dedicato un numero speciale
all’argomento, anticipato a fine 2016, che contiene ricerche che hanno esplorato, da
diverse prospettive, le potenzialità e l’impatto sul business di queste nuove
tecnologie101.
Côrte-Real, Oliveira e Ruivo hanno intervistato 500 aziende europee; i loro risultati
mostrano come l’uso dei big data possa creare organizational agility e avere impatto
significativo sul vantaggio competitivo (mediato proprio dalla nuova adattività
organizzativa)102 .
Nel contempo, Watson attraverso uno studio su 179 aziende ha invece riscontrato che
chi ha adottato processi data-driven ha una produttività più alta del 5-6 per cento103, in
linea con le ricerche precedenti svolte a MIT Sloan Management School, che avevano
rilevato che le aziende con performance di business migliori si caratterizzavano per un
utilizzo particolarmente alto di dati e analytics (non necessariamente big data)104.

99
https://www.sas.com/en_us/insights/analytics/predictive-analytics.html: Predictive analytics is the
use of data, statistical algorithms and machine learning techniques to identify the likelihood of future
outcomes based on historical data. The goal is to go beyond knowing what has happened to providing a
best assessment of what will happen in the future.
100
http://www.businessdictionary.com/definition/abductive-reasoning.html : The type of reasoning
whereby one seeks to explain relevant evidence by beginning with some commonly well known facts
that are already accepted and then working towards an explanation.
101
Mandelli (2017), op. cit.
102
Côrte-Real B., Oliveira T., Ruivo P.(2017), “Assessing business value of big data analytics in European
firms”, Journal of Business Research, 70, pp. 379
103
Watson H.J. (2014), “Big data analytics: Concepts, technologies and applications”, Communications of
the Association for Information Systems, 34(65), p. 1247
104
La Valle S. et al. (2010), «Big Data, analytics, and the path from insights to value», MIT Sloan
Management Review, sloanreview.mit.edu, 21 December.

84
L’approccio con cui è affrontato questo tema nella letteratura di management è
prevalentemente centrato sull’impatto dei big data nei processi decisionali e nella
riorganizzazione della supply chain, e la capacità dell’impresa di far leva su queste nuove
risorse per rispondere al meglio alle aspettative e turbolenze dei mercati.
Nella letteratura di marketing i big data, invece, sono studiati soprattutto per capire
come le nuove risorse di conoscenza e le big data analytics cambino il modo di fare
ricerca di marketing e supportare, attraverso tale conoscenza, il marketing manager
nelle sue decisioni.
Dato quanto detto sull’utilizzo dei Big Data si può arrivare a capire in cosa consiste il Big
Data Marketing.
Questo tema è discusso in letteratura di marketing, sia accademica sia practitioner.
Il big data marketing non è visto come ambito specialistico all’interno del marketing,
bensì come nuovo marketing, che è parte dei processi di trasformazione del nostro modo
di fare business nell’economia digitale, anch’essa in costante evoluzione105.
Nel testo The New Marketing Analytics (2016), Dirks e Koechlein sostengono che gli
obiettivi che il Marketing Manager deve perseguire con il big data marketing sono:
aumentare la customer acquisition e diminuirne i costi; diminuire il churn (tasso di
abbandono); aumentare la profittabilità del cliente; migliorare il prodotto e servizio
offerto.
I big data sono interpretati e praticati come tool da utilizzare per fare meglio quello che
abbiamo sempre fatto. Non a caso è opinione degli autori che il marketing non cambi
con i big data, poiché esso continua a riguardare lo sviluppo di campagne per fare in
modo che i potenziali clienti pensino al prodotto dell’azienda in modo differenziato
rispetto alla concorrenza e lo scelgano; poi, diventa una questione legata a quanto si è
in grado di mantenere questi clienti fedeli nel tempo e, se possibile, aumentare il volume
di affari (cross-selling) con ognuno di loro106
Questo approccio sembra in linea con l’invito del Marketing Science Institute107 a
studiare le nuove modalità di modellizzazione della realtà nelle società complesse, ma

105
Mandelli (2017), op. cit.
106
Dirks D., Koechlein F. (2016), The New Marketing Analytics, Velocity Marketing Analytics. p.170
107
Marketing Science Institute (2016)

85
anche il cambiamento nei processi decisionali e il nuovo management dell’esperienza
real-time e contestualizzata, e a elaborare un framework per comprendere cosa
vogliano dire innovazione e strategia in questa fase di innovazione radicale del business
making.
Dobbiamo capire come fenomeni quali lo sviluppo e disponibilità della rete Internet,
accessibile sia da fisso sia da mobile, l’inglobamento di intelligenza e computation negli
oggetti della vita quotidiana (dalle automobili agli elettrodomestici) e nelle macchine
connesse in rete (la parte più industriale dell’Internet of Things), l’innovazione nel design
dei database, le nuove piattaforme di interazione e collaborazione, lo sviluppo delle
transazioni online e omnichannel, la possibilità di integrare le interfacce materiali e
virtuali attraverso augmented o mixed reality, e i nuovi algoritmi potenziati
dall’intelligenza artificiale, facciano la loro parte in un nuovo modo di conoscere e creare
senso nell’organizzazione della nostra vita collettiva108.

3.1. FATTORI ABILITANTI

Per capire meglio le trasformazioni in corso nel mondo di chi fa marketing e business è
utile soffermarsi sul contesto e sugli scenari di innovazione tecnologica nei quali queste
trasformazioni si inseriscono e indagare il modo in cui i cambiamenti e il contesto si
influenzano reciprocamente. Punto di partenza è prendere atto della diffusione globale,
non immaginabile fino a pochi anni fa, di Internet.
La rete è diventata mainstream, un vero e proprio standard per comunicare e accedere
a strumenti di computing, contenuti e risorse, persino in parti del mondo dove
scarseggiano altri servizi legati in maniera più immediata ed elementare alla qualità della
vita individuale e sociale109.
Oggi tramite Internet è possibile raggiungere, in modi diversi, quasi metà della
popolazione globale (Figura 3). Circa due miliardi e mezzo di utenti usano i social media:

108
Mandelli (2017), op. cit.
109
Mandelli (2017), op. cit.

86
di questi quasi due miliardi via mobile. Lo smartphone è la tecnologia più velocemente
adottata di sempre e i tassi di crescita più alti sono in India e Cina110.

Figura 3. La diffusione di Internet e del social mobile nel mondo (2016).

Fonte: S. Kemp, Digital in 2016, We Are Social, 2016. Si ringrazia per l’autorizzazione
alla riproduzione.

3.1.1. INTERNET OF THINGS

Le nuove generazioni usano estensivamente i social media: in particolare, oltre a
Facebook, nuove piattaforme basate sullo scambio di visual (immagini e video) come
Snapchat e/o di messaging e incontro veloce, soprattutto in mobile.
L’evoluzione dei servizi disponibili su Internet ha cambiato radicalmente la natura di
molte delle attività di consumo ed economiche tradizionali. Il retail e-commerce globale
oggi vale circa 2 miliardi di dollari111.

110
KPCB(2016), Internet Trends Report, www.kpcb.com, June
111
Anche in Italia l’e-commerce è finalmente partito e sta cominciando a influenzare cambiamenti in
molti settori. Secondo gli Osservatori del Politecnico di Milano, l’e-commerce in Italia nel 2016 valeva
circa 20 miliardi di euro, con una crescita annuale del 18 per cento: Osservatori.net (2016)

87
Il digitale ha anche avuto un grande impatto sul mondo dei contenuti, che sono fruiti
sempre più in modalità non lineare, visual e in streaming live.
Nel 2015 sono state scambiate il doppio di foto rispetto al 2014, la metà su piattaforme
Facebook. Le audience televisive tradizionali stanno trasformandosi in pubblici e utenti
di servizi più complessi e digitali: stanno abbandonando i canali broadcasting con la loro
programmazione lineare e oraria a favore di una «TV a qualunque ora e in qualunque
luogo».
Tra gli attori leader in questa trasformazione ritroviamo i campioni del digitale a tutto
tondo, come Amazon, Apple, Google e Facebook.
Si sta facendo ulteriormente strada il modello Netflix, basato sull’offerta di pacchetti
customizzati di contenuti, anche originali, guidati dall’intelligence sui (big) dati
dell’utenza.
Questi modelli, basati sulla cattura ma anche sul controllo dei dati degli utenti (e quindi
della relazione con essi), spingono anche le nuove aggregazioni di offerta: come nel caso
di Apple, che permette attraverso la sua app di navigare i contenuti anche di terze parti
senza uscire dal suo “walled garden”.
La trasformazione in corso riguardo a cosa è e cosa permette di essere Internet è
direttamente legata allo sviluppo di ciò che viene chiamato l’Internet delle cose (Internet
of Things, IoT)112.
Con questo termine si intende la rete che collega tutti i punti di materialità che abbiano
capacità di computing (Smart device, Smart ambient, wearable fitness trackers, la Smart
car, la casa intelligente, i droni ecc.) in grado di arricchire le possibilità di cattura,
processamento e distribuzione dei dati locali e dinamici113.
Una diversa definizione, come propongono Nansen e i suoi colleghi, è considerare l’IoT
come un nuovo modo di concepire i luoghi sociali e le comunità di pratica, generati e
ricreati continuamente dall’interazione tra questa materialità, l’umano e il dato. Questa

112
Mandelli (2017), op. cit.
113
Una versione più elaborata è stata proposta da Altimeter Group (2015), che definisce l’IoT come
“interconnessione e interazione del mondo fisico e di quello digitale, all’interno del quale una tecnologia
incorporata identificabile in modo univoco integra e connette gli “oggetti” fisici ai network informativi
attraverso le infrastrutture Internet esistenti ed emergenti. L’IoT è una piattaforma per connettere
persone, oggetti e ambienti per informare e favorire visibilità, innovazione ed engagement”

88
accezione è utile per discutere i nuovi modi di concepire e disegnare i percorsi di
incontro tra l’azienda/la marca e gli attori di mercato114.
L’IoT è alla base di nuovi servizi basati sulla sensorizzazione ubiqua e la possibilità di
generare “value proposition” personali, dinamiche e contestualizzate per il
consumatore, anche attraverso smart agent potenziati di capacità di servizio adattiva
attraverso software di intelligenza artificiale (AI), ma è anche il fondamento della
cosiddetta “Quarta Rivoluzione Industriale”, cioè il paradigma industriale basato sui
“cyber-physical systems”, i sistemi che generano nuove capacità produttive integrando
dinamicamente la materialità delle macchine e delle cose con la virtualità
dell’informazione (machine-to-machine).
Anche se la diffusione di questi sistemi si trova ad affrontare sfide importanti dal punto
di vista dei costi, della redistribuzione del potere, degli standard, dei protocolli, delle
infrastrutture e della sicurezza (oltre che della privacy), le potenzialità legate a questo
trend in seno all’economia digitale sono ormai indiscutibili115.
Jeff Immelt di GE (General Electric) sostiene che il loro business ruota oggi più attorno
alla capacità di capire come fare leva sui dati generati nei processi produttivi (per
esempio, i terabyte di dati generati dai loro motori su ogni volo commerciale che li
utilizzi) che sulle competenze ingegneristiche tradizionali.
Gartner, nella stessa direzione, riporta che McDonald’s già adesso ispeziona nelle sue
cucine automaticamente e visualmente la qualità dei suoi panini (più di 1000 panini foto
analizzati al minuto), per andare poi a correggere dinamicamente e automaticamente la
temperatura dei forni e i processi.
Le capacità di guida autonoma stanno rivoluzionando il modo di pensare ai sistemi di
trasporto, ma anche ai servizi. I retail robot o gli hotel robot incontrano e servono i
clienti, acquisendo continuativamente dati su di essi ed erogando informazioni e servizi
personalizzati e contestualizzati.

114
Nansen et. al. (2014), “An internet of social things”, in OzCHI’14. Proceedings of the 26th Australian
Computer-Human Interaction Conference on Designing Futures: the Future of Design, Sydney, New South
Wales, Australia, 2-5 December, New York, ACM, pp-87
115
IBM HorizonWatch (2016), Internet of Things, Small IoT Projects Pay the Way for Future
Transformation, March, disponibile online su www.slideshares.net.

89
Gli assistenti personali digitali (come Google Home o Amazon Echo, ma anche Siri in
mobilità) automatizzano il supporto alla vita quotidiana dei consumatori, fornendo
informazioni rilevanti sui servizi disponibili (meteo, news, musica, occasioni di shopping
ecc.).
Più questi assistenti digitali sono «aumentati» di intelligenza artificiale e dati, più
rendono i servizi offerti personalizzati, precisi ed efficienti (basti pensare al
cambiamento intervenuto con le interfacce voice-activated)116.

3.1.2. UN NUOVO BUSINESS MAKING

Il successo della trasformazione digitale per l’impresa oggi sta tutto dentro la capacità
di innovare il proprio modello di business e i propri processi, avendo come focus
strategico la creazione di valore nell’esperienza con i clienti e gli altri stakeholder.
Il primo livello di trasformazione riguarda, infatti, la centricità del cliente. La
trasformazione digitale non è una scommessa tecnologica, è una radicale
trasformazione di business. Le tecnologie diventano sempre più complesse, oltre che
strategiche117.
Come afferma un articolo della MIT Technology Review: A un primo sguardo, le
transazioni digitali sono disegnate per sembrare semplici, un click e la tua autovettura
sta arrivando. Questa è la customer experience percepita. Quel click, touch o swipe,
tuttavia, innesca un ecosistema dinamico di migliaia, se non milioni, di interdipendenze
tecnologiche che abbracciano server e sistemi attraverso le geografie118.
Ma i grandi database utilizzati tramite software avanzati di intelligenza artificiale e le reti
di interazioni e IoT che alimentano questi flussi non diventano leve di innovazione se
non si trasformano in valore per i clienti e gli stakeholder.
Digital business vuol dire ridisegnare la propria organizzazione e il proprio business
model sfruttando al meglio le opportunità offerte dalle tecnologie digitali e dai processi
data-driven.

116
Mandelli (2017), op. cit.
117
Mandelli (2017), op. cit.
118
Executive Office of the President National Science and Technology Council Committee on Technology
(2016), Preparing for the Future of Artificial Intelligence, obamawhitehouse.archive.gov, October.

90
È empiricamente verificato da numerose ricerche che i cosiddetti “digital master”
ottengono migliori risultati di business, e competono con maggior successo nel mercato,
rispetto ai concorrenti meno evoluti sul piano digitale.
Ciò che caratterizza questi campioni digitali è la capacità di far leva su ”strategic digital
capabilities” per mettere il cliente (dinamicamente inteso) al centro del proprio
business, la capacità di governare con leadership aperta (e agile), ma solida, questi
processi, e quella di sintonizzare la cultura aziendale con questi cambiamenti.
Tra le strategic digital capabilities un ruolo fondamentale spetta alla capacità di capire i
clienti per costruire per e con loro un’esperienza a 360 gradi, non solo soddisfacente ma
unica, e la capacità di innovare il proprio modo di fare business, ma anche le regole
stesse del proprio settore, a partire da queste nuove piattaforme di costruzione del
valore.119
Un altro utile modo per ragionare sulla relazione tra cambiamento tecnologico e
cambiamento di business è quello proposto da Philip Evans e dai suoi colleghi di BCG,
ripercorrendo l’evoluzione di questo rapporto.
Il digitale non è nato con Internet, ma la rete ha cambiato il mondo del computing e il
suo impatto sull’organizzazione della società in modo radicale.
Evans descrive l’evoluzione delle regole di funzionamento dell’economica digitale, cosi
come lo stato delle cose oggi nell’era dei big data e delle blockchain120, evidenziando tre
fasi attraverso cui una risorsa strategica è diventata talmente economica da poter essere
sprecata, avendo come effetto un’innovazione radicale delle regole dell’economia e del
business.
1- In una prima fase della Internet Economy a dare spinta al cambiamento è stata
la riduzione dei costi di transazione con la conseguente disgregazione delle
supply chain (non semplice disintermediazione, ma disgregazione e
riaggregazione, re intermediazione).
Ciò ha avuto come conseguenza la necessità di ridisegnare i principi del pensiero
strategico di business tradizionale che era fondato sulla visione della supply chain

119
Mandelli (2017), op. cit.
120
Evans P. et. al. (2016), Thinking Outside the Blocks, The Boston Consulting Group, www.bcg.com , 1
December.

