Slide a supporto della lezione sui Big Data per Madee 6 presso Digital Accademia

1. @webeconoscenza

2. Big Data

3. di cosa stiamo parlando

4. Big Data è un tormentone!
Nell’approccio ‘folkloristico’
sentiamo dire spesso:
‘i Big Data creeranno milioni di
posti di lavoro!’

5. Ma l’Italia non è l’America!
Quando diciamo: ‘tutto ciò succederà tra
poco!’ dovremmo contestualizzare: dove?

6. I fondamentali
Dato e Informazione non sono sinonimi!
Il dato è un elemento conosciuto (o informazione grezza)
ed è spesso costituito da simboli non ancora elaborati.

7. I fondamentali
L’informazione è un elemento più ricco, che deriva
dall’elaborazione di più dati e che restituisce un
valore, solitamente consapevolezza, comprensione dei
fatti e verità.
L’informazione è il risultato di un’elaborazione dati.

8. I fondamentali
La CONOSCENZA è la consapevolezza e la
comprensione di fatti, verità o informazioni!
Meglio ancora è l'autocoscienza del possesso di
informazioni connesse tra di loro,
le quali, prese singolarmente,
avrebbero un valore
e un'utilità inferiori.

9. I fondamentali

10. I fondamentali
Il tutto è maggiore della somma delle sue parti!
(Aristotele – l’inventore dell’approccio sistemico)

11. Il concetto di Big Data è proprio del campo dei database:
il termine indica grandi aggregazioni di dati, la cui mole richiede
strumenti differenti da quelli tradizionali, in tutte le fasi del
processo (dalla gestione, alla curation, passando per
condivisione, analisi e visualizzazione).
(Wikipedia)
I fondamentali

12. Il progressivo aumento della dimensione dei dataset è legato
alla necessità di analisi su un unico insieme di dati correlati
rispetto a quelle che si potrebbero ottenere analizzando
piccole serie con la stessa quantità totale di dati ottenendo
informazioni che non si sarebbero potute ottenere sulle
piccole serie.
(Wikipedia)
I fondamentali

13. I fondamentali
Due termini relativamente nuovi:
curation e dataset!

14. DEFINIZIONI
http://ed.ted.com/lessons/exploration-on-the-big-data-frontier-tim-smith/

15. DEFINIZIONI
I Big Data sono l'elemento fondamentale per la creazione di
nuovi livelli di valore per il business. Grazie a storage
integrato, analisi e applicazioni, i Big Data contribuiscono a
migliorare efficienza, qualità, prodotti e servizi personalizzati,
producendo livelli più elevati di soddisfazione ed esperienza
del cliente. (EMC2)

16. DEFINIZIONI
I Big Data sono la grande, enorme massa di dati di cui
dispongono oggi le aziende, che costituiscono un problema
se non utilizzati o usati poco o male, ma che possono
trasformarsi in una formidabile opportunità quando vengono
sfruttati nel modo corretto. (SAS)

17. DEFINIZIONI
Le aziende sono sommerse di dati più che mai.
L’informazione che può fare la differenza per il vostro
business è nascosta in questa mole di dati.
L’analisi dei Big Data, vi aiuterà a trasformare i vostri dati,
apparentemente senza significato e sconnessi tra di loro, in
informazioni utili creando il vantaggio competitivo. (R.
Jacobs).

18. DEFINIZIONI
http://youtu.be/7D1CQ_LOizA/

19. DEFINIZIONI
Hot on the heels of Web 2.0 and cloud computing, Big
Data may well be the Next Big Thing in the IT world.
Whereas Web 2.0 links people and things online, and
cloud computing is about the transition to an online
computing infrastructure, Big Data generates value
……… (CONTINUA)
http://www.explainingcomputers.com/big_data.html/

20. RIFLESSIONI
Oggi le aziende devono essere in grado di utilizzare
pienamente tutte le loro risorse di dati.
Purtroppo i dati non strutturati vengono integrati in quelli
strutturati o, molto spesso, nemmeno soggetti a raccolta e
tantomeno a conservazione.

