HomeTecnologia

Big Data
 
Big data: cosa sono e a cosa
servono? 
4 aprile, 2023 9 min


Intermedio

Cosa Imparerai

Cosa sono i big data: significato e definizione

Dove vengono raccolti i big data?

A cosa servono i big data: esempi e applicazioni 

Cosa sono i big data? In breve, è l’immensa quantità di informazioni che

internet genera, tale da superare le capacità degli strumenti progettati
per analizzarle ed immagazzinarle. Questo è il significato di big data ma,
:
 per capire meglio cosa sono e a cosa servono, facciamo qualche
esempio e cerchiamo una definizione più precisa.

Cosa sono i big data: significato e definizione

Una recente ricerca di statista.com, potrebbe introdurci a cosa sono i big
data, significato che poi riassumeremo in una definizione. In 60 secondi
su internet vengono inviati 16 milioni di messaggi e più di 230 milioni di
email, avvengono circa 6 milioni di ricerche Google e vengono
acquistate criptovalute per oltre 90 milioni di dollari. 

Queste azioni portano con sé una mole di dati così ampia da

rappresentare proprio un esempio di big data o megadati; tuttavia, non
c’è una grandezza “minima” per definizione. Questa soglia, se esistesse,
cambierebbe nel tempo, perché i volumi crescono esponenzialmente: ad
esempio, si stima verranno generati 120 zettabyte (1 miliardo di
terabyte) solo nel 2023, in confronto ai 97 del 2022 e ai 180 del 2025.

La definizione di big data, quindi, è “dinamica”: risponde al caso in cui le

informazioni sono tanto complesse da rendere necessaria la creazione di
nuove tecnologie, al fine di immagazzinarle ed elaborarle in un tempo
accettabile. La possibilità è concreta, anzi è già realtà, perché
l’evoluzione degli hardware e dei software non segue il ritmo di crescita
dei dati. Catturarli e processarli è sempre stata una sfida, tanto che già
nel 1958 IBM coniò il termine “business intelligence” per indicare l’abilità
di comprendere le relazioni tra i dati, al fine di guidare le decisioni
future. 

Nel 2001, invece, Douglas Laney creò il modello delle “3V”, elencando le
caratteristiche utili a spiegare cosa sono i big data:
Volume – la quantità di dati che fonti differenti producono, dai social
network ai sensori dell’Internet of Things, passando per gli acquisti
sugli exchange crypto e i marketplace per NFT;
Varietà – esistono diversi tipi di informazioni online, ma è possibile
dividerle in strutturate e non strutturate. Talvolta si considera la
sfumatura delle “semistrutturate”, un livello dalle qualità miste;
Velocità – la comunicazione istantanea genera un flusso elevatissimo
di informazioni al secondo, per cui abbiamo bisogno di strumenti in
:
 grado di coglierle e analizzarle “in tempo reale”.

Questo schema tridimensionale ci aiuta ancora oggi a capire il significato

di big data, ma nel tempo è stato integrato con altri parametri.
Innanzitutto, abbiamo la quarta V di valore: analizzare le attività degli
utenti online rappresenta un’occasione di profitto, le aziende ad esempio
le traducono in campagne marketing mirate o in previsioni sul futuro del
settore.

In questo contesto, il grado di affidabilità contribuisce alla definizione di

big data: troviamo la quinta V nella veridicità delle informazioni,
fondamentale per formulare stime utili ed accurate. Inoltre, possiamo
riconoscere una certa variabilità nei formati dei dati, essenzialmente la
varietà in rapporto al tempo, ed è infine necessaria una visualizzazione
per spiegarli, ovvero grafici e tabelle.

Dove vengono raccolti i big data?

Abbiamo quindi ben 7 V per esprimere cosa sono i big data, ma per
alcuni studiosi non ne esauriscono il significato. All’atto pratico, infatti, è
possibile evidenziare altre caratteristiche, derivanti dai processi di
memorizzazione ed analisi. 

Curiosità

Il termine big data è stato coniato da John Mashey nel 1998 e

presentato in una serie di slide, denominata “Big Data … and the
Next Wave of InfraStress.”