91
 integrata. Questa è stata la fase in cui è nata Amazon e in cui Microsoft, dando
in regalo l’enciclopedia Encarta per spingere il mercato dei personal computer,
ha prevalso sul business model dell’Enciclopedia Britannica.
2- In una seconda fase ciò che ha creato opportunità e disruption è stato il web 2.0
e la logica a network e collaborativa dei social media. L’economia di network ha
fatto diventare economicamente rilevante la nicchia (long tail e small is
beautiful) e la collaborazione su vasta scala.
È l’era di Linux e Wikipedia, ma anche delle strategie open source dei colossi del
computing come IBM e, soprattutto, del successo planetario di piattaforme di
social media come Facebook, YouTube, Twitter, ecc.
3- La terza fase è basata sui dati (big data e blockchain).
La quantità di dati residente su IP (in rete) è diventata la maggioranza. Se un dato risiede
in rete può diventare parte di un universo analizzabile, per scoprire relazioni e pattern
rilevanti. In questo modo viene favorita la “Digital Trasformation”.121
A questo cambiamento, però, non è legata solo la possibilità di utilizzare molti più dati
e gestirli in modo più efficiente ed efficace.
Così, se per la prima fase la risorsa divenuta talmente economica da poter essere
sprecata, al punto da diventare disruptor delle regole di business, è stata la capacita di
computing (si cominciò a utilizzare PC invece che mainframe, anche se meno efficienti,
e questo fece partire la rivoluzione dei network), e nella seconda fase ciò che è diventato
strategicamente ridondante è stato l’accesso ai singoli nodi della rete, nella terza fase è
la capacita di storage (e quindi di gestione dei dati) che cambia tutto.
Siamo nella fase “dell’hyperscaling”, dove “big” torna a essere “beautiful”.
Diventa allora anche più facile passare da qui alla comprensione del perché e come
stanno nascendo nuove formule organizzative (nel senso di organizing anche del
mercato) basate sulle piattaforme.122

121
Mandelli (2017), op. cit.
122
Mandelli (2017), op. cit.

92
Il concetto di “platform economy”, o meglio la strategia di business basata sul modello
della piattaforma, è diventato popolare negli ultimi anni per identificare ciò che Michael
Cusumano descrive cosi:
Una strategia di piattaforma o di complemento si differenzia da una strategia di
prodotto nel senso che presuppone l’esistenza di un ecosistema esterno per generare
innovazioni di prodotto o di servizio complementari e costruire un “feedback positivo”
tra i complementi e la piattaforma. L’effetto è un potenziale di crescita e innovazione
molto superiore a quello che una singola impresa orientata al prodotto è in grado di
generare da sola123.
Qui sono al lavoro le economie della cooperazione, ma anche le esternalità di network.
Siamo nel mondo della Sharing Economy (Airbnb e Uber, tra gli altri), ma anche di
imprese come Amazon, che hanno trasformato il loro business in piattaforma, intesa
come network degli attori rilevanti, sul quale l’impresa leader esercita comunque un
ruolo strategico fondamentale di visione, indirizzo e servizio.
La tecnologia sta portando la scala naturale delle attività umane oltre il confine possibile
per le istituzioni e le organizzazioni cosi come le conosciamo.
Quello che sta succedendo è che la competizione che tradizionalmente si è sviluppata
tra attori oligopolisti sostanzialmente simili tra loro, integrati verticalmente, sta oggi
diventando orizzontale.
I costi di transazione che calano permettono la disintegrazione e il riassemblamento
delle supply chain, sciogliendo il collante fra queste strutture su cui si fondano i settori
economici attuali.
La polarizzazione delle economie di scala permette invece il funzionamento di comunità
(network) scalabili che possono sostituire le organizzazioni gerarchiche tradizionali.
I big data richiedono una scala di management e di integrazione delle informazioni tale
da imporre di reinventare le organizzazioni che se ne possono occupare.

123
Cusumano M. (2010), Staying Power: Six Enduring Principles for Managing Strategy and Innovation in
an Uncertain World, Oxford-New York, Oxford University Press.

93
Vi sono due forze di trasformazione in atto: una che spinge verso il big e che è costituita
da dati; una che spinge verso lo small che è fatta di singoli nodi della rete (individui,
famiglie, piccoli gruppi, comunità locali) che diventano attivi e produttori124.
Questa orizzontalizzazione della struttura delle organizzazioni e dei business (che altri
chiamano, come abbiamo visto, Platform Economy) richiede di cambiare il nostro modo
di pensare alla strategia.
La strategia non parte più, come affermavano i testi classici, da un’idea predefinita di
settore, al quale la strategia si deve adattare.
Oggi invece è il settore che si forma a partire dalle strategie generate. Tutto deve essere
ripensato; per esempio, bisogna capire come far convivere collaborazione e
competizione.
Le strutture dei settori devono far funzionare il piccolo e il grande, devono soddisfare le
motivazioni sociali delle infrastrutture pubbliche coinvolte e le aspettative di valore degli
attori (molto diversi) che fanno parte delle nuove reti, che includono le nuove strutture
cooperative tra attori economici e altri stakeholder.
Senza le reti e le piattaforme non vi sarebbe la scala sufficiente per gestire i dati, che
rappresentano il nuovo cuore del business.125

3.2. PERCORSO EVOLUTIVO

La ricerca di marketing è parte fondante dei processi di marketing management; essa ha
l’obiettivo di generare insights sui comportamenti di consumo, le dinamiche sociali e la
competizione, per guidare le decisioni strategiche di presenza sul mercato e riguardo
alle relazioni con gli stakeholder, e le decisioni operative di prodotto, pricing, branding
e distribuzione.
Le analytics svolgono da tempo un ruolo importante nella ricerca di marketing, anche se
negli ultimi decenni sempre più in associazione (più che in concorrenza) con un
approccio qualitativo alla ricerca.

124
Mandelli (2017), op. cit.
125
Mandelli (2017), op. cit.

94
Analytics è un “umbrella term for data analysis applications”126, è quindi un concetto
generale applicabile a tutte le tecniche di analisi quantitativa a supporto delle decisioni.
Le analytics, in generale, possono essere di quattro tipi:
1. Descrittive, permettono di sintetizzare e/o capire meglio un fenomeno di
interesse;
2. Diagnostiche, catturano relazioni tra i dati e supportano lo sviluppo di ipotesi;
3. Predittive, permettono di anticipare eventi per fornirci maggior controllo sulla
loro gestione;
4. Prescrittive, calcolano/suggeriscono soluzioni ottimali a problemi generali e
contingenti, in base a parametri dati.
American Express, sulla base della storia delle spese dei suoi clienti, riesce a prevederne
la possibile bancarotta prima che essi stessi se ne rendano conto.
Questa conoscenza supporta le decisioni di interazione e servizio dell’azienda; se tali
soluzioni vengono suggerite (o addirittura implementate) automaticamente dal
software, si tratta di un esempio di analytics prescrittive.
I dati e i tool algoritmici oggi disponibili promettono di cambiare radicalmente non solo
le tecniche di ricerca ma anche le potenzialità e l’impatto strategico di queste pratiche.
Questa rivoluzione è di fatto iniziata quando il digitale non si era ancora trasformato in
rete.
Agli inizi degli anni ottanta, con l’avvento degli scanner data, le aziende del largo
consumo hanno cominciato a poter contare su dati che non erano più aggregati,
indiretti, o asincroni come nel caso delle survey o dei dati di uscita dai magazzini delle
merci.127
Gli scanner data già permettevano di osservare il comportamento di acquisto con la
granularità associata a singoli shopping trip dei consumatori e per prodotti diversi,
potenzialmente in tempo reale e consentendo di associare questi acquisti ad azioni
come i coupon e le promozioni diverse128.

126
Watson (2014), Op. Cit.
127
Mandelli (2017), op. cit.
128
Chintagunta P., Hanssens D.M., Hauser J.R. (2016), “Editorial”, Marketing Science, 35(3), pag. 341

95
Il digitale e internet hanno rappresentato un salto importante nella storia
dell’innovazione in ricerca di marketing, ma già in precedenza erano stati notevoli gli
sforzi per strutturare e rendere affidabili le conoscenze di mercato disponibili ai
marketing manager.
Precedentemente al 1995 sono identificabili tre fasi riguardanti le ricerche di marketing
e mercato129:
1- La prima fase ha visto le ricerche dedicarsi alla descrizione semplificata dei
mercati attraverso statistiche descrittive;
2- La seconda fase si è caratterizzata per lo sviluppo di modelli utili a comprendere
i comportamenti dei consumatori a partire dalle teorie economiche e di
psicologia umana e sociale;
3- La terza fase si è invece focalizzata sulla valutazione delle opzioni di marketing
policy, per prevederne gli effetti con tecniche statistiche, econometriche e
l’approccio di operational Research, a supporto delle decisioni dei marketer.
Dagli anni novanta (e ancora più dai primi anni del nuovo secolo), internet è diventato
sempre più importante per le comunicazioni e la vita delle persone e delle
organizzazioni.
Nella nuova logica relazionale di fare marketing il digitale è stato cruciale fin da subito,
perché ha permesso di raccogliere dati sui singoli consumatori e clienti, memorizzarli in
customer database e utilizzarli per indirizzare decisioni di offerta e comunicazione
personalizzate.
Internet ha fatto compiere un grande salto a queste logiche e pratiche, facilitando la
raccolta di informazioni sui comportamenti e le preferenze di consumo dei singoli (sia
attraverso il tracking dei comportamenti in rete sia grazie alle pratiche di registrazione
degli utenti ai diversi servizi online). 130
In questi ultimi vent’anni la tecnologia digitale e internet sono diventati molto più
complessi e hanno offerto funzioni molto più sofisticate agli attori di mercato. Il mobile
internet e i social media (primi fra tutti Facebook e YouTube, a seguire le altre

129
Wedel M., Kannan P.K. (2016), “Marketing analytics for data-rich environment” Journal of Marketing,
80(6), pag.97
130
Mandelli (2017), op. cit.

96
piattaforme rilevanti come Twitter, Instagram, Pinterest, tra le altre) non solo hanno
sostituito il web tradizionale per molte attività di ricerca delle informazioni, ma hanno
anche modificato radicalmente la logica di utilizzo della rete, rendendo l’accesso alla
rete e alle sue capacità distribuito e mobile.
Essi hanno, inoltre, permesso e stimolato la condivisione (sharing), l’interazione e la
collaborazione sia tra consumatori, sia tra consumatori e aziende.131

3.2.1. DIGITAL ANALYTICS

Il digitale, e Internet in particolare, hanno permesso una diffusione straordinaria di
metodi quantitativi di raccolta e analisi di dati a supporto delle decisioni di marketing.
Internet è stato vissuto dalla comunità dei digital marketer sin dall’inizio (assieme alle
web analytics applicate all’analisi della navigazione sui siti web) come la soluzione a
molti problemi di misurabilità del marketing che le pratiche tradizionali mostravano.
Le digital analytics consentono di analizzare le tracce di attività svolte online attraverso
dati raccolti automaticamente dai sistemi utilizzati e algoritmi sempre più sofisticati.
Nel 1994 appare sul mercato il primo venditore di tecnologie analytics commerciali
(I/PRO Corp) e via via lo seguono diverse proposte tecnologiche alcune delle quali ancora
ampiamente usate oggi (Webtrends, Google Analytics ecc.) per l’ottimizzazione dei siti
web.
Nelle web analytics i dati di “clickstream” forniscono utili informazioni sul
comportamento del consumatore online e i percorsi di navigazione sul web.
Questi insight vengono utilizzati, oltre che per ispirare decisioni di business, anche per
guidare le decisioni di design dei siti e di offerta di contenuti e prodotti (come nel caso
dell’e-commerce).132
Le analytics utilizzate nel digital advertising e nell’email marketing, invece, riportano in
tempo reale informazioni sui risultati (click e altre interazioni) delle campagne lanciate,
che possono diventare anche guida di modifiche e cambio nel mix di strumenti, in una
logica di ottimizzazione.

131
Mandelli (2017), op. cit.
132
Mandelli (2017), op. cit.

97
L’approccio A/B (o split-run) testing, diventato sempre più diffuso in associazione alla
comunicazione web e all’advertising digitale; esso è una forma di esperimento
controllato con due varianti, A e B, che fungono da controllo e variazione.
In parole più semplici, si tratta di confrontare statisticamente gli effetti di due decisioni
diverse.
In marketing è quella pratica che prevede di lanciare diverse opzioni di
campagna/progetti (per esempio, diversi website design o diversi advertising banner),
potendone verificare le performance in tempi ristretti (oggi in tempo reale), tanto da
permettere decisioni di scelta e ottimizzazione direttamente on field.
Le Search analytics permettono, invece, di tracciare e capire le dinamiche di ricerca delle
informazioni da parte dei consumatori in motori di ricerca come Google.133
Le aziende stanno imparando a utilizzare questi dati in modo sempre più estensivo e
strategico.
L’Oréal Paris nel 2013 utilizzò gli insight provenienti dai dati di Search delle consumatrici
su Google per tracciare i trend di stile e interesse nell’area dell’hair colouring e decidere,
dopo aver approfondito l’insight anche con un’analisi etnografica sulle nuove culture di
consumo, quale nuovo prodotto lanciare. Come sostenne la Vice President Marketing
dell’azienda in quell’occasione134:
“Questo è il Nirvana del marketing”, riferendosi alla possibilità di avere un insight tanto
profondo e aggiornato sul mercato, a costi nettamente inferiori a quanto sarebbe stato
necessario investire in passato.
La tecnologia più recente ha reso possibile una sempre maggiore efficienza nella raccolta
e utilizzo dei dati, mentre sono cresciute anche le competenze e la comprensione della
strategicità di queste pratiche. Per questo sono sempre maggiori gli investimenti per la
cattura in stream continui (real-time) di dati (soprattutto provenienti dai social media).
Con la diffusione del mobile e ubiquitos internet (l’internet of things) il tracciamento in
tempo reale dei consumatori è diventato ancora più preciso, oltre che continuo.

133
Mandelli (2017), op. cit.
134
L’Oréal Paris Uses Search to Build Brand Love, www.yourube.com 17 June 2014

98
La maggior parte delle aziende oggi raccoglie dati sulle proprie web properties e mobile
app, collezionando dove possibile dati di navigazione individuale, anche arricchiti di
geolocalizzazione, e dati relativi alle performance delle proprie campagne Search e
display anche tramite mobile.
A questi dati possono essere aggiunte informazioni provenienti dalle analisi basate sulle
tecnologie di proximity marketing negli store e negli ambienti fisici (per esempio, il
riconoscimento del cliente in negozio e l’analisi delle attività svolte in sito).135
Le aziende sono diventate più pronte a rispondere alle sollecitazioni del mercato,
soprattutto attraverso l’interattività nei social media. Già nel 2013, secondo Altimeter,
le aziende globali di maggiori dimensioni gestivano più di 150 account social, con il
contributo di 13 dipartimenti aziendali. Nel 2015 i tre quarti delle aziende italiane
avevano una presenza sui social media; anche le aziende di minori dimensioni utilizzano
ormai comunemente i social per comunicare, interagire e servire i clienti136.
Per il marketing d’impresa, l’ecosistema dei social media costituisce un laboratorio per
strategie e sperimentazioni tanto promettenti quanto rischiose.
I social media strutturano, infatti, spazi pubblicitari di socializzazione, caratterizzati
dall’attivismo degli utenti, che influenzano le condizioni dei mercati, le relazioni tra
consumatori, la costruzione di Brand Equity137 e Corporate Reputation138.
Queste trasformazioni di comportamento e socialità hanno modificato già da tempo
anche le logiche audiometriche delle audience connesse e sociali139.
La “social intelligence” storicamente si è configurata come analisi dei contenuti UGC
(user generated) a supporto di una maggiore comprensione delle preferenze e culture

135
Mandelli (2017), op. cit.
136
Cosenza V. (2016), “Ma quanto sono brave le aziende italiane a usare i social media”, Che Futuro!,
www.chefuturo.it, 5 febbraio
137
http://www.businessdictionary.com/definition/brand-equity.html: A brand's power derived from the
goodwill and name recognition that it has earned over time, which translates into higher sales volume
and higher profit margins against competing brands.
138
http://www.businessdictionary.com/definition/corporate-reputation.html: The collective
assessments of a corporation's past actions and the ability of the company to deliver improving business
results to multiple stockholders over time. For example, many businesses assess corporate reputations
using financial soundness, quality of management, products and services and market competitiveness as
the criteria for ranking.
139
Turow J., Tsui L. (2008), The Hyperlinked Society: Questioning Connections in the Digital Age, Ann
Arbor (MI), Michigan University Press.