21. Flusso:
RIFLESSIONI
- collezione e memorizzazione dei dati
- classificazione dei dati per categorie
- analisi e trasformazione dei dati
- generazione di risultati

22. RIFLESSIONI
L'aumento del volume, velocità e varietà dei dati spesso
supera la reale capacità delle aziende di gestirli ed elaborarli
con efficacia nei tempi utili. Una complessità che rende
difficile far fronte alle sempre più urgenti e crescenti
esigenze del business.
Il paradigma delle 3V riassume l'impatto dei big data sulle
aziende (SAS)

23. RIFLESSIONI
3V = le proprietà dei Big Data

24. RIFLESSIONI
Volume: la mole di dati, spesso destrutturati, aumenta in maniera
esponenziale. Diventa sempre più difficile individuare per tempo quelli a
maggior valore per il business (Brontobyte?).
Varietà: la tipologia di dati non è più uniforme e legata solo ai sistemi
legacy. Ci troviamo di fronte a dati in formato testuale, audio, video,
streaming, provenienti da blog, web e social network (social-unstructured-
data > enterprise-structured-data).
Velocità: i dati vengono prodotti con una velocità e frequenza sempre
maggiore. Il "time to decision" richiesto all'IT si sta riducendo sempre di
più. La sfida è quella di riuscire a gestire ed elaborare informazioni in
tempi sempre più rapidi.
+ Valore o Veridicità: i modelli analitici sono sempre più complessi e
impongono capacità elaborative fino a poco tempo fa impensabili.
Diventa determinante sapere individuare i dati a valore rispetto agli altri .

25. RIFLESSIONI

26. RIFLESSIONI

27. RIFLESSIONI

28. RIFLESSIONI
Nel 2000 il 75% delle informazioni era raccolto sulla carta,
sulla plastica magnetica, su altri supporti analogici e solo il
25% era in digitale.
Nel 2013, l’analogico è ridotto al 2% mentre il 98% delle
informazioni è registrato in digitale.
Lo dice Martin Hilbert, Annenberg School for Communication
and Journalism, della università della Califonia del Sud.
http://blog.debiase.com/2013/09/big-data-the-book/

29. RIFLESSIONI

30. SUGGESTIONI
Le decisioni che un’organizzazione deve prendere, oggi
possono (o meglio devono) essere basate anche sui feedback
dei clienti, sui report di stato, sulle valutazioni delle
prestazioni e non solo sui dati demografici e operativi.

31. SUGGESTIONI
- ascoltare
- capire
- rielaborare
- visualizzare

32. SUGGESTIONI
MOLTI VANTAGGI PER LE AZIENDE SONO DUNQUE
CONSEGUENZA DIRETTA DELLA LORO CAPACITA’ DI PREDIZIONE

33. L'analisi dei dati è un processo di ispezione,
pulizia, trasformazione e modellazione di dati
con il fine di evidenziare informazioni che
suggeriscano conclusioni e supportino le
decisioni strategiche aziendali.
http://it.wikipedia.org/wiki/Analisi_dei_dati

34. L'analisi predittiva permette alle aziende (o meglio
alle organizzazioni) di capire cosa succederà nel
futuro e reagire di conseguenza.

35. Prevedendo cosa accadrà nel futuro si potranno
pianificare e portare avanti strategie che supportino
e migliorino il processo decisionale.

36. Data Mining:
con l’ausilio delle tecnologie) è il processo di
estrazione di conoscenza da banche dati di grandi
dimensioni tramite l’applicazione di algoritmi che
individuano le associazioni “nascoste” tra le
informazioni e le rendono visibili.
Viene anche detto: ‘Knowledge Discovery in
Databases’ (KDD)

37. La statistica viene tradizionalmente considerata un’analisi
primaria (sperimentale) dei dati raccolti per verificare ipotesi
specifiche. La statistica viene quindi classificata come
un’analisi (confermativa) condotta dall’alto, una verifica o
valutazione d’ipotesi
Il data mining è considerato generalmente come un tipo di
analisi secondaria (osservazionale) dei dati raccolti per altre
ragioni. Il DM viene quindi classificato come analisi
(esplorativa) condotta dal basso, un processo di generazione
d’ipotesi e di conoscenze (knowledge discovery).
http://www.slideshare.net/duccioschiavon/data-mining-e-open-data/

38. Che cosa "non è" data mining?
- cercare un numero di telefono nell'elenco;
- fare una ricerca web su "vacanze in America".
Che cosa "è" data mining?
- scoprire che alcuni cognomi sono molto comuni in certe
aree dell'Italia;
- fare una ricerca nel web su una parola chiave e classificare i
documenti trovati secondo un criterio semantico;
- scoprire le relazioni tra tipi di clienti e certi prodotti o
campagne pubblicitarie.
http://www.slideshare.net/andreafrison93/big-data-data-mining-35523413/

39. L’analisi predittiva attraverso la Sentiment Analysis
prevede l’analisi qualitativa delle conversazioni in
rete e mira a comprendere lo stato d’animo degli
utenti rispetto un particolare brand, prodotto, tema,
servizio. Viene anche detta: ‘Opinion Mining’
http://vi Video: ncos.it/2012/08/30/cose-la-sentiment-analysis/

40. Prendendo in esame le conversazioni degli utenti nei
diversi spazi della rete (blog, forum, social network) si
può determinare come è percepito e considerato un
determinato brand o prodotto e orientare le strategie
di comunicazione future di conseguenza a
queste analisi.

41. Sentiment analysys
http://hedonometer.org/index.html

42. Sentiment analysys
http://www.blogsvoices.unimi.it/

43. di quali dati stiamo parlando

44. I dati sono solo numeri?
- quanti utenti per quel servizio
- quanto prodotti venduti in quel luogo
- quante chiamate al call-center per assistenza
- ecc.

45. non solo ….

46. non solo ….

47. non solo ….

48. E il perimetro di riferimento, grazie alla
consumerization, diventa più ampio!

49. E con il mobile
diventa infinito!

50. Social media e consumerization cambiano tutto!

51. Social media e consumerization cambiano tutto!
http://onesecond.designly.com/

52. Esempio: digital advertising
Se fino ad oggi il digital advertising era una pratica
approssimativa e spesso si procedeva per tentativi,
nell’ultimo decennio si è evoluto in un metodo
scientifico che permette di realizzare campagne
personalizzate per un pubblico targettizzato.

53. Ogni azienda dispone ormai di enormi quantità di dati
relativi ai propri clienti: da quelli delle transazioni raccolti
quando un cliente acquista un prodotto online o in store, a
quelli acquisiti nel momento in cui un cliente contatta il
call center. Per non parlare poi dei dati raccolti dalle
newsletter, dalle email, da mobile, ecc.

54. Questi dati rappresentano una fonte preziosissima di
informazioni e costituiscono il punto di partenza per
conoscere a fondo e meglio il proprio pubblico/target.
Dunque basta capire come poter gestire le informazioni che
si hanno a disposizione al fine di ottimizzarle e allinearle agli
obiettivi di business per ottenere il miglior ritorno possibile.

55. L’esempio di Turn, piattaforma leader nel cloud marketing,
permette di riassumere l’intero processo fornendo cinque
linee guida utili a capire chi sono gli utenti con cui si sta
interagendo e come rapportarsi con loro non perdendo
d’occhio l’obiettivo finale di intraprendere campagne di
successo e replicabili.

56. http://www.turn.com/why-turn/#technology/

57. 1. La consapevolezza: prendere atto dei dati di cui si
dispone
2. La struttura: creare un ritratto completo del pubblico
3. La strategia: coinvolgere il pubblico con una
comunicazione mirata
4. La replicabilità: ampliare il mercato attraverso un
modello Lookalike (la funzione Lookalike analizza i dati dei profili
caricati come Custom Audience e identifica altri profili simili a quelli
presenti e, quindi, potenziali clienti)
5. La conclusione: analizzare, ottimizzare, ripetere
Link da leggere: http://tinyurl.com/BDPIONERO/

58. Esempio: LAPD ‘Minority Report’
Il Dipartimento di polizia di Los Angeles (LAPD)
utilizza i Big Data per censire le aree dove sono
stati commessi i crimini e prevedere in quali
zone potrebbero verificarsi altre
Azioni criminose.
I risultati sono sorprendenti:
- 33% di furti,
- 21% di crimini violenti
- 12% in reati contro la proprietà
nelle zone in cui viene utilizzato
il software predittivo
http://www.bigdata-startups.com/BigData-startup/los-angeles-police-department-predicts-fights-crime-big-data/

59. Esempio: @WalmartLabs
http://www.walmartlabs.com/category/bigdata/

60. Esempio: @WalmartLabs
The retailer also uses Mupd8 to collect video, images,
location information and status updates from social media
streams to determine which trending products it should
carry in stores or feature in online marketing, Wal-Mart
says. For example, the retailer
noticed that social chatter about
Takis tortilla chips was growing in
some states, which influenced its
decision to stock those chips in
nearby stores, it says.
So far Wal-Mart is using Mupd8
in more than a dozen projects,
processing more than 300 million
status updates per day, it says.
http://www.internetretailer.com/2012/10/31/wal-marts-online-marketing-technology-gets-mup-date/

61. Esempio: Tesco Loyalty into Royalties
Il colosso britannico Tesco utilizza un sistema di
monitoraggio delle abitudini di acquisto dei
clienti che misura l’efficacia delle offerte
speciali.
L’analisi sulle preferenze dei clienti ha
permesso alle aziende fornitrici di
comprenderne meglio i bisogni dei clienti,
migliorare le azioni di marketing ed ottimizzare
futuri prodotti.
Il tutto ha generato un risparmio di 16 milioni
di sterline all’anno.
http://dataconomy.com/tesco-pioneers-big-data/

62. Esempio: Vite.net
Big Data per l’ottimizzazione dei vigneti. Soluzione Horta (spin-off università di Piacenza)
http://www.horta-srl.com/nqcontent.cfm?a_id=11663/

63. Esempio: Vite.net
Si tratta di un sistema di supporto alle decisioni basato
su una rete agrometeorologica e un database in grado
di archiviare i dati meteo e le informazioni
agronomiche di ogni vigneto.
I dati vengono raccolti da raccolti da sensori distribuiti
fra i filari e non solo.
Una volta raccolti i dati, questi vengono analizzati da specifici algoritmi
matematici e confrontati con i pareri degli esperti in modo da garantire un
sistema previsionale su come gestire al meglio le coltivazioni.
Si analizzano: insetti, malattie, pioggia, trattamenti, stress termici, ecc.
Ovviamente il tutto è fruibile su smartphone, tablet e pc.

64. Esempi: SDA casi di eccellenza

65. Lezione per le imprese
I Big Data aiutano
• ad accelerare il marketing
• favorire la fidelizzazione
con l’utente

66. Cosa serve?
• Capacità di raccogliere dati
• Capacità di organizzare dati
• Capacità di analizzare dati
• Capacità di reagire a ciò che i dati dicono
E tutto ciò si fa ANCHE con le tecnologie, ma non SOLO!

67. Campi applicativi

68. Chi vincerà?
Chi saprà integrare dati strutturati e non
strutturati e coordinarli/organizzarli per favorire
un miglioramento/cambiamento

69. Tecnologie
Dove stanno i dati?
Chi è obbligato a raccoglieri?
Perchè tenere anche quelli non obbligatori?
UNICA CERTEZZA: I DATI CRESCERANNO SEMPRE E DA QUALCHE PARTE VANNO RACCOLTI

70. Tecnologie
• Costi (storage costa meno ma ne serve di più)
• Servono spazi per i data center …. CLOUD ECONOMY!
• Nuove tecnologie come I dischi SSD ….
• Consumi di energia?

72. Lezione per tutti
Mi serve un dato:
- Ho archiviato tutto per bene e ho un sacco di storage, ma quel dato
che cerco non riesco a trovarlo;
- Non basta disporre di tecnologie, spazi e strumenti, è necessario
agevolare la ricerca e per poterlo fare bisogna ripensare i modelli
stessi di ricerca in funzione di quello che fa il consumatore e non a
quello che fanno le aziende;
- Google è nato per questo. O no?

73. Lezione per la PA
La Pubblica Amministrazione raccoglie dati
La Pubblica Amministrazione gestisce dati
La Pubblica Amministrazione produce dati
Un recente studio sulla sanità americana ci spiega che
l’intero settore potrebbe beneficiare significativamente
dell’uso dei Big Data e della loro definizione a livello di
gestione e controllo, migliorando l’efficienza del
sistema, ma anche di ricerca e sviluppo, incrementando
la qualità di cure e medicinali. Si stima che, nel 2018, la
spesa sanitaria USA toccherà la cifra incredibile di 4.400
miliardi di dollari ma l’8% di essi (352 milioni!)
potrebbero essere risparmiati grazie ad un controllo
degli sprechi.
http://www.beantech.it/blog/articoli/big-data-definizione-esempi/

74. Lezione per la PA
La Swedish Tax Agency, grazie all’incrocio delle informazioni sui
contribuenti, riesce a inviare ai cittadini un modulo delle imposte già compilato.
Ai contribuenti spetta così il solo onere di confermare o modificare
le informazioni via web o SMS.
http://www.ilsole24ore.com/art/SoleOnLine4/Tecnologia%20e%20Business/2009/04/tasse-via-cellulare.shtml

75. Telecom contest:
http://www.telecomitalia.com/tit/it/bigdatachallenge/contest/finali
sti.html/
Bando MIUR: http://startup.miur.it/bigdata/
Bando Regione Piemonte:
http://www.regione.piemonte.it/bandipiemonte/appl/dettaglio_ba
ndo_front.php?id_bando=322

76. Nuovi mestieri
A data scientist is somebody who is inquisitive, who can stare at data and spot
trends.
It's almost like a Renaissance individual who really wants to learn and bring change
to an organization. (IBM)
Analytics As A Service:
http://www.forbes.com/sites/oracle/2014/09/26/the-road-to-analytics-as-a-
service/

77. Analisi dei fatti
(Big Data e giornalismo)
https://www.youtube.com/watch?v=1cSKVrstsJY/

78. Esempio: datainterfaces
http://www.datainterfaces.org/

79. Esempio: i forconi a Torino
http://www.datainterfaces.org/2014/03/protest-maps/

80. Analisi dei fatti
(Big Data e giornalismo)
http://www.linkalab.it/it/articles/big-data-e-giornalismo-con-rainews

81. Analisi dei fatti
(Big Data e giornalismo)
Al giornalista potrebbero interessare gli Open Data come elemento pubblico e
gratuito e già disponibile nel grande universo dei Big Data.

82. Analisi dei fatti
(Big Data e giornalismo)
Con gli Open Data a supporto per le inchieste giornalistiche si potrebbero tracciare
molti flussi di denaro pubblici.
Il decreto sulla Trasparenza obbliga le Amministrazioni pubbliche a creare portali ad
hoc per la diffusione dei dati, la maggior parte delle volte offerti in formato excel e/o
pdf non di immediata interpretazione e utilità.

83. Analisi dei fatti
(Big Data e giornalismo)
Il giornalista deve accettare una nuova sfida, ovvero imparare a decifrare i dati,
confrontarli, leggerli in modo scientifico e al tempo stesso critico per poi diffondere
informazioni ai cittadini che abbiano alla base il dato come origine e supporto al
fatto!
I numeri nascondono potenzialità incredibili. Essi raccontano una realtà diversa,
oggettiva anche se al tempo stesso
può sembrare asettica nella sua purezza.
Un giornalistica con il camice bianco.
Un po’ tecnocrate e un po’ statistico
è la sfida che lo aspetta per i prossimi
Anni.

84. Analisi dei fatti
(Big Data e giornalismo)
Il primo approccio a questo nuovo
Scenario è indubbiamente l’uso
massiccio di infografiche che ormai
diventano il complemento naturale
di ogni inchiesta.
Le infografiche assolvono al delicato
compito di rendere la complessità
e la crudezza dei numeri valore.
Le infografiche trasformano i numeri
in concetti semplici e fruibili a tutti.
http://www.theguardian.com/guardian-masterclasses/an-introduction-to-visualising-data-adam-frost-tobias-sturt-course

85. Analisi dei fatti
(Big Data e giornalismo)
Non solo rose e fiori …..
http://fivethirtyeight.com/

86. Conclusioni
Si tratta di un cambiamento nella pragmatica della conoscenza. I dati sono
più numerosi, facili da trovare e meno costosi da archiviare. La fine della
scarsità dei dati non riduce il rispetto del loro significato e non annulla la
necessità di una profonda consapevolezza epistemologica. Ma certamente
favorisce una pratica della sperimentazione matematica alla ricerca di
pattern emergenti e correlazioni, piuttosto che un ricorso all’approccio
basato sui campioni statistici, le ipotesi causali a priori, le teorie in attesa di
verifica. «Meno why e più what».
Si tratta di un cambiamento economico, perché lo sfruttamento dei
giacimenti di dati è un grande valore per le mega compagnie che li
raccolgono ma anche per le startup che ne individuano nuovi utilizzi.
http://blog.debiase.com/2013/09/big-data-the-book/

87. Conclusioni
Big Data non è più una novità, una buzz, un fenomeno del contesto IT.
In Italia, pur essendo ancora una novità per molti, offre scenari e suggestioni per
potenziali utilizzi in ogni campo:
• La tecnologia (sotware per l’analisi, hardware per lo storage, ecc.) sta evolvendo
rapidamente in modo da facilitare l’analisi e la ricerca sui grandi basi di dati
• Il cittadino/utente deve valutare i servizi a cui può avere accesso sacrificando parte
della privacy e aumentando il livello di profilazione
• La Pubblica Amministrazione deve vigilare sugli abusi a cui può condurre la
divulgazione di informazioni personali
• Chi sfrutta i Big Data, ne trae profitto, a tutti i livelli.

88. Link di approfondimento:
http://vincos.it/2013/08/20/conversando-di-big-data-su-radio3-scienza/
http://www.tomshw.it/cont/articolo/big-data-diversi-modi-per-tradurre-analytics-
in-risultati-di-business/49919/1.html
http://h30565.www3.hp.com/t5/Primo-Piano/Big-Data-cosa-sono-perch%
C3%A9-sono-importanti-e-perch%C3%A9-occorre/ba-p/
6404?profile.language=it
http://www.pionero.it/2013/09/05/big-data-per-raggiungere-il-pubblico-giusto-
da-turn-le-5-mosse-per-una-campagna-digital-advertisin-di-successo/
http://www.repubblica.it/tecnologia/2014/03/29/news/turismo_tempi_
big_data-82212933/

89. Grazie
@webeconoscenza http://www.gigicogo.it