Ad esempio, si valuta l’esaustività delle informazioni, in base a quante e

quali fonti siano state prese in considerazione. Secondo un’altra
definizione di big data, infatti, la loro complessità è tale che sarebbe
impossibile comprenderli se esaminati in porzioni più piccole. A tal
proposito, è utile approfondire la differenza tra dati strutturati e non
strutturati: nel primo caso, le proprietà e il formato delle informazioni
sono predefiniti, mentre nel secondo non si può costruire una tabella a
:
 “campi fissi”. 

In altre parole, le caratteristiche dei dati strutturati sono già note: le

transazioni, ad esempio, avranno sempre una data, un’ora, un mittente,
un destinatario ed un valore scambiato. I dati non strutturati, invece,
sono contenuti impossibili da catalogare in modo sistematico: immagini,
video, audio e testi, sempre differenti per forma e dimensioni. Esempi di
big data non strutturati, quindi, sono i post su Instagram o i tweet e si
stima rappresentino l’80% del totale.

Date queste differenze, esistono due tipi di database per immagazzinare

e analizzare i big data:
Data warehouse: utili per i dati già strutturati, che abbiano dunque
superato il processo ETL (Extract, Transform, Load), ovvero
l’estrazione e trasformazione precedenti al caricamento nel
database. In pratica, le informazioni sono già “pulite” da ridondanze e
organizzate per relazione, dunque pronte alle indagini. 
Data lake: raccolgono dati non strutturati, grezzi e senza “filtri”, che
verranno ordinati solo al momento dell’eventuale analisi. Questo
approccio è meno dispendioso in termini operativi, ma richiede
maggiore spazio. La tecnologia del cloud storage è adatta allo scopo
e, soprattutto, ha basso costo.

Le aziende, tuttavia, preferiscono combinare le funzionalità dei due tipi

di database in un’unica data lakehouse, adatta sia a dati strutturati che
non strutturati, per maggiore efficienza e affidabilità. 

Il significato di big data, dunque, passa anche dalla granularità, ovvero il

livello di dettaglio delle informazioni. In pratica, immaginando una
tabella, questo aspetto misura quante colonne di “qualità” esistono per
ogni elemento inserito nelle righe. A tal proposito, questi database
devono essere scalabili ed estensibili: in poche parole, rispettivamente
dovremmo poter aggiungere nuovi elementi e campi da “riempire”.

A cosa servono i big data: esempi e

applicazioni 
Ora che abbiamo iniziato a capire cosa sono i big data, cerchiamo di far
luce anche sulla loro funzionalità. Gli scopi dei megadati sono
:
 essenzialmente 3 e derivano da diversi tipi di analisi, condotte su di essi:
Descrittiva – studia lo status quo o i fenomeni del passato,
sintetizzando e rappresentando i dati in grafici e formule, alla ricerca
di relazioni che li leghino;  
Predittiva –  i metodi statistici, in questo caso, sono applicati ai big
data per fare previsioni sul futuro. Non si limita a descrivere la realtà,
ma ne cerca le possibili cause per anticipare i prossimi eventi, che
potrebbero ripetersi secondo gli stessi meccanismi; 
Prescrittiva – deriva dalla predittiva, perché rivolta al futuro, e
fornisce direttive e soluzioni ottimali per affrontare specifici problemi.

Queste analisi sono condotte dai data scientist ma possono essere

affiancati dall’intelligenza artificiale, che usa i big data come “campioni di
training” per il machine learning. Oltre a descrivere e mettere in relazione
le informazioni disponibili, infatti, le AI sono in grado di prevedere le
prossime occorrenze, in base a leggi scoperte durante l’analisi. In
particolare, i dati strutturati sono la base per i compiti “supervisionati”
(come la regressione lineare), in cui l’intelligenza artificiale è guidata dalle
“etichette”, mentre ai dati non strutturati sono applicati gli algoritmi non
supervisionati (come il clustering), perché non hanno bisogno di alcuna
linea guida per condurre le ricerche.