99
dei consumatori e delle relazioni tra i consumatori e le marche, ma anche per la
mappatura delle dinamiche competitive.
Questo termine ampio include di norma nella narrativa on field sia l’analisi quantitativa
sia l’analisi qualitativa di questi fenomeni (per esempio, con metodologie come
l’etnografia digitale).
Con la locuzione “social (media) analytics” invece si fa riferimento alla “disciplina che
aiuta le aziende a misurare, valutare e spiegare le performance delle iniziative nei social
media nel contesto di specifici obiettivi di business”140: cioè, in questo contesto,
all’analisi quantitativa delle informazioni codificate tratte dalle conversazioni e attività
social a supporto delle decisioni e pratiche di marketing. Spesso queste analisi vengono
rappresentate visivamente, per agevolare l’interpretazione dei risultati.
Le forme più comuni di social media analytics sono:
 Il monitoraggio dei volumi di conversazione relativi a un determinato issue,
prodotto o marca (mentions);
 La mappatura delle parole più utilizzate all’interno di un universo di
conversazioni analizzate (word cloud);
 La sentiment analysis, che misura la polarità (positiva, negativa, neutrale) dei
social post relativi a un determinato issue, prodotto o marca.
Le word cloud (e la loro dinamica nel tempo) sono utili per catturare l’universo
semantico al quale un determinato prodotto o marca appartiene. Una “visual analytics”
semplice può già aiutare a rappresentare il complesso mondo dei significati associati a
una marca.141

140
Owyang J., Lovett J. (2010), Social Marketing Analytics: A New Framework for Measuring Results in
Social Media, Altimeter, 22 April
141
Mandelli (2017), op. cit.

100
Nella figura 4, per esempio, Starbucks è associato anche a TEA oltre che a COFFEE e a
DRINKS

FIGURA 4. Esempio di word cloud applicata all’analisi di testi social riferiti a una marca.
Fonte: sittingstarbucks.wordpress.com/2012/05/05

Attraverso la sentiment analysis (misurazione della positività o negatività dei messaggi

nei confronti di un evento, una persona, un’organizzazione, un prodotto, una marca)
molte aziende, invece, seguono l’andamento della dimensione affettiva della Brand
Equity e indagano anche le associazioni cognitive che i consumatori generano in
relazione alle marche (attributi, valori).
Anche prima che le analytics più sofisticate che stanno accompagnando la diffusione dei
big data diventassero disponibili, le social analytics hanno offerto possibilità di analizzare
i testi delle conversazioni andando oltre la semplice identificazione di polarità dei
sentimenti (negativa, positiva).
Nelle conversazioni esaminate per l’Apple live event, non era certo facile assegnare
algoritmicamente una semplice polarità positiva o negativa a commenti come questo:
“l’IPHONE 5s è straordinario. Amo la fotocamera e il sistema operativo è così veloce.
Però la batteria è terribile”. Ciò diventa possibile se si utilizza l’aspect sentiment analysis,

101
cioè isolando e pesando i temi sui quali i sentimenti negativi e positivi si concentrano (si
associa la sentiment analysis con le word cloud).142
La social analytics è utilizzata in marketing per misurare e seguire l’andamento delle
attitudini verso una marca, ma anche per intercettare la generazione di nuove idee per
lo sviluppo prodotti 143.
Con l’approccio crowdsourcing (cattura di idee dalla rete) le grandi agenzie e le grandi
marche stanno sperimentando nuove forme di produzione della comunicazione di
marketing.
Userfarm, in questo senso, è una piattaforma di video crowdsourcing che si occupa di
progetti all’insegna dell’innovazione e della sperimentazione di nuovi linguaggi. Barilla,
Ferrero, Smart, Nespresso, Audi e Woolmart, ma anche Lavazza, Alitalia e Radio Deejay,
utilizzano Userfarm e la sua crowd di oltre 100.000 videomaker da tutto il mondo,
composta per il 70 per cento da under 35, per acquisire nuova creatività, ma anche per
capire meglio le nuove sensibilità e dinamiche del mercato. 144
Si può ascoltare ciò che viene detto dai consumatori, ma anche diventare proattivi nello
sviluppare discussioni attorno a temi di interesse. General Electric, per esempio,
attraverso la sua campagna @ecomagination provoca discussioni sui temi della
sostenibilità, dalle quali ricava insight utili sia nello sviluppo prodotti sia per la
comunicazione.
Un aumento di complessità dell’analisi viene introdotto quando, attraverso lo studio
delle conversazioni (che possono riguardare popolazioni ampie e analizzate
continuativamente), si riescono a ricostruire le strutture di influenza e di socialità, grazie
alla social network analysis, che consente di studiare i network sia al livello delle
caratteristiche sociali del singolo nodo sia al livello dell’intero network.
La social network analysis viene utilizzata per studiare la struttura dei network sociali,
con lo scopo di identificare e analizzare delle comunità di interesse, e molto spesso,
anche per identificare influencer nel social media marketing e social PR, assumendo che

142
Mandelli (2017), op. cit.
143
Mirkosvski K., von Briel F., Lowry P.B. (2016), “Semantic Learning-based innovation framework for
social media”, IT Professional, 18(6), pag.26
144
Mandelli (2017), op. cit.

102
la posizione (centrality) all’interno di un social network sia equivalente all’influenza
esercitata nel network stesso.
Con i big data l’innovazione è profonda. Le nuove tecnologie rendono possibile la
raccolta e l’analisi di ampie quantità di dati (teoricamente tutti i dati relativi a uno
specifico field di interesse e a tutti i soggetti coinvolti), che possono essere utilizzati per
il supporto alla decisione in tempo reale o quasi, integrando informazioni sia strutturate
sia non strutturate e da fonti diverse.
I dati vengono raccolti con la granularità dei profili individuati dei consumatori e clienti,
e vengono utilizzati non solo a partire da ipotesi e obiettivi chiaramente identificati, ma
soprattutto con l’approccio esplorativo a cui il data mining ci ha abituato. 145
Queste caratteristiche (o più propriamente affordances, come vengono chiamate in
letteratura di tecnology management) favoriscono e potenziano l’applicazione di logiche
e metodi che affondano le radici in diverse tradizioni relativamente consolidate della
ricerca di marketing, diventate ancor più rilevanti fin dall’apparire dei primi tool digitali:
1. Il Market Forecasting;
2. Il Data Mining;
3. Il CRM.

La stessa logica viene da tempo applicata alle campagne advertising online, tanto che è
diventato ormai standard per i software di marketing automation rendere disponibili o
facilitate queste funzionalità (incluse le analytics di Google AdWords che supportano
questo confronto per le campagne di Search advertising).
Questo metodo di ricerca di mercato è stato recentemente associato a una nuova
filosofia pratica di marketing, Agile Marketing, un orientamento organizzativo-
manageriale mutuato da pratiche recenti di software development, che propone un
approccio “trial and error”, rapidamente adattivo, alle decisioni di marketing.146

145
Mandelli (2017), op. cit.
146
Mandelli (2017), op. cit.

103
 3.2.1.1. MARKET FORECASTING
Il Market Forecasting si propone di prevedere i comportamenti futuri dei consumatori e
degli attori di mercato basandosi sulla serie storica dei comportamenti rilevanti, sui dati
relativi alle attitudini nel presente e sui cambiamenti in corso nelle variabili di contesto
(economiche, sociali, ecc.).
Storicamente si è fatto affidamento sull’analisi statistica delle “time series” e sulle
potenzialità predittive dei modelli causali applicati a dati ricavati da osservazioni sui
comportamenti, ma anche sulle dichiarazioni dei consumatori e su approcci più
qualitativi (fondati su valutazioni di esperti).

3.2.1.2. DATA MINING

Il Data Mining, anche chiamato data/knowledge discovery, fa riferimento a tecniche di
analisi senza modelli predefiniti di dati (solitamente contenuti in grandi database
relazionali) relativi a soggetti di interesse, alla ricerca di pattern e regolarità che possano
generare utili insights a supporto delle decisioni manageriali.
In particolare, attraverso tecniche statistiche avanzate147 si va alla ricerca di relazioni tra
variabili e modelli possibili di spiegazione dei dati, anomalie nei dati/comportamenti,
cluster di dati, classificazioni possibili generalizzando strutture conosciute, a partire da
dati organizzati in grandi data warehouse centralizzati.
In marketing questo approccio viene utilizzato da tempo per capire con maggiore
profondità, e senza condizionamenti cognitivi derivanti da conoscenze precedenti, il
comportamento d’acquisto dei consumatori.
I grandi retailer scavano nei dati in loro possesso per capire come e quando i
consumatori acquistano determinati prodotti, ma anche con quale associazione fra gli
stessi (basket analysis).
Questi insights indirizzano non solo una migliore organizzazione degli scaffali, ma anche
decisioni di pricing e promozione.

147
Quali artificial neural networks, genetic algorithms, decision trees, nearest neighbor method, rule
induction, data visualization.

104
 3.2.1.3. CRM
Il CRM (customer relationship management) è l’approccio che prevede la raccolta, la
gestione e l’analisi di dati sui comportamenti di specifici individui, a fini di conoscenza
one-to-one di tali comportamenti e di supporto all’offerta e comunicazione
personalizzata verso questi consumatori, e più in generale allo sviluppo di una relazione
di lunga durata con gli stessi.
La base teorica sulla quale poggia l’orientamento CRM deriva dalla ricerca di marketing,
che ha mostrato come l’approccio personalizzato nella relazione con il cliente influenzi
la profittabilità di medio termine dell’impresa stessa148.
Nel CRM, i dati di profilazione dei singoli clienti sono utilizzati sia per migliorare la
precisione dell’offerta sia per ottimizzare le azioni di marketing (e quindi i loro costi e il
loro possibile ritorno).
Il modello di analisi di profittabilità del cliente sempre più usato per il supporto alle
decisioni di marketing basato sulle performance è il modello CLV (customer lifetime
value), con il quale si valuta il potenziale economico della singola relazione con i clienti
in base a quanto i clienti stessi hanno generato e possono generare in termini di
fatturato e di costi.
Nell’equazione si includono anche i costi e il fatturato indiretto, cioè l’effetto
dell’influenza dei singoli clienti sulle decisioni di altri.
Le aziende negli ultimi vent’anni hanno investito molto in questi sistemi, a volte
affrontando difficoltà organizzative, tecnologiche e finanziarie non da poco, per poter
godere dei benefici in termini di performance marketing, di impatto sulla “Customer
Profitability” e sulla redditività aziendale149.
Adesso il problema diventa come integrare questi sistemi e i dati disponibili con gli altri
flussi di big data.

148
Grönross C. (2014), Service Management and Marketing: Managing the Service Profit Logic, 4th ed.
Chichester, John Wiley & Sons.
149
Malthouse et al. (2013), “Managing customer relationships in the social media era: Introducing the
social CRM house”, Journal of Interactive Marketing, 27(4) pag.270.

105
Oggi i dati provengono sia da fonte interna (storia di acquisti) sia da fonte esterna. Per
esempio, con il social CRM si catturano e includono nei customer database anche dati
non strutturati provenienti dalle conversazioni online dei singoli.
La sfida diventa non solo tecnologica e organizzativa, ma anche metodologica. Come per
il resto della ricerca di marketing, anche per il CRM ciò che fa la differenza oggi non è
più solo il digitale ma soprattutto la rete: internet, con le sue trasformazioni, contamina
trasversalmente tutte le aree delle analytics di marketing150.

3.3. PROGRAMMATIC ADVERTISING

3.3.1. IMPATTO DEI BIG DATA SULL’ADVERTISING

Nell’immaginazione popolare, ma anche giornalistica, capita di vedere associato il
recente trend nell’uso dei big data nel marketing a scenari socialmente problematici,
proprio partendo da come sta cambiando la pubblicità che dimostra sempre più di
sapere molto su di noi.
Quanti hanno avuto un sussulto di sorpresa la prima volta che sono stati “inseguiti” da
una pubblicità di “retargeting”, dalla quale diventava evidente che il messaggio era stato
confezionato a partire da dati, che consideravano non pubblici, su ciò che avevano fatto
qualche minuto, ora o giorno prima? È sicuramente vero che c’è un tema cruciale di
protezione della privacy collegato al big data marketing e al big data advertising.
Vi è, tuttavia, un altro tema che vale la pena discutere e che invece fa ancora fatica a
essere affrontato: l’impatto dei big data sul paradigma di marketing e le logiche di
management delle relazioni di mercato, che hanno, anch’esse, un forte impatto non solo
sui risultati di business ma anche sul tipo di vita che facciamo e sulla forma di società
che costruiamo.
La direzione dell’impatto dei big data sul marketing (in particolare sull’advertising) non
è scontata.

150
Mandelli (2017), op. cit.

106
Il nuovo advertising data-driven può essere declinato in modalità che siano più o meno
centrate sulla necessità/capacità di creare valore per il cliente. Di conseguenza,
l’impatto dei big data sulla trasformazione digitale più in generale, può essere molto
diverso.
Se la creazione di valore (e le sue nuove modalità) sono al centro non solo delle nuove
relazioni di marketing, ma anche dei nuovi modelli di business, il modo in cui evolve il
“programmatic advertising” ha un peso su questi cambiamenti più generali.151
Ogni nostra attività lascia una traccia producendo dati. Se queste attività si riferiscono a
consumi (ricerca di informazioni sui prodotti, comparazioni tra offerte, acquisti, utilizzo
dei prodotti) e interazioni di mercato (scambi di informazioni/opinioni sui prodotti,
interazioni marca-consumatori di varia natura), i dati generati possono avere un forte
impatto conoscitivo e di supporto alle decisioni nei processi di marketing; inoltre, se esse
sono svolte in ambienti digitali sono registrabili, e quindi questo tracciamento e
accumulazione/distribuzione di dati può diventare continuo e creare un digital data
stream costantemente in input ai processi di marketing.
Per questa specifica area di attività, non è automatico che dall’applicazione dei big data
all’advertising si generi maggior valore sia per le aziende sia per i consumatori.
In questa prospettiva possiamo dire che è utile indagare l’impatto dei big data
sull’advertising almeno a tre livelli:
1. Sulla capacità di costruire piattaforme e reti di gestione e condivisione delle
nuove risorse di conoscenza, con la scala e le caratteristiche richieste dalle
logiche della “platform economy”;
2. Sull’ottimizzazione e incremento di efficienza dei processi, con l’effetto di
diminuire i costi e aumentarne la velocità, ma anche la precisione di decisione
dei diversi attori;
3. Sull’incremento del valore creato nelle interazioni e relazioni pubblicitarie.
Semplificando un po', si può dire che è utile capire chi e come fra gli attori
coinvolti riesce a raggiungere meglio i suoi obiettivi attraverso la conoscenza

151
Mandelli (2017), op. cit.

107
 messa in rete e la possibilità stessa di “fare piattaforma”( focus sul valore per il
consumatore).
Vi sono quattro grandi dimensioni di impatto dei big data sul marketing, corrispondenti
a quattro grandi aree decisionali che è possibile declinare come segue152:
 La possibilità di profilazione dei singoli consumatori, che aumenta la precisione
dell’azione di marketing, con obiettivi di aumento del customer lifetime value
(CLV) dei clienti. Questa è l’area del big data marketing al servizio della customer
profitability;
 La possibilità di guidare le decisioni di marketing operativo (prodotto, prezzo,
comunicazione e vendita) in modo da aumentare l’efficacia delle singole azioni;
 La possibilità di raggiungere i consumatori a uno a uno e in modo personalizzato,
per migliorare la precisione dell’azione di marketing a fronte dell’aumentata
eterogeneità dei comportamenti;
 La necessità di gestire la sicurezza e la protezione della privacy nella relazione
con i singoli consumatori, nel rispetto dei vincoli normativi.
In questa classificazione i big data sono intesi come analytics (tecniche) e l’enfasi è posta
sulle decisioni più che sui processi. Pur affrontando il tema dell’influenza sul marketing
nel suo complesso, non viene considerato l’impatto trasformativo sui processi di
marketing e come ciò cambi il ruolo del marketing nella trasformazione delle logiche di
business making.153
Il focus è sulle opportunità di arricchire insight e processi di conoscenza aziendali e sulla
possibilità di migliorare la performance dell’azione di marketing.
Il valore per il cliente è incluso in questo contesto in modo indiretto, cioè interpretato:
 Come possibilità di aumentare la soddisfazione per il cliente, che è la base per la
fedeltà e, nel lungo termine, della customer profitability;
 Come necessità di rispettare i vincoli normativi relativamente alla protezione di
sicurezza e privacy dei clienti, che potrebbero essere minacciate dall’uso
indiscriminato dei big data.

152
Wedel, Kannan (2016), Op. Cit.
153
Mandelli (2017), op. cit.

108
Se consideriamo, però, i dati e gli algoritmi non come tool, ma come parte e agenti di
nuovi ecosistemi di rete, in cui il collante delle nuove organizzazioni collettive154 o
piattaforme e la possibilità degli attori di estrarre valore dalle risorse condivise a partire
dai dati, allora il valore che queste risorse contribuiscono a creare diventa cruciale anche
nei nuovi modelli di advertising.
Questa classificazione, come la maggior parte della letteratura sui big data applicati al
business che è disponibile a oggi, si concentra su un rapporto tra marketer e
consumatore di tipo statico e gerarchico, assegnando ai dati un ruolo di guida alla
precisione dell’azione di marketing, piuttosto che focalizzarsi sulla possibilità di
costruire, tramite la conoscenza reciproca, la relazione tra impresa e cliente, una base
di creazione collaborativa di valore per tutti i soggetti coinvolti nella relazione e nel
network.
Nel caso dell’advertising, i dati di profilazione continua dei consumatori possono aiutare
a costruire un quadro più preciso dei comportamenti anche dinamici nel mercato (non
solo chi fa cosa, ma anche dove, quando e in quali sequenza e loop temporali), utili per
migliorare le capacità di targeting, di impatto e di valutazione delle campagne. 155

3.3.2. PROGRAMMATIC ADVERTISING

Il “programmatic advertising” è un’applicazione dei big data all’advertising, un esempio
di come si possano automatizzare alcuni processi fondamentali di incontro tra chi vende
(editori) e chi acquista (aziende) pubblicità, che si sta diffondendo velocemente sia negli
USA sia negli altri mercati ad alta digitalizzazione.
Si tratta dell’automazione degli acquisti e vendite di spazi/contatti pubblicitari,
attraverso piattaforme che fanno incontrare, anche con aste in tempo reale (real-time
bidding), la domanda degli investitori con l’offerta di vecchi e nuovi editori
(prevalentemente digitali, ma anche gli acquisti di spazi televisivi sta cominciando a
diventare programmatic).

154
Il termine “collettive” significa “orizzontali”, senza escludere organizzazioni strutturate
gerarchicamente.
155
Mandelli (2017), op. cit.

109
Questi marketplace utilizzano software di intelligenza artificiale (AI) per trovare il miglior
“match” tra domanda e offerta; un match complesso e sempre aggiornato, perché si
nutre dei flussi di dati sui profili e sui comportamenti, anche geolocalizzati, dei
consumatori, oltre che di quelli, altrettanto aggiornati, sull’offerta.
Gli algoritmi di AI sono in grado di modellizzare e prevedere i comportamenti (chi ha più
probabilità, se raggiunto dal messaggio, di convertire in lead o altri obiettivi di
campagna), a partire dai dati storici e dai flussi di dati in tempo reale.
Queste logiche e attività sono rese possibili da un complesso sistema che mette in rete
le risorse di dati, di matching e di servizio, di operatori diversi.
Il programmatic media buying include l’uso di piattaforme di DSP (demand side
platform), SSP (supply side platform), DMP (data management platform).
In grande sintesi, vi sono piattaforme di management dal lato della domanda,
piattaforme dal lato dell’offerta media e gestori/broker di dati che si occupano
dell’infrastruttura informativa utile per questo markeplace complesso.
I DSP facilitano il processo di acquisto dell’inventario pubblicitario sul mercato aperto,
fornendo la possibilità di raggiungere il target profilato continuativamente dalle DMP
tramite digital cookies e dati da mobile app.
Gli editori gestiscono la loro offerta tramite SSP, che contengono anche dati di traffico e
caratteristiche media.
Alla fine del processo, sono le SSP quelle che distribuiscono la pubblicità (selezionata in
vari modi, anche via bid) sui siti degli editori156.

156
Mandelli (2017), op. cit.

110
FIGURA 5. Le piattaforme e i processi integrativi nel programmatic advertising.
Fonte: Andreina Mandelli, “Big Data Marketing, creare valore nella platform economy, con
dati, intelligenza artificiale e IoT”, EGEA, 2017, versione Kindle

Come rilevato, questi scambi avvengono a partire dalla disponibilità, in tempo reale, di
dati sempre più precisi sui profili e sui comportamenti dei consumatori.
I nuovi intermediari di dati sui mercati pubblicitari riescono a raccogliere e (soprattutto)
sincronizzare dati da fonti molto diverse, incluso il CRM proprietario delle aziende, per
ricostruire il profilo anagrafico, psicografico e comportamentale dei consumatori, in
termini sia storici sia predittivi.
Se questi dati integrati/sincronizzati relativi ai contatti possibili sono dinamici, cioè si
riferiscono a cosa abbiamo fatto, e dove, in tempo reale, la capacità di targettizzazione
(o retargeting) pubblicitaria attraverso i diversi canali (mobile, display, video, social, solo
per parlare del digitale) diventa molto efficiente e precisa. Da ciò nasce anche la (spesso)
ossessiva raccolta di dati/tracking sul consumatore, anche in mobile/geolocalizzazione.

111
 FIGURA 6. Il concetto di retargeting.
(Fonte: screenshot da www.amazon.it e www.google.it)

Come sostiene Francesco Lucchetta, Managing Director di Mediacom: “la domanda non
è se ci sposteremo sul programmatic; la domanda riguarda solo quando lo faremo”.
Negli Stati Uniti eMarketer157 prevede che nel 2017 il 78% di tutto l’advertising display
sarà programmatic.
In Italia il trend è appena partito, anche se i tassi di crescita mostrano una potenzialità
di mercato importante.

157
https://www.emarketer.com/

112
 FIGURA 7. Il Programmatic Advertising in Italia: le dinamiche di mercato.
Fonte: Osservatorio Internet Media del Politecnico di Milano e IAB Italia,
www.osservatori.net.

Secondo le stime dell’Osservatorio Internet Media del Politecnico di Milano e di IAB

Italia gli investimenti in “Programmatic Advertising” sono aumentati nel 2015 del 113
per cento rispetto al 2014, raggiungendo un giro di affari di 234 milioni di euro (partendo
da meno di 5 milioni di euro nel 2012) tanto da arrivare a pesare per il 19 per cento del
totale di display advertising (mentre nel 2012 pesavano per meno dell’1 per cento).
I mercati più maturi sono molto più avanti in questo sviluppo, a partire da Stati Uniti e
Gran Bretagna dove la spesa in programmatic è stimata pesare rispettivamente per il 67
per cento e per il 70 per cento sul display.
“È in atto un generale miglioramento della qualità degli spazi messi a disposizione degli
inserzionisti”, osserva Andrea Lamberti, direttore dell’Osservatorio.
“Si sta così superando la concezione del low cost e dell’invenduto, spesso legata al
programmatic. Anche perché tante aziende ricorrono all’acquisto automatizzato non

113
solo più in chiave di performance ma anche con obbiettivi legati al rafforzamento dei
brand”158.
Assistiamo inoltre a un aumento del peso sul mercato dei “private Marketplace” (gestiti
direttamente da singole aziende) rispetto all’open market e crescono anche gli
investimenti in programmatic sul mobile.159

3.3.3. VANTAGGI E LIMITI

Utilizzando lo schema di analisi che fa riferimento all’impatto del programmatic sui
processi di CRM, sulla precisione del marketing mix, sulla personalizzazione
dell’interazione e sulla protezione del consumatore, si può sostenere, anche se in modo
non conclusivo, che nella maggior parte delle campagne l’obiettivo degli attori coinvolti
(editori, aziende, agenzie e data broker) può essere facilmente definito come ricerca
dell’ottimizzazione nei processi, obiettivo che ha prodotto risultati soprattutto nelle
prime tre delle quattro aree indicate precedentemente suggerite da Wedel e Kannan.
I dati sono acquisiti con la granularità richiesta dalla logica CRM, utili per indirizzare le
decisioni di comunicazione ad alta precisione proprio grazie alla micro-segmentazione,
anche dinamica, e alla possibilità di raggiungere il consumatore con un messaggio
tagliato sul suo profilo specifico e contestualizzato. Ciò sembra vero anche in campagne
in cui la targettizzazione è molto centrata sui contenuti.
Non abbiamo dettagli sulle percezioni di valore e/o invasione della privacy provocate da
questa comunicazione.
Tuttavia, possiamo fare riferimento a un fenomeno che in modo indiretto ci può dare
indicazioni sul fatto che i consumatori non sono molto felici del nuovo indirizzo
pubblicitario: il fenomeno dell’AdBlocking160.
Secondo il Mobile ABblocking Report 2016 di PageFair161, almeno 309 milioni di persone
nel mondo bloccano l’advertising sul proprio smartphone. Se questa percentuale (16 per
cento di 1,9 miliardi di utenti) sembra bassa, vale la pena di ricordare che la maggioranza

158
Cit. in Anes (2016)
159
Mandelli (2017), op. cit.
160
Mandelli (2017), op. cit.
161
Pagefair (2016), 2016 Mobile AD Blocking report, pagefair.com, 20 May.

114
dei consumatori non è nemmeno a conoscenza della possibilità di bloccare l’advertising.
Altri report evidenziano la problematicità del fenomeno, anche in Europa162.
Applicando un diverso schema di analisi, riguardante il ridisegno dei modelli di business
con la logica di un’organizzazione collettiva/piattaforma, ottimizzazione, valore, diventa
ancora più evidente che la direzione di sviluppo del programmatic advertising oggi è
prevalentemente impostata sulla ricerca della massima efficienza e ottimizzazione, più
che sulla creazione del valore.
Interessante dal punto di vista concettuale, è scoprire empiricamente che la creazione
di piattaforme di business non comporti automaticamente un orientamento
all’estrazione condivisa del valore.
Gli indirizzi di sviluppo attuali del programmatic advertising stanno confermando che le
economie digitali e di rete hanno ancora al cuore dei meccanismi di funzionamento
basati sulla gerarchia e la dominanza di mercato; regole di funzionamento che 15 anni
fa potevano facilmente far prevedere i livelli di concentrazione economica a cui siamo
arrivati oggi nell’economia del digitale (grandi player come Facebook, Google, Apple,
solo per citare i primi) e che ci fanno pensare che la direzione di innovazione del
prossimo futuro, per diventare seriamente di tipo collaborativo/cooperativo, debba
passare da scelte precise e non da deleghe ideologiche alla tecnologia.
La logica del valore, che ha cercato di diventare centrale con le nuove filosofie di
marketing “customer-centric” con l’approccio network e “service-based” facilitati dalle
nuove tecnologie ad ambienti digitali e collaborativi, non deve essere abbandonata, e
non solo per mantenersi fedeli ai principi dell’etica nel marketing.
Le attese dei consumatori non sono più quelle di soggetti passivi e senza ruolo.
La condivisione delle risorse di conoscenza e di connessione che è alla base
dell’economia delle piattaforme passa anche dalla volontà dei singoli nodi di
collaborare.
I risultati ottenuti nel settore devono essere considerati molto positivi e una buona base
per poter continuare a lavorare verso un ridisegno dei modelli di business nel digitale,
che facciano leva sulle potenzialità economiche e sociali dei big data.

162
IAB Italia (2016), White Paper Ad Blocking, www.iabeurope.eu, November.

115
Questa fase deve essere vissuta come un grande laboratorio di sperimentazione e
preparazione per fasi successive, dove le potenzialità dei big data possano essere
sfruttate in modo più pieno.
Il focus sull’ottimizzazione è importante. L’ottimizzazione non è solo efficienza per
l’impresa bensì può essere rivolta a far diventare sempre più precisa (e quindi rilevante)
l’offerta; quando è cosi, il risultato va nella direzione di creare anche maggior valore per
il cliente.
Il valore per il cliente, è dato dalla nostra capacità di generare benefici tangibili e
intangibili in tutti gli incontri con i consumatori, al netto dei costi richiesti in queste
interazioni (inclusi sforzi, disagi e percezioni di rischio anche sulla privacy).
Se i dati raccolti vengono utilizzati per customizzare e contestualizzare al meglio l’offerta
(tenendo conto non solo delle preferenze del consumatore, ma anche della fase in cui si
trova nel suo “customer journey” e di variabili di contesto quali il luogo, l’ambiente e la
socialità nei quali avviene l’incontro con il consumatore stesso), la maggiore efficienza
di spesa per l’impresa si può sposare a un incremento di valore per il cliente, anche
nell’advertising data-driven.
Aumentando la contestualizzazione del messaggio pubblicitario aumentano al
contempo la rilevanza e quindi l’utilità del messaggio stesso. Questo richiede dati, ma
anche un orientamento al valore per il consumatore. Perché questa rilevanza non si
accompagni a una reazione negativa dei destinatari, infatti, è necessario che si investa
seriamente, oltre che sulla qualità e sull’aggiornamento continuo dei dati utilizzati, su
policy di protezione della privacy che siano all’altezza della possibile percezione di
intrusione e limitazione degli spazi di libertà del consumatore. Si rende inoltre
necessario investire sull’integrazione dei dati utili ai fini di advertising con una
conoscenza più approfondita dell’intero ciclo di relazione con il cliente.
Tutto ciò richiede un approccio strategico al Big Data Marketing. Nel rapporto di IAB
Europe di giugno 2016 sul programmatic advertising si richiamava l’attenzione su come
oggi sia, invece e purtroppo, prevalente “la tendenza a utilizzare il programmatic in una
logica più tattica”: un’attenzione rivolta prevalentemente alla creazione di efficienza
nella spesa rischia di “far perdere le opportunità strategiche”.

116
Per tenere fermo il focus sul valore, come centrale nell’elaborazione delle strategie e
delle azioni di marketing nell’era dei big data, è necessario rinforzare l’attenzione sul
“customer learning” e sull’intero ciclo di management dell’esperienza e relazione con il
cliente.
L’enfasi, in una prospettiva di nuova economia digitale, dovrebbe essere posta su come
la condivisione di dati e algoritmi alla base delle nuove piattaforme di business, possa
essere messa al servizio di un’estrazione del valore che riguardi tutti gli attori coinvolti.
Questa può diventare non solo una base per un ripensamento di come si fa marketing,
ma anche per una ridefinizione di come si fa business nell’economia digitale dei big
data163.

3.4. AUGMENTED & ADAPTIVE MARKETING

3.4.1. AUGMENTED & ADAPTIVE EXPERIENCE

La marca, oggi, incontra i clienti attraverso modalità di contatto e interazione diverse,
tante quante sono i touchpoint rilevanti nel consumer journey164. Questi incontri oggi
sono ubiqui, grazie alla rete e all’IoT.

163
Mandelli (2017), op. cit.
164
Lemon K.N., Verhoef P.C. (2016), “Understanding customer experience throughout the customer”,
Journey Journal of Marketing, AMA/MSI Special Issue, 80(6), p.69.

117
 FIGURA 8. Il device mesh alla base dell’ubiquità di internet
Fonte: rielaborazione da Govekar, Willis (2016)

Ciò che il cliente incontra non è solo comunicazione ma tutte le occasioni di valore co-
create attraverso l’interazione con l’azienda e la marca.
Per “brand experience” si intende in letteratura “risposte interne e soggettive
(sensazioni, sentimenti e cognizioni) del consumatore e risposte comportamenti
suscitate da stimoli brand-related che sono parte del design e dell'identità del brand cosi
come del packaging, della comunicazione e degli ambienti”165.
Come ricordano i ricercatori della scuola “esperienziale” nel marketing: “le esperienze
di consumo sono multidimensionali includendo dimensioni edoniche quali i sentimenti,
le fantasie e il divertimento”, ma anche dimensioni valoriali afferenti alla sfera della
responsabilità sociale. Le esperienze di marca avvengono attraverso incontri sia diretti
sia mediati da contenuti, simboli e tecnologie.

165
Brakus J.J., Schmitt B.H., Zarantonello L. (2009), “Brand experience: What is it? How it is measured?
Does it affect loyalty?“, Journal of Marketing 73(3), p.53

118
 Lo storytelling di marca ci dice come l’azienda, i suoi prodotti e la sua visione del mercato
possono offrirci benefici e avere senso nella nostra vita.
Nell’accezione di servizio adottata anche la marca “risolve problemi”.
Non solo la comunicazione, ma anche il prodotto e gli ambienti in cui avvengono gli
incontri di marca sono parte dei sistemi di servizio e quindi variabili di disegno
dell’esperienza da parte del marketer.
I singoli episodi di brand experience (per il momento concepiti fenomenologicamente
come afferenti alla sfera della percezione e coscienza umana) avvengono nello spazio e
nel tempo, in un percorso che può essere mappato estrapolando un processo d’acquisto
(il customer journey) o interi ambiti di vita del consumatore.
In questo modo il branding si trasforma in qualcosa che viene costruito da ogni
occasione che permette di creare esperienze di valore. Il valore nelle esperienze si
sviluppa secondo dimensioni differenti, collegabili a diverse aree di motivazione nel
comportamento del consumatore e diverse pratiche culturali.
Queste dimensioni sono:

- Funzionale (percepisco valore in base al servizio che ottengo, tenendo conto dei costi di
ottenimento di questi benefici/soluzioni):
- Edonico/identitaria (percepisco valore perché vivo esperienze gradevoli e perché ho la
possibilità attraverso questa esperienza di esplorare e segnalare aspetti rilevanti del mio
essere):
- Sociale (percepisco valore perché questa esperienza mi dà l’occasione di collegarmi
simbolicamente o attivamente a gruppi e comunità per me rilevanti e perché attraverso
questa esperienza agisco su valori importanti per la società e la comunità).

La marca può supportare tali processi attraverso diversi “stimoli”, tra i quali vi è il
prodotto (vissuto come soluzione a un problema, come significato o come occasione di
socialità, “linking value”), il suo modo di essere/comunicare e i contesti anche di
spazio/ambiente mediali e sociali in cui si fa trovare.

119
Un prodotto o servizio che soddisfi le necessità per le quali è stato acquistato crea
soddisfazione nel consumatore, soprattutto se l’esperienza d’acquisto è stata gradevole
ed efficiente.166
I punti di contatto (touchpoint) tra consumatore e marca sono ubiqui, definiti nella loro
dimensione di canale come negozio, Google search, social media, sito web, ma anche
wearable, connected product o smart car.
In marketing, è diventato di uso comune un concetto per definire questo percorso non
lineare di costruzione del servizio e della relazione di marca: customer journey.
Una delle modalità più semplici di applicazione di questo concetto è considerare il
percorso che il consumatore fa per arrivare a una transazione, visto come susseguirsi di
step di attività e decisione, in interazione con contenuti e azioni delle aziende e del loro
marketing, per arrivare all’acquisto.
In questa versione il consumer journey è da considerare come un’evoluzione del
concetto di processo di acquisto tradizionale, in grado di tener conto dell’accresciuta
complessità di queste attività e interazioni, dovuta all’arricchimento di informazioni e
connessioni rilevanti per questa decisione disponibili in rete.167
Su questo journey le marche non rimangono solo in concorrenza cognitiva costante con
tutte le altre (continous consideration set): in una versione senza frizioni e gerarchie di
questi journey, le marche possono entrare in gioco in tutte le fasi o uscirne perché i
consumatori (o i loro assistenti robotizzati, più o meno invisibili) hanno accesso a
informazioni continue e contestualizzate a reti sociali (portable social graphs) che
aggiungono senso a queste offerte.
Anche questo contributo della rete sociale può essere sia algoritmico (il software vede
cosa è rilevante nella tua comunità) sia basato su interazioni umano-umano (chiedere
un parere in un gruppo WhatsApp).
La semplificazione dell’idea di journey serve a ricordare che il comportamento di
acquisto è diventato complesso e non lineare.

166
Mandelli (2017), op. cit.
167
Mandelli (2017), op. cit.

120
Nell’accezione qui utilizzata, invece, il journey è considerato come un percorso di
incontri ed esperienze tra gli attori che partecipano agli scambi di risorse e servizi e alla
co-creazione di valore, emergenti nel tempo e nello spazio sociale in sistemi di servizio
aumentati e dinamici.
Il potenziale di valore (risorse integrabili e generabili nell’incontro) della singola
esperienza è vincolato dal service bundle e dalle organizzazioni di servizio che lo
gestiscono, e aumentato dalle mediazioni della materialità, dei software (dati e
algoritmi) e dell’umanità che generano e rigenerano dinamicamente il servicescape, cioè
il contesto nel quale il servizio viene prodotto e consumato.
Questi percorsi e reti di attori si intersecano nei singoli prodotti o episodi di esperienza,
formando strati e combinazioni dinamiche di sistemi/reti di servizio al livello dei singoli
touchpoint e nel mercato più in generale il customer journey è complesso, perché ogni
touchpoint può diventare anche l’intersezione di diverse traiettorie di esperienza (nello
stesso luogo possiamo interagire con una persona che avevamo deciso di incontrare
alcuni giorni prima sulla base di determinate considerazione, ma allo stesso tempo
possiamo rispondere al telefono e parlare con qualcun altro o accedere a informazioni
geolocalizzate con il nostro tablet).
Le esperienze di servizio sono sommerse in network di significati aumentati e di relazioni
(potenzialmente infinite) aumentate, ma anche in una competizione digitale
continuativamente aumentata.
Il design del servizio e i principi di management dovrebbero essere rivisti sulla base delle
nuove condizioni di mercato.168
Un esempio pratico è il stetoscopio intelligente, usato nei nuovi servizi di medicina big
data, che si trasforma in integratore di servizi prodotti da diversi provider offerti a diversi
beneficiari/clienti, in tempi e luoghi diversi; agisce, infatti, sia come parte del sistema di
servizio nel quale il paziente viene visitato, ma contemporaneamente, raccogliendo e
distribuendo i dati al medico, al paziente, alle istituzioni sanitarie, anche come parte di
servicescape diversi.

168
Mandelli (2017), op. cit.

121
In questa formula il prodotto/servizio è personalizzato e il pricing dinamico, come
mostrano le politiche ormai di routine di Amazon, delle compagnie aeree commerciali e
di altri operatori che settano il prezzo dei prodotti in base al profilo dinamico del
consumatore che sta acquistando e ad altre informazioni di contesto.
In questo senso l’intero sistema di servizio (nella sua accezione di ecosistema di co-
creazione di valore) è augmented & adaptive.
In passato il prodotto veniva contestualizzato come qualcosa da vendere/distribuire al
cliente.
Anche dopo aver capito che i significati di marca hanno un ruolo importante in questo
processo, abbiamo continuato sostanzialmente a separare il prodotto dalla
comunicazione come momenti distinti del marketing mix.
Oggi, una volta capito che il valore del business emerge dal valore co-creato in queste
esperienze cumulate, sia il prodotto sia la comunicazione sono implosi nel concetto di
esperienza di marca.
Il prodotto non ha un valore in sé, bensì lo ha come valore di esperienza, e i suoi costi
per il consumatore, a partire dal prezzo, agiscono nel processo come modificatori del
valore dell’esperienza possibile.
Anche quelli che una volta avremmo chiamato canali di vendita, e oggi i touchpoint nei
mercati omnichannel, sono meglio compresi se li pensiamo come servicescape, ambienti
di contatto ed esperienza anche aumentabili, sia come servizio, sia come impatto
emozionale, sia come socialità attraverso il digitale.
Il servicescape non è un luogo fisico o virtuale, ma è esso stesso una rete di risorse
materiali, biologiche, algoritmiche e sociali.
Il valore emerge nelle relazioni, costruite attraverso interazioni nel tempo (il right time
del dato utilizzato e dell’interazione tra marca e consumatore, che sostituisce un
concetto di real-time astratto), all’interno di network tra cooperating partner.169
Se i prodotti diventano esperienze e il rapporto tra consumatore e azienda diventa una
relazione emergente dalle diverse esperienze di marca, il marketing al tempo dei big
data si traduce in management dell’”augmented & adaptive customer experience”.

169
Mandelli (2017), op. cit.

122
Dentro a questo management ci sono sia la strategia di marketing, sia la strategia di
brand (perché basata sul learning continuo e la dinamicizzazione della value proposition
diventata customer centric e value-based), sia il marketing mix (come prodotto prezzo,
comunicazione e distribuzione, che diventano “augmented & adaptive” e quindi più
rilevanti e meaningful per il consumatore).
Questo modo di intendere il marketing e il brand scardina molti dei principi e delle
pratiche che hanno plasmato il nostro fare marketing nel passato.
L’”augmented & adaptive experience journey” è disegnato dal marketer (per gli aspetti
pianificabili) non come una successione gerarchica di attività, ma come un set dinamico
di occasioni di incontro ed esperienza, a partire dalla conoscenza (big e small data) sulle
aspettative di valore del consumatore e di come si pensa di supportare
(interattivamente tra umani o algoritmicamente) i processi di esperienza e co-creazione
di valore del cliente nei diversi touchpoint.
Considerare i diversi touchpoint, incluso il prodotto, come servicescape aiuta a ricordare
la dimensione sociale di questi ambienti nei quali avvengono le interazioni tra azienda e
clienti.
Qui oggi vengono intesi come spazi sociali dinamici/contestualizzati e integrati in
journey più complessi, in ciò che viene anche chiamato “augmented service journey”170.
In questa accezione, augmented significa aumentato come agentività e mediazione
tecnologica, ma soprattutto aumentato di valore.171

3.4.2. AUGMENTED & ADAPTIVE EXPERIENCE JOURNEY

DESIGN
L’augmented service experience può essere concettualizzata come un’esperienza in cui
la mediazione e l’agentività digitale, nelle sue varie forme di combinazione di virtualità
e materialità, aumentano le opportunità di valore nello specifico scambio di risorse, al

170
Mandelli A., La Rocca A. (2014) “From service experience to aumented service journeys: digital
technology and networks in consumer services”, in E. Baglieri, U. Karmarkar (eds.), Managing Consumer
Services, New York, Springer p.151
171
Mandelli (2017), op. cit.

123
livello dei singoli touchpoint e sull’intero percorso di costruzione della relazione di
marca.
La mediazione tecnologica agisce come “value agent” attraverso l’augmentation del
bundle di servizi (la rete di servizi offerti), dell’ambiente di servizio (il servicescape) e
delle possibilità di cooperazione/co-produzione tra gli attori coinvolti nell’incontro.
Il retailer che in negozio o attraverso digital personal assistant su mobile app offre
consigli e personalizzazione di servizio al cliente di cui conosce storia e preferenze, ma
di cui sa anche in tempo reale che sta per arrivare a fare shopping, fa leva su una base
di dati storica e real-time che aumenta la personalizzazione/precisione di servizio e la
potenziale soddisfazione del consumatore.
Questo sistema di servizio complesso (omnichannel e integrato nel tempo e nello spazio)
è stato disegnato a partire da insight su cosa è rilevante per il cliente di quel retailer nei
diversi contesti, ma anche dai dati dei digital data stream in tempo reale; entrambi
definiscono il contesto di rilevanza per guidare il bundle di servizi dinamico, la decisione
relativa ai singoli servicescape e alla loro orchestrazione.
Il tema dell’assistenza robotizzata al consumatore è un altro tema di grande attualità.
Gartner prevede che entro il 2018 i “customer digital assistant” identificheranno le
persone attraverso il riconoscimento facciale e la voce, accompagnandoli senza
soluzione di continuità attraverso i canali e i fornitori, nei loro percorsi di consumo.
Nei diversi touchpoint l’interazione software-driven tra questi assistenti robotizzati e i
clienti mimerà la conversazione umana, sia nell’ascolto sia nella parola, adattandola a
livello di tono e contenuti, attraverso l’incorporazione del senso della storia delle
interazioni precedenti e il contesto dell’interazione specifica.
Entro il 2020 è stato previsto che gli “smart agent” (virtual personal assistant e business
agent) arriveranno a facilitare il 40 per cento delle interazioni mobile, divenendo persino
in grado di agire in modo autonomo, in base alla comprensione e previsione dei nostri
comportamenti172.

172
Pemberton Levy (2015), “Gartner’s Top 10 Predictions herald what it means to be human in a digital
world”, Gartner, www.gartner.com, 6 October.

124
 La spinta verso la “programmable economy”, come viene chiamata da Gartner, è data
proprio da questa diffusività dell’intelligenza robotica.
I big data cambiano l’experience management e il marketing perché agiscono proprio
sulle possibilità di value augmentation, innestando:

- Precisione e profondità di insight su cosa è rilevante per il consumatore in modo

dinamico;
- Capacità di anticipazione dei comportamenti, per personalizzare l’offerta in modo
adattivo, cioè facendo guidare la decisione e l’azione dai diversi flussi e patrimoni di dati
e dagli algoritmi esplorativi di modellizzazione che li attraversano.

I big data influenzano la mappatura del journey del consumatore e delle modalità e dei
contesti in cui la marca diventa rilevante, anche in alternativa alle offerte concorrenti.
I nuovi insight diventano input di comprensione di un comportamento di consumo che
sta modificando i processi chiave, con riferimento agli attori coinvolti e ai nodi di
influenza (gli influencer) nelle decisioni di acquisto.
L’insight cosi prodotto può supportare nuove strategie di comunicazione e relazione con
gli attori di interesse nel mercato.
Conoscere il journey significa capire cosa succede (e quando, dove e come) prima e dopo
che si proceda alla transazione, comprendere la rilevanza per il cliente e la possibile
“performance di business” di ogni singolo touchpoint, intendendo con questo anche
l’influenza di quanto avviene in un canale su quanto avverrà più tardi in un altro, dal
punto di vista sia del servizio possibile sia del possibile business.
La possibilità di conoscere i comportamenti dei consumatori e altri eventi significativi, in
modo estensivo e granulare, in tempo reale (al tempo giusto per la presa di decisione) e
integrando flussi da fonti diverse distribuite nell’ubiquità dei touchpoint rilevanti, con la
precisione del dato di contesto (per esempio, di geolocalizzazione) e di profilazione sul
cliente, può rappresentare un input dinamico e persino automatico per il sistema di
marketing operativo (quale prodotto ti offro, a quale prezzo, come te lo presento e
dove).

125
L’esempio del programmatic advertising segue la stessa logica, applicata però alla
possibilità che la decisione diventi algoritmica (automatica), a partire dai flussi di dati
continui (digital data stream).
La stessa prospettiva si applica allo sviluppo dei nuovi sistemi di “crisis management”
basati su infrastrutture e procedure (anche automatiche) di monitoraggio continuo delle
conversazioni rilevanti sui social media, che possano guidare interventi di riduzione e
gestione del rischio o della crisi.
Toyota dopo aver capito (tra il 2010 e il 2011) che la crisi reputazionale collegata al
“recall” dei suoi modelli di auto coinvolti in incidenti mortali per cause attribuibili
inizialmente a difetti meccanici, poteva essere meglio gestita attraverso l’uso di alert e
la possibilità di intervento tempestivo nella comunicazione e servizio ai clienti e agli altri
stakeholder coinvolti, ha trasformato il suo sistema di issue & crisis management in un
sistema big-data-based.
L’obiettivo oggi è costruire una conoscenza esaustiva, precisa e dinamica relativa alla
sicurezza delle automobili Toyota, e comunicare in modo efficace questa sicurezza al
cliente (e ad altri stakeholder, anche istituzionali), in ogni occasione in cui questa
informazione sia richiesta/rilevante.
L’esperienza di consumo nell’era dell’IoT è fatta di prodotti connessi e di servizi guidati
dai dati sensor-generated.
Nei nuovi mercati digitalizzati e sensorizzati praticamente ogni cosa può essere connessa
con ogni altro oggetto, ambiente e persona, diventando quindi un nodo
intelligente/agente delle reti di servizio (le piattaforme).
Abbiamo imparato a includere nella nostra vita quotidiana gli oggetti che misurano e
tracciano parti importanti del nostro essere biologico e quotidiano: wearable device
come i braccialetti di tracciamento per il fitness e smartwatch.
Sono la connessione e l’integrazione che fanno la differenza. Quando questi dati si
possono connettere con piani di cura e recovery della salute del paziente, anche
dinamicamente aggiornati tenendo conto della modellizzazione delle performance di
farmaci e altre cure a partire dal data mining dei dati di tutti i pazienti, questa

126
integrazione di risorse sulle nuove piattaforme proprietarie crea benefici evidenti sia al
paziente che alle organizzazioni che devono programmare queste cure.
Il servizio ingloba il contesto, cioè i dati di profilazione individuale e i dati sull’ambiente
specifico nel quale viene prodotto il servizio, ma anche algoritmi di ottimizzazione e
anticipazione dei comportamenti, di personalizzazione dei contenuti e delle offerte.
In questo senso, la driverless car resa autonoma dall’intelligenza artificiale e dalla
sensorializzazione dell’ambiente è un servicescape aumentato di servizio come lo è il
negozio sensorializzato e adattivo di Amazon Go.173
Come si sostiene in un report Altimeter, più il consumatore è ispirato e libero di scegliere
dentro il contesto dell’interazione con la marca, più le agende della marca e del
consumatore possono allinearsi, più il consumatore e la marca (i due attori che
interagiscono per creare valore) si conoscono e cooperano per integrare al meglio le
proprie risorse, più entrambi gli attori potranno estrarre valore dall’incontro e da quelle
risorse di conoscenza, contenuti, potenzialità di servizio.
Quando l’interazione non è diadica ma sistemica, e ci sono più agenti in gioco, il discorso
non cambia, diventa solo più complesso da gestire.
E non cambia nemmeno quando tra i diversi agenti in questo ecosistema di servizio ci
sono attori non umani, e persino quando il nostro corpo svolge questo ruolo.
La creazione di valore per il consumatore, nell’esperienza cosi aumentata di complessità
ma anche di potenzialità di valore, non avviene solo come massimizzazione dell’utility
ma come massimizzazione delle risorse generate e del valore estraibile, considerando le
risorse accessibili in questo incontro e le agende di preferenze/obiettivi degli attori
coinvolti: accesso e obiettivi del consumatore stesso e dell’impresa, ma anche accesso
e preferenze/scelte dell’attore algoritmico ( le componenti di tecnologia e software che
fanno parte del servicescape aumentato), contenute nei suoi codici, nelle sue
modellizzazioni predittive più o meno cristallizzate, o almeno apparentemente
autonome dell’intelligenza artificiale.
Il nuovo modo di disegnare le esperienze permette di interagire con i consumatori per
creare valore in tutti i touchpoint rilevanti, ridefinendo i servicescape nell’ubiquità delle

173
Mandelli (2017), op. cit.

127
 nuove reti. I dati e il software entrano nel processo sia come risorsa che facilita lo
scambio di servizi, sia come agente trasformativo dei servicescape.
Il processo inizia con la conoscenza: l’insight sul consumatore e la mappatura continua
e dinamica dei suoi journey, attraverso le digital analytics del social mobile marketing, e
oggi anche attraverso i dati prodotti dalle cose e dai servicescape sensorizzati.
Questi dati e “l’immaginazione” forniscono a questi incontri tra marca e consumatore
una risorsa senza la quale l’incontro può non avvenire o non creare valore e la portano
con i tempi (il tempo reale, che è right time tanto più è rilevante per la decisione) che
massimizzano l’ottimizzazione per l’impresa e la rilevanza per il consumatore.
Al tempo dei big data, in sintesi, il disegno del journey (il disegno delle proposte di
marketing sul journey) diventa aumentato e adattivo perché:

- Deve considerare come accrescere le possibilità di creazione ed estrazione di valore per

il cliente e per l’impresa, personalizzando e contestualizzando l’esperienza attraverso i
dati e le mediazioni tecnologiche;
- Deve costruire adattività di decisione e azione (offerta, contenuti, prodotto) attraverso
l’uso dei flussi di dati e le capacità di analisi in tempo reale.
- I big data non sono solo analytics, ma fungono da infrastruttura di insight,
continuativamente alimentata dai processi di mappatura e learning continui di
marketing e servono da collante tra le risorse e le attività che le reti di offerta mettono
in campo cooperativamente per disegnare i nuovi servizi e proposte.174

174
Mandelli (2017), op. cit.

128
4. IL CASO OCTO
TELEMATICS175
4.1. MERCATO ASSICURATIVO
Il mercato assicurativo negli ultimi venti anni ha subito una profonda trasformazione.
A muovere le fila sono stati elementi quali l’innovazione e la liberalizzazione, sollecitati
da un principio fondamentale qual è quello della concorrenza.
Il canale delle agenzie ha perso appeal nella fetta del mercato europeo. Unica eccezione
il ramo danni in Italia, che cresce ancora prevalentemente nel canale agenziale.
La rete dei broker ha dalla sua una certa stabilità. Le quote di mercato sono rimaste
quasi invariate, si conta soprattutto una percentuale di perdite nel settore dei prodotti
assicurativi del ramo danni.
Anche il canale dei broker ha un’eccezione ed è rappresentata dal ramo vita del mercato
olandese.
Nel Regno Unito e in Olanda i comparatori on line sono cresciuti molto, ai danni delle
realtà tradizionali.
In fatto di vendita diretta a subire un calo evidente sono soprattutto le agenzie collocate
in Italia, Spagna e Francia. I motivi vanno ricercati nello sviluppo dell’innovazione
tecnologica e nelle nuove normative.
Internet ed i comparatori on line hanno consentito di ridurre i prezzi, permettendo ai
consumatori una ricerca delle polizze in totale autonomia ed estrema attenzione alla
qualità.
Osservando da vicino il mercato italiano salta all’occhio il grande cambiamento, di cui è
stato oggetto soprattutto il ramo vita, che ha visto prevalere il ruolo delle banche
rispetto a quelle delle agenzie.

175
https://www.octotelematics.com/

129
Se nei primi anni ’90 le banche-assicurazioni potevano godere del 15% dei premi nel
ramo vita, oggi la percentuale si attesta oltre il 70%.
Il ruolo delle agenzie si è indebolito quasi in tutti i segmenti, anche se la loro presenza è
ancora forte.
Gli agenti vantano ancora un buon margine di successo, grazie soprattutto all’ampia
diffusione sul territorio.
L’Italia – come si legge negli ultimi dati resi noti dall’Ania (Associazione Nazionale tra le
imprese assicuratrici, www.ania.it), è collocata al quarto posto in Europa e al settimo
posto nel mondo in fatto di raccolta premi, e vanta una quota di mercato del 3,6% come
nel 2014.
L’incidenza dei premi (danni e vita) sul Prodotto Interno Lordo si è assestata sul 9,0%.
In Italia il premio medio per abitante (danni e vita) è pari a 2.434 euro, e risulta inferiore
a quello che si evidenzia nei principali paesi industrializzati, ma è leggermente superiore
a quello della Germania.
Secondo gli ultimi dati Ania il “78,6% delle polizze nel settore danni è stato venduto
attraverso il canale agenziale”.
L’Ania stima un 24,9% dei premi del canale agenziale, originata in realtà dal canale
broker.
Per osservare da vicino la tendenza del mercato assicurativo su scala mondiale è utile
scorrere un report come quello proposto da Swiss Re presenta su Sigma.
Partendo da un dato su tutti si apprende che è la Svizzera il paese che vanta la più alta
densità assicurativa.
Il tasso di sviluppo assicurativo risulta più elevato nelle economie più deboli.
Questo aspetto dipende dal fatto che la crescita economica è più intensa nei paesi
emergenti.
Negli ultimi dieci anni, a partire dalla crisi del 2008, che ha iniziato a colpire quasi tutti i
paesi e soprattutto gli Stati Uniti e a seguire l’Europa, la crescita media del PIL mondiale
è stata caratterizzata dal 2,8%.
Nel 2016 gli analisti hanno evidenziato che la raccolta premi mondiale ha potuto contare
su un rialzo del 4,4%.

130
Si parla di una raccolta globale che ha raggiunto quota 3.650 miliardi di euro, ad
esclusione del ramo salute.
A supportare la crescita della raccolta premi sarebbe il mercato assicurativo cinese al
quale, con tutta probabilità, si deve la metà della crescita mondiale.
Lo sviluppo dell’economia cinese ha quindi fatto da effetto traino, consentendo al
mercato assicurativo di crescere come non succedeva dal 2008.
La spesa pro capite delle realtà emergenti dovrà comunque compiere ancora molta
strada prima di raggiungere il tetto medio, che i paesi sviluppati riservano alla spesa
assicurativa.
I segnali d’un percorso di crescita sono decisamente evidenti come dimostrano i numeri
della Cina, che ha superato l’Austria in fatto di tasso di penetrazione assicurativa, e sta
raggiungendo la portata del mercato assicurativo in Germania.
Se da un lato la Cina sta crescendo stabilmente il rovescio della medaglia è
rappresentato dal calo che interessa il ramo assicurativo Vita, un po’ in ogni angolo del
globo.
L’Europa Occidentale deve fare i conti con un decremento dell’1,2%.
Un calo che ha caratterizzato anche i mercati dell’Europa Orientale, dove le quote più
basse sono ad appannaggio della Repubblica Ceca e della Polonia, ed incredibilmente il
mercato assicurativo dell’Australia.
Crescono, come già evidenziato, i mercati emergenti dell’Asia, fra cui spiccano realtà
come Indonesia, India e Vietnam, a cui si accodano territori come quello russo e turco.
Crescite interessanti anche negli Stati Uniti d’America.176
Secondo quanto riportato da Fabio Sbianchi, Amministratore delegato di Octo
Telematics, al SAS FORUM tenutosi a Milano in data 11 aprile 2017, a differenza
dell’industria automobilistica che ha avuto a disposizione tempo sufficiente per innovare
le componenti delle automobili, il settore delle assicurazioni deve evolversi molto
velocemente poiché le società assicurative sono rimaste indietro riguardo alle politiche
di pricing e alle metodologie di calcolo del rischio.

176
(https://scenarieconomici.it/analisi-del-mercato-assicurativo-tendenze-in-italia-e-nel-mondo/)-
https://scenarieconomici.it/se/attualita/

131
Oggi queste imprese sono chiamate ad evolversi attraverso l’utilizzo della telematica
utile a fornire i dati necessari per utilizzare parametri dinamici per determinare il pricing.
È quindi necessario passare da indicatori statici a parametri dinamici, passaggio che
impone a tutta l’industry di cambiare e di crescere in pochissimo tempo.
In questa trasformazione Service provider e Analytics svolgono un ruolo di primaria
importanza muovendo da dati statici a dati dinamici.
Le polizze basate su sistemi telematici che raccolgono dati dinamici relativi al cliente,
(location, stili di guida ecc.) sono in forte aumento, e questa rivoluzione costringe le
assicurazioni a cambiare le politiche di pricing determinando nuove variabili che sono da
ritenere più rilevanti.
Ci sono un’infinità di sensori tra i quali le Black Box sul veicolo, e gli smartphone che
consentono di valutare il rischio di ogni specifico cliente (risk assestment).
I connected car sul mercato (macchine con black box) per raccogliere dati dinamici
relativi al comportamento del guidatore si avvalgono di piattaforme IOT scalabili, con
capacità enormi di storage e analytics.177

4.2. OCTO TELEMATICS

Octo Telematics Ltd è una società fondata nel 2002 da Fabio Sbianchi, che attualmente
ricopre il ruolo di Amministratore delegato.
Egli cominciando a richiedere l’autorizzazione per il trattamento dei dati agli
automobilisti è riuscito ad ottenere un enorme mole di dati.
Questa raccolta di dati ha permesso a Octo Telematics di creare e fornire un servizio alle
compagnie assicurative.
Octo è, quindi, una società telematica che fornisce soluzioni su misura per i settori
automobilistico e assicurativo178 attraverso la raccolta di dati di contesto, di posizione e
di arresto anomalo dei veicoli automobilistici, così come informazioni sul

177
Fabio Sbianchi, Amministratore Delegato Octo Telematics, intervista SAS FORUM Milano, 11 Aprile
2017
178
“New York Times”. nytimes.com. Retrieved 2016-12-08.

132
comportamento degli automobilisti, volte a supportare le “Usage-based-insurance”
(UBI) – note anche come assicurazioni “pay-as-you-drive”.
La società è stata fondata in Italia ed è entrata nei mercati UK e USA nel 2011.
Nel 2015 ha, invece, trasferito la sua sede a Londra. L'azienda ha uffici a Boston, Roma,
Stoccarda, Madrid e Sao Paulo.
Essa fornisce servizi sia agli assicuratori che agli automobilisti utilizzando tecniche
analitiche volte ad indagare comportamenti e stili di guida contestualizzati degli
automobilisti.
Per lo sviluppo dei propri prodotti e servizi, Octo Telematics lavora con istituti di ricerca
tra i quali spicca il centro “The Ohio State University per Automotive Research” (CAR)179.
Le informazioni che gli assicuratori ricevono dai dispositivi telematici a loro disposizione
modificano il modo in cui vengono decise le politiche di pricing, ovvero esse variano sulla
base dei dati relativi agli automobilisti in modo da ottenere prezzi più accurati.
La tecnologia fornita da Octo Telematics viene utilizzata anche per rilevare frodi
assicurative, provvedendo agli assicuratori una comprensione completa degli incidenti.
Se i dispositivi presenti nelle automobili rilevano una “G-force180” sopra un certo livello,
possono automaticamente innescare una telefonata all’automobilista per controllare se
egli o altri passeggeri stanno bene, o se è necessario allertare i servizi di emergenza181.
Octo fornisce prodotti quali “Octo U”, ovvero un'applicazione per smartphone, che
utilizza sensori GPS e smartphone per tenere traccia di quanto sicuro è lo stile di guida
su una determinata automobile182 e il “Programma Link” di Octo che collega Octo U agli
assicuratori, consentendo agli automobilisti di condividere le registrazioni sul loro stile
di guida agli assicuratori in modo da ottenere eventuali rimborsi183.

179
"Octo Telematics Partners with The Ohio State University Center for Automotive Research".
news.yahoo.com. Retrieved 2016-12-08.
180
One g is the acceleration due to gravity at the Earth's surface and is the standard gravity (symbol: gn),
defined as9.80665 metres per second squared, or equivalently9.80665 newtons of force per kilogram of
mass.
181
"Crash test: The tech driving down car insurance fraud - BBC News". bbc.co.uk. Retrieved 2016-12-08.
182
"Octo U app uses GPS to track how safety you actually drive | Daily Mail Online". dailymail.co.uk.
Retrieved 2016-12-08.
183
"Insurers to 'bid' for the best drivers based on telematics scores". telegraph.co.uk. Retrieved 2016-
12-08.

133
Introducendo la telematica nel mercato automobilistico, Octo Telematics ha aiutato le
società assicurative a calcolare accuratamente il rischio, e a gestire e rimborsare i sinistri
grazie ad analisi svolte sui dati; rendendo le politiche di prezzo delle assicurazioni più
eque e trasparenti nei confronti degli automobilisti.
Oggi, Octo è cresciuta diventando il principale fornitore globale di servizi assicurativi
telematici, con più di 60 partners e 5,1 milioni di utenti connessi in tutto il mondo.
Le analisi svolte sui dati degli utenti (in particolare degli automobilisti) gli consentono di
fornire analytics e soluzioni connesse alle automobili ad imprese operanti nel settore
automobilistico cosi come in quello del noleggio auto e dei trasporti.
La mission della società riguarda:
“Sfruttare la potenza dei dati per fornire soluzioni intelligenti per il mondo connesso”
Grazie alla più grande flotta telematica in Europa per numero di clienti attivi e al
database di dati statistici più completo al mondo, Octo Telematics rappresenta una best
practice nel panorama mondiale della telematica veicolare e dell’infomobilità.
Precursore e leader nella ricerca, nello sviluppo e nella gestione di applicazioni
telematiche all’avanguardia per le assicurazioni auto.
Octo Telematics, inoltre, mette a disposizione dei propri clienti competenze di alto
valore e team multidisciplinari composti da esperti nella progettazione e realizzazione
di piattaforme software per centri servizi telematici, dispositivi automotive, modelli di
offerta assicurativa e marketing dei servizi.
In concreto, Octo fornisce servizi di assicurazione telematica, che secondo Cinzia
Amandonico – Business Solution Manager SAS184, stanno diventando sempre più
popolari e diffusi tra gli automobilisti, riuscendo ad attrarre i guidatori più giovani,
conoscitori della tecnologia e orientati all’innovazione, ma anche altri poiché grazie la
telematica offre benefici a tutti gli automobilisti e anche alle società di assicurazione
stesse.
Infatti, essa è in grado di ideare, implementare e gestire una gamma completa e
integrata di soluzioni ad alto valore aggiunto sempre più competitive e innovative,

184
https://www.sas.com/ : SAS is the leader in analytics. Through innovative analytics, BI and data
management software and services, SAS helps turn your data into better decisions.

134
utilizzando i modelli “pay per use” o “pay as you drive” e consentendo risparmi
considerevoli rispetto ai costi tradizionali, così come un’ampia gamma di servizi a valore
aggiunto come avvisi di emergenza e servizi di recupero veicoli rubati.
Tutto questo avviene grazie all’utilizzo dei cosiddetti “black box”185, che rilevano una
molteplicità di dati relativi agli stili di guida (frenate, curve, sterzate), attraverso una
misurazione attiva dei consumatori, che sono a conoscenza del monitoraggio ricevendo
in compenso uno sconto sul premio assicurativo.
Questi black box permettono, in concreto, di effettuare pricing sulle RCA in modo più
personalizzato rispetto alle sole caratteristiche anagrafiche.

4.3. Octo Telematics e SAS: Usage-Based

Insurance attraverso Advanced Analytics

Octo Telematics non può vendere i dati e le informazioni in essi contenute relative ad
uno specifico soggetto per via delle leggi sulla privacy, per questo motivo si avvale di
analytics che, attraverso metodi statistici, elaborano i dati raccolti tramite black box in
modo da fornirgli informazioni su un collettivo (generali) e non relative ai singoli.
Octo telematics, grazie a queste analisi sui dati in suo possesso, opera segmentazioni di
consumatori utilizzando tecniche tra cui la Cluster Analysis186.
Per vendere questi servizi Octo Telematics ha implementato Indicatori (KPI), metriche e
modelli per la misura del rischio settimana per settimana e mese per mese.
Questi modelli di rischio considerano pattern e benchmark che sono rappresentati dal
tipo di strada percorsa (strada urbana, extraurbana e superstrada), i giorni di utilizzo

185
A black box is a device, object, or system whose inner workings are unknown; only the "stimuli inputs"
and "output reactions" are known characteristics,
https://en.wikipedia.org/wiki/Black_box_(disambiguation)
186
(La cluster analysis e’ una tecnica di analisi multivariata attraverso la quale e’ possibile raggruppare le
unità statistiche, in modo da minimizzare la “lontananza logica” interna a ciascun gruppo e di
massimizzare quella tra i gruppi)

135
dell’automobile (festivi e feriali) suddivisi in quattro fasce (mattina, pomeriggio, sera,
notte) e variabili accelerometriche, e di velocità istantanea.
Tutte queste variabili incrociate tra loro danno vita a 2500 KPIs, ovvero gradi di rischio
differenti sui quali vengono calcolati quartili, media, mediana, e altre statistiche per
interpretarli al meglio.
Octo opera attraverso un Processo IOT187: Il dato grezzo è un dato binario e quindi
incomprensibile per questo è necessario elaborarlo attraverso diversi processi, in
seguito il dato elaborato dagli analytics a disposizione di Octo viene inviato a SAS.
Per applicare questo modello questa società si avvale di un avanzato modello di
piattaforma IOT, in grado di raccogliere dati riguardanti più di 200.000 km al minuto dei
loro clienti.
Le piattaforme, inoltre, devono essere performanti, flessibili, scalabili con eccellenti
capacità di analytics combinate con circostanze di security che sono ormai una necessità.
SAS, invece, opera su una forma più comprensibile di dati (ad esempio, il dato in forma
di variabili accelerometriche) che utilizza con lo scopo di ottenere Intelligence (ovvero il
prodotto finale che è il grado di rischio).
La variabile target di questo processo è il cosiddetto Crash ovvero la probabilità che si
verifichi un’accelerazione molto forte.
È importante capire qual è il rischio di Crash per le società assicurative e questo è reso
ancora più difficile poiché non tutti gli incidenti vengono tramutati in Claim (sinistri
dichiarati dall’autista all’assicurazione).
Attraverso modelli di regressione SAS fornisce a Octo Telematics strumenti per
organizzare i dati e creare informazioni a valore aggiunto per ottenere KPIs di sintesi.188
La partnership tra queste due imprese ha come obiettivo quello di sfruttare state-of-
the-art tecnology e joint R&D per creare nuovi algoritmi di analytics e servizi, attraverso
una condivisa e comune go-to-market strategy per selezionate imprese assicurative.

187
https://www.digital4.biz/marketing/big-data-analytics/iot-cosa-significa-e-come-si-fa-a-rendere-il-
mondo-ed-il-business-piu-smart_43672158409.htm
188
Intervista Cinza Amandonico, Business Solution Manager SAS, 23 Giugno 2017

136
In questo modo gli assicuratori guadagnano migliori insights sui consumatori, migliori
CRM e politiche di pricing che diverrebbero più adatte alle situazioni e avrebbero una
più precisa risk base.
I consumatori, invece, avrebbero prezzi personalizzati, migliore sicurezza, e un miglior
customer journey.

Octo Telematics’ approach to smart data and telematic services

FIGURA 9. Presentation in Insurance Day 2015, Athens, 13th March 2015

Un comune fondo di dati è l’anima del Sistema, esso collega dati da dispositivi telematici,
attributi e dati esterni per meglio profilare i comportamenti dei consumatori e arricchire
la conoscenza da un punto di vista del business.

137
Strumenti e automobilisti vengono analizzati in diverse dimensioni di tempo e di spazio,
dati del veicolo, dati socio demografici, relativi al traffico, ai crashes, in modo da
evidenziare le loro caratteristiche e i loro comportamenti.

4.4. TRIGGER e BARRIERE, Il processo di Data

Monetization nel Mercato Italiano
La Data Monetization, secondo quanto riportato finora, può avvenire in diversi modi,
tuttavia nella maggior parte dei casi, e in quelli più redditizi, la monetizzazione dei dati
non riguarda i dati grezzi ma più propriamente essa fa riferimento a Data Product ovvero
al risultato del processo di elaborazione dei dati attraverso l’utilizzo dei Big Data
analytics189.
La vendita di questi Data Product (come nel caso delle assicurazioni telematiche) deve
fare fronte ad alcuni ostacoli che si presentano durante il processo di monetizzazione.
Questi ostacoli verranno esposti sotto un’ottica aziendale, attraverso la testimonianza
di Francesco Rainini che ricopre il ruolo di Innovation Consultant in SAS.
SAS: Analytics, Business Intelligence and Data Management190 è un’impresa data
consumer che utilizza i dati, elaborandoli per ottenere “informazioni aumentate”,
ovvero informazioni arricchite con altre derivate da processi analitici.
Essa utilizza processi di Data Mining con l’obiettivo di consentire alle aziende clienti una
maggiore comprensione della customer experience dei loro clienti consentendogli di
attuare azioni di marketing mirate e di avere una maggiore comprensione del mercato,

189
http://www.ingegneriainformatica.unina.it/sites/default/files/elaborati_tesi/2015/12/Elaborato%20L
auria%20Francesco%20N46000438.pdf pag.8 : Big Data Analytics è un concetto nuovo, è l’unione di due
concetti fondamentali a noi non sconosciuti. Da un lato Big Data e dall’altro lato la Business Analytics.E’
inedito il concetto di Big Data Analytics figlio di un unione che non è il semplice accostamento dei due
concetti sopra descritti. Big Data Analytics, non significa semplicemente, o non solo, potere fare analisi su
grossi volumi di dati. Anche gli altri due fattori che caratterizzano i Big Data, ovvero la varietà dei dati e la
necessità di trasformare i dati in informazioni il più velocemente possibile sono intervenuti a determinare
la definizione di questa nuova categoria di applicazioni.
190
https://www.sas.com/ : SAS is the leader in analytics. Through innovative analytics, BI and data
management software and services, SAS helps turn your data into better decisions.

138
attraverso queste informazioni è inoltre consentito alle imprese che le possiedono di
passare da azioni di “mass marketing191” ad attività di “one to one marketing192”.
Il business di SAS in concreto si realizza attraverso la vendita di strumenti di Big Data
Analytics che avvalendosi di molteplici modelli statistici forniscono agli acquirenti
informazioni molto utili per accrescere il proprio business, come avviene nel caso di Octo
Telematics.
Secondo quanto emerso durante la testimonianza il processo di Big Data Analytics e di
conseguenza quello di Data Monetization deve far fronte a diverse barriere/ostacoli che
possono essere raggruppati in quattro principali categorie:

1. POSSEDERE I DATI: Questo problema era molto frequente nel passato poiché
ottenere informazioni era spesso complicato e costoso. Oggi nell’era digitale il
possesso dei dati non è più un problema poiché attraverso internet e la
telematica ottenere dati su consumatori e competitor è divenuto semplice ed
economico, tuttavia si riscontra il problema opposto ovvero la necessità di capire
quali tra i tantissimi dati in possesso sono rilevanti per accrescere il business e
individuare nuove opportunità.

2. PREOCCUPAZIONI LEGATE ALLA PRIVACY: La privacy è un concetto molto

rilevante in questo contesto poiché attraverso l’implementazione di ricerche
statistiche sui dati è possibile ottenere informazioni molto precise sui
consumatori.
Questo può condurre a violazioni della regolamentazione in materia e quindi a
sanzioni, tuttavia spesso i problemi non riguardano il regolatore ma la cautela
che le imprese coinvolte devono prestare in questo ambito che conduce a
processi burocratici molto lunghi e alla conseguente perdita di opportunità.

191
www.businessdictionary.com/definition/mass-marketing.html
192
www.businessdictionary.com/definition/one-to-one-marketing.html

139
 3. PROBLEMI CULTURALI: Questo è il problema maggiormente riscontrato nelle
aziende italiane.
Molti Manager, soprattutto per quanto riguarda il mercato italiano, sono ancora
restii ad adottare a pieno regime un approccio Data-Driven. In questo senso
dovrebbero essere attuate azioni volte a favorire l’adozione di una logica
decisionale maggiormente orientata ai dati da parte dei Manager.

4. INGENTI INVESTIMENTI RICHIESTI PER L’ADOZIONE DI BIG DATA ANALYTICS:

Spesso la vendita di Data Product e di strumenti di Big Data Analytics è resa
complicata per via dell’impossibilità di dimostrare, attraverso precise metriche, i
ricavi futuri degli ingenti investimenti richiesti per il loro acquisto.

Nonostante questi limiti, vi sono dei fattori denominati “Trigger”, che in questi anni
hanno favorito e favoriranno in futuro l’adozione di strumenti analitici e dell’approccio
data-driven, essi con riferimento al mercato italiano riguardano la struttura stessa del
mercato definita “Me Too” (ovvero anche io), il passaparola derivato dai risultati positivi
ottenuti e infine gli incentivi varati dal governo volto ad aumentare l’automazione
aziendale (la cosiddetta Industry 4.0). 193

193
Intervista Francesco Rainini, Innovation Consultant presso SAS Institute

140
 CONCLUSIONI
Con l’evoluzione dei sistemi telematici, la completa adozione di internet nella vita
quotidiana di ognuno di noi, gli avanzamenti nell’ AI (Artificial Intelligence), la quasi
completa abolizione dell’utilizzo dei dati analogici a favore dei dati digitali e lo sviluppo
di strumenti di data storage dalle capacità impensabili fino a qualche anno fa, ha avuto
inizio la rivoluzione, ancora in corso di svolgimento, che sta stravolgendo le nostre vite;
ovvero le modalità con cui ci relazioniamo e prendiamo decisioni.
Tutto questo ha condotto a una profonda trasformazione del mondo economico e del
modo di operare delle imprese che si sono dovute, e si devono, adattare continuamente
ai diversi scenari di mercato.
Oggi, infatti, i consumatori grazie alla rete sono in grado di informarsi e di essere
connessi con chiunque essi vogliano indipendentemente dal luogo in cui si trovano.
Le imprese quindi, in questo contesto, devono far fronte a mercati in cui i consumatori
sono sempre più consapevoli e informati riguardo ai prodotti e servizi da loro offerti,
dovendo per di più affrontare un’elevata competizione.
Questa situazione rende sicuramente più complessa la sopravvivenza per un’impresa,
tuttavia essa è anche in grado di creare numerose opportunità per coloro capaci di
adattarsi grazie all’implementazione dei nuovi tools innovativi oggi disponibili utili a
comprendere e molto spesso anche a prevedere i bisogni e le preferenze dei
consumatori in un contesto dinamico in cui questi variano molto rapidamente.
Alcuni di questi strumenti innovativi riguardano i Big Data che sono appunto il motore e
il fulcro della rivoluzione in atto.
In questa tesi, è stato osservato cosa i Big Data hanno apportato, e apportano, in termini
di valore alle imprese che sono in grado di sfruttarli e con quali modalità questo avviene,
con un focus per quanto riguarda il valore apportato dalla Data Monetization al
Marketing che più delle altre funzioni aziendali è interessata a questa rivoluzione.

141
Il processo di creazione del valore attraverso l’utilizzo dei Big Data, ovvero la Data
Monetization, è stato indagato sotto molteplici aspetti e soprattutto con focalizzazioni
su ogni specifica strategia.
In questo senso sono stati esaminati quattro principali orientamenti strategici:
mantenere la proprietà dei dati, commerciare i dati con business partner per ottenere
benefici condivisi, vendere i prodotti derivati dai dati (Data Product), rendere I dati
disponibili a tanti utenti.
Analizzando questi orientamenti sono poi stati approfondite le diverse strategie
adottabili in ognuno di essi che seppur con modalità totalmente differenti tra loro
conducono all’unico obiettivo di creare valore per l’impresa che raccoglie e che elabora
i cosiddetti Big Data.
L’efficacia delle diverse strategie si basa sul contesto in cui l’impresa opera, ma
soprattutto sugli asset194 di cui dispone e sull’utilizzo che ne vuole fare.
È stato inoltre mostrato che quasi tutte le strategie non riguardano la vendita e l’utilizzo
dei dati cosi come essi si presentano durante la fase di raccolta (dati grezzi), ma che esse
fanno riferimento a sottoprodotti dei dati ovvero alle informazioni che essi contengono
e che sono rese disponibili solo dopo una fase di elaborazione che rappresenta la fase
critica per avere successo in questo settore (Amazon, Google, Apple solo per indicarne
alcune).
Le strategie di Data Monetization variano dallo sfruttare i dati internamente per
miglioramenti gestionali e operativi, il che presuppone che l’impresa in questione abbia
elevate disponibilità economiche, alla vendita degli stessi ad un unico business partner,
creando una sorta di joint venture strategica, o alla vendita a più clienti (proprietario
asset monitorato o concorrenti di questo) con l’obbligo di monitorare la diffusione e la
distribuzione dei dati venduti per evitare copie e utilizzi scorretti di questi, infine alla
diffusione dei dati a titolo gratuito per indurre a sottoscrizioni del servizio premium o
per opportunità pubblicitarie (risultando le strategie maggiormente adottate dai social
media).

194
In questo testo con il termine Asset abbiamo inteso tutto ciò che ha valore e che crea valore per
un’impresa.

142
Un interessante utilizzo dei Data Product (ovvero dei “prodotti derivati dai dati”) è
quello di applicarli al marketing che come abbiamo visto si trasforma grazie
all’implementazione degli analytics e a un approccio data-driven in quello che viene
chiamato oggi Big Data Marketing.
In questo senso le ricerche di mercato e marketing traggono numerosi vantaggi e
diventano molto più precise e utili ai marketing manager delle imprese che con costi
nettamente inferiori rispetto al passato sono in grado di prevedere i comportamenti dei
consumatori nei loro “consumer journey” riuscendo ad implementare azioni tempestive
e mirate in base alla fase del percorso decisionale in cui essi si trovano e ai loro bisogni
grazie alla scelta mirata di uno dei numerosi touchpoint disponibili.
Un ruolo importante in questa trasformazione è assunto dal IoT (Internet of Things) e
dai Digital Analytics che consentono alle imprese in primo luogo di avere grandissime
quantità di dati sui consumatori e in secondo luogo di elaborare questi dati con
sofisticati algoritmi garantendo tempestività e precisione nelle decisioni.
Il focus successivamente è stato rivolto a due, a mio avviso tra le più importanti,
innovazioni quali il Programmatic Advertising che consente di comprare e vendere spazi
pubblicitari in modo automatico e tempestivo riducendo gli sprechi di spesa e tempo
grazie a piattaforme digitali dal lato della domanda e dell’offerta tra loro interconnesse,
e all’ Adaptive & Augmented Marketing con riferimento alla realtà aumentata grazie
all’implementazione dei “nuovi” tools telematici (smartphone, tablet e laptop per
citarne alcuni) e dell’IoT che li rende interconnessi e interdipendenti, in questo modo i
touchpoint di contatto tra l’impresa e i consumatori si moltiplicano poiché una persona
può trovarsi fisicamente in luogo ma con il suo smartphone può essere da tutt’altra
parte consentendo alle imprese più avanzate nell’ambito della comunicazione di
interagire con essi nel modo più appropriato, rendendo in questo modo possibile il
“disegno” del customer journey da parte di quest’ultime.
Alla fine della tesi, invece, ho voluto proporre un caso pratico riguardante un’azienda
italiana pioneristica nel settore delle assicurazioni, Octo Telematics, che per prima ha
deciso di raccogliere dati sui consumatori (automobilisti), rivendendoli alle imprese
assicurative.

143
Questa raccolta è resa possibile grazie alle cosiddette “Black Box”, ovvero scatolette
inserite all’interno delle automobili.
Oltre alla raccolta assume particolare rilevanza anche l’elaborazione di questi dati che
avviene attraverso software statistici (analytics) molto avanzati che operano una pulizia
dei dati estraendo da essi informazioni sul grado di rischio di ogni automobilista.
Per fare ciò Octo Telematics si è affidato a SAS Institute importantissima azienda nel
campo degli analitycs che stipulando una partnership con Octo è diventata essenziale
per il suo business.
È stato quindi osservato che i big data consentono alle imprese di creare valore in tutti i
settori e attraverso molteplici modalità e che questo fenomeno non è del tutto nuovo
poiché le imprese di maggiore successo oggi sono quelle che hanno saputo sfruttare
queste enormi mole di dati nel modo più appropriato.
Tuttavia la diffusione di analytics e big data nelle imprese non è ancora nella sua fase di
maturità e continua a crescere a livelli elevati.
Infine, indagando sulla questione big data e marketing è evidente che grazie ad essi il
marketing sta vivendo la sua “Golden age” riuscendo ad essere preciso come mai prima
della loro applicazione e che nel futuro si andrà solo a migliorare riuscendo ad ottenere
sempre migliori risultati a costi decisamente inferiori rispetto al passato.

144
BIBLIOGRAFIA
BEYER, LANEY (2012), cit. in Lefebvre-Naré, Lamire, Petersson (2017). Una prima
versione del concetto delle 3V (volume,velocity, variety) è in Laney (2001)
BRAKUS J.J., SCHMITT B.H., ZARANTONELLO L. (2009), “Brand experience: What is it?
How it is measured? Does it affect loyalty?“, Journal of Marketing 73(3)
CHITAGUNTA P., HANSSENS D.M., HAUSER J.R. (2016), “Editorial”, Marketing Science,
35(3)
CHIP WALTER, “Kryder’s Law”, Scientific American, August 2005
Côrte-REAL B., OLIVEIRA T., RUIVO P.(2017), “Assessing business value of big data
analytics in European firms”, Journal of Business Research, 70
CUSUMANO M. (2010), Staying Power: Six Enduring Principles for Managing Strategy
and Innovation in an Uncertain World, Oxford-New York, Oxford University Press.
DE MAURO ANDREA, MARCO GRECO e MICHELE GRIMALDI, A Formal definition of Big
Data based on its essential Features, in Library Review, vol. 65, nº 3, 2016, pp. 122-135,
DOI:10.1108/LR-06-2015-0061.
DIRKS D., KOECHLEIN F. (2016), The New Marketing Analytics, Velocity Marketing
Analytics.
Grönross C. (2014), Service Management and Marketing: Managing the Service Profit
Logic, 4th ed. Chichester, John Wiley & Sons.
HEBERT A. SIMON, “Designing Organisations for an Information-Rich World,” in Martin
Greenberger, ed., Computers, Communication, and the Public Interest (Baltimore, MD:
Johns Hopkins Press, 1971)
IBM HorizonWatch (2016), Internet of Things, Small IoT Projects Pay the Way for Future
Transformation, March
KITCHIN R. (2014), “Big data, new epistemologies and paradigm shifts”, Big Data &
Society 1(1)
KITCHIN R., LAURIAULT T. (2015), “Small data in the era of big data”, Geo Journal, 80
(4)
KUNE R. et al. (2016), “The anatomy of big data computing”, Software – Practice &
Experience, 46(1)
LA VALLE S. et al. (2010), «Big Data, analytics, and the path from insights to value», MIT
Sloan Management Review, sloanreview.mit.edu, 21 December.

145
LEMON K.N., VERHOEF P.C. (2016), “Understanding customer experience throughout
the customer”, Journey Journal of Marketing, AMA/MSI Special Issue, 80(6)
MALTHOUSE et al. (2013), “Managing customer relationships in the social media era:
Introducing the social CRM house”, Journal of Interactive Marketing, 27(4)
MANDELLI A., LA ROCCA A. (2014) “From service experience to aumented service
journeys: digital technology and networks in consumer services”, in E. Baglieri, U.
Karmarkar (eds.), Managing Consumer Services, New York, Springer p.151
MANDELLI ANDREINA, “Big Data Marketing, creare valore nella platform economy, con
dati, intelligenza artificiale e IoT”, EGEA, 2017, versione Kindle
MARTIN HILBERT and PRISCILA LOPEZ, “The World’s Technological Capacity to Store,
Communicate, and Compute Information”, Science 332, no.6025 (April 1, 2011) : 60-65,
doi; 10.1126/science, 1200970
MIRKOSVSKI K., VON BRIEL F., LOWRY P.B. (2016), “Semantic Learning-based innovation
framework for social media”, IT Professional, 18(6)
NANSEN et. al. (2014), “An internet of social things”, in OzCHI’14. Proceedings of the 26th
Australian Computer-Human Interaction Conference on Designing Futures: the Future of
Design, Sydney, New South Wales, Australia, 2-5 December, New York, ACM
WEDEL M., KANNAN P.K. (2016), “Marketing analytics for data-rich environment”
Journal of Marketing, 80(6)
OWYANG J., LOVETT J. (2010), Social Marketing Analytics: A New Framework for
Measuring Results in Social Media, Altimeter, 22 April
PEMBERTON LEVY (2015), “Gartner’s Top 10 Predictions herald what it means to be
human in a digital world”, Gartner, www.gartner.com, 6 October.
ROGER BOHN and JAMES SHORT, “How Much Information? 2009: Report on American
Consumers”, University of California, San Diego, Global Information Industry Center,
January 2010
The Economist, “Moore’s Law at 40 : Happy Birthday”, March 23, 2005
TUROW J., TSUI L. (2008), The Hyperlinked Society: Questioning Connections in the
Digital Age, Ann Arbor (MI), Michigan University Press.
WALKER R., “From Big Data to Big Profits. Success with Data and Analytics”, 2015,
Oxford University
WATSON H.J. (2014), “Big data analytics: Concepts, technologies and applications”,
Communications of the Association for Information Systems, 34(65), p. 1247

146
WEINBERG B.D., DAVIS L., BERGER P.D. (2013), “Perspectives on big data”, Journal of
Marketing Analytics, 1(4)

147
SITOGRAFIA
“New York Times”. nytimes.com. Retrieved 2016-12-08.
(https://scenarieconomici.it/analisi-del-mercato-assicurativo-tendenze-in-italia-e-nel-
mondo/)- https://scenarieconomici.it/se/attualita/
Cosenza V. (2016), “Ma quanto sono brave le aziende italiane a usare i social media”,
Che Futuro!, www.chefuturo.it, 5 febbraio
Doyle G. (2014), Computational Linguistics and Learning from Big Data,
web.stanford.edu
Evans P. et. al. (2016), Thinking Outside the Blocks, The Boston Consulting Group,
www.bcg.com , 1 December.
https://bigdatawg.nist.gov/pdf/MGI_big_data_full_report.pdf
http://dictionary.cambridge.org/dictionary/english/data-capture
https://en.wikipedia.org/wiki/Information_Age
https://en.wikipedia.org/wiki/Brick_and_mortar
https://en.wikipedia.org/wiki/Google
https://en.wikipedia.org/wiki/YouTube
https://en.wikipedia.org/wiki/Nest_Labs
https://en.wikipedia.org/wiki/Amazon.com
https://en.wikipedia.org/wiki/Fitbit
https://en.wikipedia.org/wiki/Netflix
https://en.wikipedia.org/wiki/Microsoft
https://en.wikipedia.org/wiki/Apple_Inc
https://en.wikipedia.org/wiki/United_Parcel_Service
https://en.wikipedia.org/wiki/Walmart
https://en.wikipedia.org/wiki/Morningstar,_Inc
https://en.wikipedia.org/wiki/Yelp
https://en.wikipedia.org/wiki/EBay
https://en.wikipedia.org/wiki/Twitter

148
https://home.kpmg.com/content/dam/kpmg/pdf/2015/10/framing-a-winning-
data.pdf
https://home.kpmg.com/content/dam/kpmg/pdf/2015/10/framing-a-winning-
data.pdf
https://home.kpmg.com/content/dam/kpmg/pdf/2015/10/framing-a-winning-
data.pdf
https://it.foursquare.com/about
https://it.wikipedia.org/wiki/Pinterest
http://kaggle.com
http://searchcio.techtarget.com/definition/data-monetization
http://uk.businessinsider.com/what-is-the-internet-of-things-definition-2016-
8?r=US&IR=T
https://www.bbvaopenmind.com/en/understanding-dark-data/
https://www.bloomberg.com/
http://www.borsaitaliana.it/notizie/sotto-la-lente/agenzie-di-rating173.htm
https://www.bucap.it/news/approfondimenti-tematici/digitalizzazione-
documenti/dati-strutturati-semi-non-strutturati.htm
http://www.businessdictionary.com/definition/brand-equity.html
http://www.businessdictionary.com/definition/corporate-reputation.html
http://www.businessdictionary.com/definition/abductive-reasoning.html
http://www.businessdictionary.com/definition/knowledge-management.html
http://www.businessnewsdaily.com/4025-what-is-crowdsourcing.html
www.businessdictionary.com/definition/mass-marketing.html
www.businessdictionary.com/definition/one-to-one-marketing.html
https://www.collinsdictionary.com/dictionary/english/multisided
https://www.computerhope.com/jargon/i/iodevice.htm
http://www.dataonfocus.com/oltp-vs-olap/
http://www.dataskills.it/cosa-sono-i-big-data/
http://www-db.deis.unibo.it/~srizzi/PDF/eds-WIA.pdf

149
http://groups.ischool.berkeley.edu/archive/how-much-info-
2003/printable_report.pdf.
https://www.digital4.biz/marketing/big-data-analytics/iot-cosa-significa-e-come-si-fa-
a-rendere-il-mondo-ed-il-business-piu-smart_43672158409.htm
https://www.emarketer.com/
https://it.wikipedia.org/wiki/Banner
https://www.ibm.com/cloud-computing/learn-more/what-is-cloud-computing/
https://www.ig.com/uk/glossary-trading-terms/bond-trading-definition
https://www.informatica.com/services-and-training/glossary-of-terms/data-
warehousing-definition.html#fbid=LC3D_Ihr6E7
http://www.ingegneriainformatica.unina.it/sites/default/files/elaborati_tesi/2015/12/
Elaborato%20Lauria%20Francesco%20N46000438.pdf
https://www.klipfolio.com/guide-to-business-dashboards
https://www.linkedIN.com/
https://www.marketinginformatico.it/glossario-marketing/brand-awareness/
https://www.microsoft.com/en-us/news/features/2013/aug13/08-
13healthycomputing.aspx.
https://www.microsofttranslator.com/bv.aspx?ref=SERP&br=ro&mkt=it-
IT&dl=it&lp=EN_IT&a=http%3a%2f%2fwww.investopedia.com%2fterms%2fb%2fbrand
awareness.asp
https://www.octotelematics.com/
http://www.oracle.com/technetwork/database/options/advanced-
analytics/bigdataanalyticswpoaa-1930891.pdf
https://www.sas.com/
https://www.sas.com/en_us/insights/analytics/machine-learning.html
https://www.sas.com/en_us/insights/analytics/predictive-analytics.html
https://www.shoppertrak.com/
https://www.techopedia.com/definition/23342/data-storage
http://www.treccani.it/enciclopedia/free-rider/
https://www.voltdb.com/why-voltdb/big-data/
https://www.waze.com/it/

150
http://www.webopedia.com/TERM/S/SEO.html
https://www.zagat.com/about-us
IAB Italia (2016), White Paper Ad Blocking, www.iabeurope.eu, November.
"Insurers to 'bid' for the best drivers based on telematics scores". telegraph.co.uk.
Retrieved 2016-12-08.
L’Oréal Paris Uses Search to Build Brand Love, www.yourube.com 17 June 2014
KPCB(2016), Internet Trends Report, www.kpcb.com, June
Leslie Johnson, “A ‘Library of Congress’ Worth of Data: It’s All In How You Define It”,
April 25, 2012. http://blogs.loc.gov/digitalpreservation/2012/04/a-library-of-congress-
worth-of data-its-all-in-how-you-define-it/.
John Gantz and David Reinsel, ”Extracting Value from Chaos”, IDC iView Article
sponsored by EMC Corporation, June 2011, http://www.emc.com/collateral/analyst-
reports/idc-extracting-value-form-chaos-ar.pdf
olap.com/olap-definition/
olap.com/learn-bi-olap/olap-bi-definitions/business-intelligence/
Osservatori.net (2016)
Pagefair (2016), 2016 Mobile AD Blocking report, pagefair.com, 20 May.
Peter Lyman and Hal R. Varian, “How Much Information”, 2003.
www.businessdictionary.com/definition/one-to-one-marketing.html
www.businessdictionary.com/definition/mass-marketing.html
www.brandtoolbox.com/brand-affinity-dont-squander-it/
www.gartner.com/it-glossary/data-broker
www.webinknow.com/2013/11/big-data.html
www.webopedia.com/TERM/E/ETL.html
www.webopedia.com/TERM/S/SQL.html
www.webopedia.com/TERM/B/big_data_analytics.html

151