1. Breve storia della Data Analysis ad oggi
Filippo Ragazzo - 838696

2. Introduzione

3. I pionieri

4. Data and analytics are not just an
adjunct to the business, but
THE BUSINESS ITSELF

5. Analytics

6. Analytics 1.0
Dalla metà degli anni ’50, al 2005.
 Sorgenti di dati piccole e strutturate in sistemi interni
 La maggioranza delle attività di analisi era di report
 Creare modelli di analisi è un processo “batch” pesante
 Lavoro degli analisti indipendente da persone e
decisioni
 Poca competizione fra le aziende di analisi
 Decisioni basate su esperienza ed intuizioni

7. Analytics 2.0
Dalla metà degli anni 2000.
 Sorgenti di dati complesse, grandi, non strutturate
 Nuove capacità analistico-computazionali
 Si impone la figura del “Data Scientist”
 Alcune attività online creano prodotti e servizi data-
based

8. Hadoop
“Apache Hadoop is 100% open source, and
pioneered a fundamentally new way of storing and
processing data. Instead of relying on expensive,
proprietary hardware and different systems to store
and process data, Hadoop enables distributed
parallel processing of huge amounts of data across
inexpensive, industry-standard servers that both
store and process the data, and can scale without
limits.
With Hadoop, no data is too big. And in today’s
hyper-connected world where more and more data
is being created every day, Hadoop’s breakthrough
advantages mean that businesses and
organizations can now find value in data that was
recently considered useless.”
http://www.cloudera.com/content/cloudera/en/about/hadoop-and-big-data.html
Doug Cutting
CEO di Cloudera

9. Analytics 3.0
Concetto attualissimo (per molti siamo ancora al 2.0).
 Analisi necessarie per la sopravvivenza delle aziende
 Tempi rapidi
 Strumenti di analisi disponibili già in Point of Decision
 Tutti i business possono creare prodotti e servizi data-
based

10. The most important trait of the Analytics
3.0 era is that not only online firms, but
virtually any type of firm in any industry,
can participate in the data economy.
Tom Davenport

11. General Electrics
 2 miliardi di dollari investiti in software e analisi
 Focus principale su prodotti e servizi data-based
 588 GB/giorno di dati sul monitoraggio delle turbine a gas
(circa 6 volte il volume giornaliero di tweet)

12. General Electrics -
Datalandia

13. Schneider National
La Schneider National sta incrementando la raccolta dei dati tramite
sensori per monitorare livello di benzina, localizzazione, capacità dei
container, comportamento del conducente e altri indicatori chiave.
A questi dati applica algoritmi di ottimizzazione logistica per migliorare
volta per volta l’efficienza del tragitto in termini di velocità, prezzo della
benzina e per ridurre gli incidenti.

14. P&G
 Focus: decisioni real-time
 Sentiment analysis real-time
attraverso i social media
 Decision cockpits

15. Sviluppo ibrido
E’ chiaro che lo sviluppo di Analytics 3.0 porta alla nascita di
nuove architetture, ma l’utilizzo delle tecnologie esistenti per
molte grosse organizzazioni non viene abbandonato.
Risulta, comunque, sempre più massiccio l’utilizzo di soluzioni di
analisi di big data (come Hadoop) in cloud e open-source.

16. Descriptive vs Predictive vs
Prescriptive
 Descriptive analytics: Report sul passato
 Predictive analytics: Uso di modelli basati sui dati del
passato per predire il futuro ("you basically take data
that you have to predict data you don't have”)
 Prescriptive analytics: Uso di modelli per individuare
comportamenti ottimali o azioni migliori da
intraprendere
Analytics 3.0 li include tutti, ma pone l’accento sulla
prescriptive analytics.

17. Problemi
 Intensificazione del lavoro di data science
 Privacy
 Complessità dei big data
 Integrazione

18. Sommario

19. Risorse
 http://www.winshuttle.com/big-data-timeline/
 http://www.cloudera.com/content/cloudera/en/abou
t/hadoop-and-big-data.html
 http://www.ge.com/datalandia/
 http://mondodellericerche.wordpress.com/2013/04/
09/un-cockpit-per-orientarci/