Conoscendo i tipi di analisi e il ruolo del machine learning, possiamo

quindi comprendere come le aziende usano i big data e a cosa servono.
Innanzitutto, i megadati sono raccolti e analizzati per creare modelli di
previsione, così da anticipare le richieste degli utenti. In pratica, si
progettano prodotti e servizi in base alle funzionalità di maggior
successo online,  cercando di soddisfare la domanda dei clienti. Netflix o
Disney +, ad esempio, valutano le opinioni sulla prima stagione di una
serie, osservano le interazioni sui social, così da pianificare le successive
in base agli elementi apprezzati.

Allo stesso modo, le aziende possono sfruttare i big data per migliorare
la customer experience: essenzialmente, generare impressioni positive
negli utenti durante l’interazione con i prodotti o servizi, così da
fidelizzarli o acquisirne di nuovi. Esempi di big data, utili al caso, sono i
feedback raccolti con semplici form, le recensioni negli app store, ma
anche i commenti ai post sui social. Infine, dall’analisi dei dati, è possibile
:
 individuare tentativi di frode, che potrebbero seguire schemi ricorrenti,
così da migliorare la sicurezza di piattaforme come gli exchange.

Al di fuori del mondo di internet, troviamo altri esempi per spiegare a

cosa servono i big data.  
Manutenzione predittiva: i sensori che monitorano il funzionamento
delle automobili producono dati non strutturati, accompagnati da
informazioni strutturate quali l’anno di immatricolazione, il modello o
il tipo di carburante. Entrambi gli esempi di big data sono utili a
prevedere possibili guasti, così da programmare in anticipo la
manutenzione. 
Efficienza gestionale: in ambito industriale, l’analisi dei megadati è
utile a migliorare i processi di realizzazione dei beni di consumo. Ad
esempio, è possibile monitorare il tasso di “reso” e la generale
domanda di mercato per ottimizzare la produzione futura. 

Queste applicazioni ci aiutano a capire cosa sono i big data, ma hanno

anche importanti implicazioni dal punto di vista della privacy. Le attuali
normative obbligano le aziende ad avvertire i clienti quando vorrebbero
raccogliere i loro dati. Inoltre, dovrebbe essere possibile rifiutare: ad
esempio, ogni pagina web gestisce i consensi attraverso le opzioni dei
cookie, i file che registrano le preferenze degli utenti. In passato, infatti,
l’utilizzo improprio dei big data ha condotto a scandali come quello di
Cambridge Analytica, che avrebbe sfruttato le informazioni legate a
molti profili Facebook per avvantaggiare Trump durante le elezioni del
2016. Tuttavia, l’applicazione della tecnologia blockchain ad internet,
rappresentata dal Web3, dovrebbe risolvere i problemi legati alla
proprietà dei dati, dando un nuovo significato e definizione ai big data.
:
 Registrati su Young Platform

Inizia ora 

Correlati
:
 Big Data

Data warehouse: cos’è, definizione e casi d’uso delle DWH

5 aprile, 2023 10 min

Big Data Web3

Cos’è il machine learning: come apprende l’intelligenza

artificiale
16 marzo, 2023 10 min

Prodotti 

Young Platform

Young Platform Pro

Young Platform Step

Young Platform Academy

Token NEW

Impara 

Inizia da qui

Glossario

Comprare Bitcoin

Comprare Ethereum

Comprare Tether

Comprare Dogecoin

Azienda 

Lavora con noi

:
Lavora con noi

Parlano di noi

Perché Young Platform

I Nostri Prodotti

Legal e Privacy

Leadership

Supporto 

Centro di Supporto

Commissioni e Prezzi

FAQ Tassazione

FAQ Compravendita

FAQ Commissioni

FAQ Earning Wallet

it 

Scarica l'app 

     
Aggiorna impostazioni cookie

2023 Young Platform S.p.a. Tutti i diritti riservati.-Young Platform S.p.a. Via Francesco Cigna 96/17, 10155 Torino (TO),
Italia P. Iva 11931440017
: