Copyright SDA Bocconi, Paolo Pasini 1

Business Intelligence, Business Analytics, Big Data e valore aziendale

P. Pasini Responsabile Unit Sistemi Informativi

Direttore Osservatorio BI SDA Bocconi School of Management

Come rappresentare una realtà aziendale sempre più complessa e dinamica?

La curva di esperienza nell’impiego dei dati in azienda segue alcune tipiche fasi di Maturity:

1° fase: dati Financial (ufficiali e strutturati) 2° fase: dati non Financial (più o meno ufficiali e

strutturati) Il passaggio dal trattamento dei dati “financial” ai

“non financial” è fondamentale, ma è ancora

faticoso (es. si vedano i casi di Balanced

Scorecards, Value-Based Mgmt, …, oppure i casi di

utilizzo dei sensor/meter data o degli M2M data per

scopi di management!)

Come rappresentare una realtà aziendale sempre più complessa e dinamica?

3° fase: dati non strutturati generare abitudine e capacità nel

trattamento di dati qualitativi, soft e in

forma non numerica (testuale, grafica,

video, audio, …), generati da fonti interne

(email, documenti dematerializzati, …) ed

esterne (web log, social data, web

content, …)

4° fase: dati con mix crescenti di Volumi,

Velocità (di generazione, raccolta, elaborazione e fruizione) e Varietà (fonti e formati) -> Big Data

La piramide di esperienza della BI

Creatività sul mercato e nei

Business Model

Nuovi Prodotti e Servizi

Migliorare i processi aziendali e le relazioni nella rete del valore

“Anticipare i problemi e Guidare il Business” nel Breve-Medio Termine

“Capire e dare un senso al Business, al passato”

5

(Fonte: Osservatorio BI, SDA Bocconi, 2010)

PRECA BRUMMEL. Il processo di definizione del briefing (e del budget) di collezione e pianificazione dei lanci di produzione.

COREPLA. Il processo di pianificazione finanziaria pluriennale. ABB. Budgeting forecast mensile.

AZIENDA OSPEDALIERA DI PADOVA. Il monitoraggio di prenotazioni e pagamenti delle visite.

A2A. Il processo di simulazione e di definizione di nuovi contratti luce-gas

RCS DIRECT. Il processo di scelta delle campagne marketing (per gli abbonamenti RCS e per i clienti esterni). MAPEI. Sviluppo nuovi modelli di mkt internazionale e di mix di vendita.

6

Processi decisionali core business per settore e relative Analytical Applications

Settore Core Analytical Applications Portfolio Servizi finanziari

Credit scoring, fraud detection, pricing dinamico, claims analysis, customer profitability, channel profitability, compliance

Retail Promotions analysis, ottimizzazione dei riassortimenti, ottimizzazione degli scaffali, demand forecasting, ottimizzazione della logistica e dei centri distribuzione, pricing, geo-intelligence

Manifatturiero Supply chain optimization (matching tra stabilimenti-magazzini-PdV), demand forecasting, analisi garanzie, previsione personalizzazione e innovazione prodotti

Health care Diagnosi preventiva, previsione visite, revenue management, financial resource analysis e forecasting

Energy, Utility Energy management, trading allocation, demand forecasting, compliance, pricing and contracts differentiation

Telco Customer retention, demand forecasting, capacity planning, network optimization, customer profitability

Web channels Web site metrics, customer recommendations and advs, Social Media Analysis, Location based services analysis

… …

The new BI scenario

BI Tools

What’s the best that can happen?

What will happen next?

What if these trends continue?

Why is this happening?

What actions are needed?

Where exactly is the problem?

How many, how often, where?

What happened? Com

petit

ive

Adv

anta

ge

Degree of Intelligence Insight

Decision Optimization

Predictive Analytics

Forecasting

Statistical models

Alerts

Query/drill down

Ad hoc reports

Standard reports

(adattamento da Davenport, 2007)

Information

BI Analytics

What Business Managers think: una ricerca Global (2012)

(IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012)

Applicazioni di BI/Analytics: diversi livelli di impatto sui risultati aziendali

Energy management, nuovi contratti clienti, nuovi modelli di pricing, mix dei ri-assortimenti, scelte di supply chain, …

CRM, analisi contatti, segmentazioni, cross-selling, analisi dei reclami/soddisfazione/ fedeltà, …

Business Performance Management, KPI, BSC, analisi redditività di prodotto/servizio/canale/ segmento clienti, analisi di efficienza o qualità del parco asset o delle HR, …

IMPATTO DIRETTO SULLA BOTTOM LINE

IMPATTO “MEDIATO” SULLA BOTTOM LINE

IMPATTO INDIRETTO SULLA BOTTOM LINE

10

consumer

RECENCY, FREQUENCY, MONETARY

FIDELITY CARD, PUNTI PREMIO STRUMENTI DI PAGAMENTO

SOCIAL WEB DATA (RT e non RT)

GEO-POSITIONING

FEEDBACK E-SURVEY

INFORMAZIONI E RECLAMI AL CONTACT CENTER

VIDEO-INTELLIGENCE (riconoscimento volti e Comportamento fisico)

GARANZIE PRODOTTI

BASKET E MIX DI ACQUISTO

PROFILO SOCIO-DEMO PROFITABILITY

Un esempio di BIG DATA: velocity, variety, volume. I vettori di conoscenza del consumer

DATI STRUT-TURATI

DATI STRUT-TURATI

DATI NON

STRUTT.

DATI IN STREAMI

NG, RealTime

DATI NON

STRUTT.

DATI STRUT-TURATI

DATI IN STREAMI

NG, RealTime

DATI IN STREAMI

NG, RealTime

DATI IN STREAMI

NG, RealTime

Una “vista analitica per oggetti di business”: Verso i Big Data!

Ogni persona o cosa o evento naturale, ogni oggetto o evento di business generano attorno a sé in modo sempre più automatico dati digitali (nel privato, nell’ambiente fisico e relazionale o in azienda); non solo sul web!

Nuove Tecnologie di data mgmt e di data analysis

Capacità di ricercare, di analizzare e di interpretare

Le origini dei BIG DATA

È un fenomeno di management, non solo di ICT!

e-Survey: “Big Data: le nuove frontiere della conoscenza aziendale”

e-Survey: “Come avere successo nel business gestendo bene i propri (e altrui!) dati aziendali”

BIG DATA & BIG BROTHER: Minacce, percezioni individuali, privacy

Data Quality(Veracity),

Security, Privacy

New Knowledgeand Insights

New PotentialBusiness

Value

Big Data Framework

Enablers to Big Data

BI & Analytics, DB platform Cloud services

Management Culture and Capabilities,New Skills

Information Complexity Scale

High

Low

Data Velocity Data Volume

Data Variety (number of sources and

types of formats)

Big Data Framework

La ricerca

Target: CIO e IT Executive di medio-grandi imprese italiane

202 imprese partecipanti

Manifatturiero: 31%; Distribuzione e Logistica: 18%; Finance: 11%; PAL-Sanità: 18%, Servizi-Utilities: 22%

Medie Imprese (< 1000 dip.) 51%; Medio-grandi Imprese (1000-5000 dip.) 26%, Grandi imprese (> 5000 dip.) 23%

Aziende domestiche 49%; Multinazionali italiane 25%; Consociate di multinazionali estere 26%

Quali tra le seguenti FONTI DI DATI associa maggiormente ai Big Data?

20

Social networks e social media (es. Facebook, Twitter, blogs, forum, …) 54%

Documenti cartacei digitalizzati 52% Email 46% Transazioni 40% Immagini 34% Registrazioni video 32% Dati di geo-posizionamento (GPS) 25%

Dati generati da sensori o misuratori digitali (es. RFID, NFC, meters) 25%

Automazione processi produttivi 24% Clickstream – Web Log 18% M2M (Machine to Machine) data - Internet of Things 17%

Digitalizzazione dei processi di R&D (es. nella bioinformatica e biogenetica, chimica, climatologia, ecc.)

15%

Registrazioni audio 12% Altro (specificare) 3%

Principali aree di impatto e di beneficio di business dei Big Data

1. accuratezza delle analisi del comportamento del mercato e maggiori informazioni sui Clienti (più dimensioni di analisi) al fine di servirlo meglio (con piattaforme digitali di Customer Experience multicanale)

2. costruzione di una nuova piattaforma IT (che superi i limiti del DW, che permetta analisi di milioni di transazioni, che permetta di analizzare grandi quantità di dati strutturati e non, ecc.)

3. velocità delle insight a supporto delle decisioni strategiche (predizioni, scenari e previsioni di medio-lungo termine)

4. analizzare e gestire Point-of-interest aziendali (PdV, magazzini, concessionari e dealer, turbine, cantieri, ecc.) e infrastrutture sul territorio (reti elettriche, canalizzazioni, strade, ecc.)

5. Analisi di dati strutturati e non che convergono in documenti aziendali core dematerializzati (fascicoli sanitari, gestione sinistri, …)

6. Ottimizzazione dei processi aziendali (supply chain complesse, campagne promozionali ripetitive, …)

21

Rilevanza per gli executive

L’Executive più interessato ai Big Data e che può generare il giusto committment aziendale, è:

1. CIO/IT manager: 37% ma non da solo per il 19% del campione, bensì

con il CEO (5%) o il DG (4%), con il Direttore AFC (5%), con il direttore Mktg (5%)

2. Comitato interfunzionale di Executive (21%): “Big data = Big Brainstorming!”

3. Direttore Mktg (20%)

22

What Business Managers think: una ricerca Global

(IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012)

1. La maggioranza delle aziende si presenta nella Fase di comprensione dei BD e dei loro possibili benefici (57%).

2. Un’altra porzione di rilievo (25%) è consapevole del valore dei BD ma ha “priorità” immediate nella gestione della privacy e della sicurezza dei dati.

3. Il 25% non sente il bisogno dei BD (con un 7% che ha però avviato una fase di comprensione).

4. il 18% ha definito una strategia di BD o sta svolgendo studi di fattibilità o ha avviato progetti in ambito (ricerca a livello Global: 28 % in Execution; 48% in Planning).

Fase attuale del ciclo di esperienza/maturità nei Big Data

Gli Enabler organizzativi dei Big Data

1. il funding, il budget delle iniziative (22%) 2. la corretta valutazione dei ritorni dell’investimento

(14%) 3. il committment direzionale (13%) 4. le competenze interne (tecnologiche, analitiche,

interpretative) (12%)

25

BI/Analytics Organization

(MIT Sloan Management Review in collaboration with the IBM Institute for Business Value, “Big Data, Analytics and the Path From Insights to Value, winter 2011)

BICC centrale

BICC divisionale

27

Gli Enabler tecnologici dei Big Data

4,85

4,57

4,56

4,49

4,31

4,23

4,13

4,05

3,84

1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50 5,00

Business Analytics

Strumenti per l’Integrazione di dati (es. ETL, etc.)

Content Analytics

Sistemi di database management non relazionali (es. inmemory,columnar)

Sistemi di database management relazionali

Cloud computing/ICT as-a-service

Hadoop/MapReduce

Streaming processing

ICT Outsourcing

ALCUNI CASI PIONIERI E CASI DI ECCELLENZA

Insight dei Processi R&D e innovazione di

prodotto/servizio

Insight dei Processi gestionali, incluso

risk mgmt

Insight delle relazioni con

partner esterni

Insight dei PoI o Infrastrutture

aziendali (incl. ICT)

Insight di mercato e clienti

Insight per Strategie future, scenari, business model

Insight sui documenti core dematerializzati

Velo

city

Varie

ty

Volu

me

Insight dei Processi R&D e innovazione di

prodotto/servizio

Insight dei Processi gestionali, incluso

risk mgmt

Insight delle relazioni con

partner esterni

Insight dei PoI o Infrastrutture

aziendali (incl. ICT)

Insight di mercato e clienti

Insight per Strategie future, scenari, business model

Insight sui documenti core dematerializzati

Velo

city

TerraEchos (RT acoustic data analysis)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

University of Western Ontario (RT neonatal patient conditions analysis)

Barnes & Noble (RT sales track for suppliers and RT inventory analysis)

Asian Telco (network monitoring e processo di billing)

Telecom (Service level analysis)

Barnes & Noble (RT sales track for suppliers and RT inventory analysis)

Dublin City Center; (RT public transportation data analysis)

Battelle (RT and DWH smart grid data analysis)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

U.S. Wireless Telco (RT cells and customer calls Data analysis)

Asian Telco (network monitoring)

Mutiutility italiana (RT power network analysis and predictive)

Telecom (Service level analysis)

University of Southern California(RT Twitter data analysis for political aims)

Ufone (campaign data streams analysis)

Globe Telecom (RT mktg data analysis)

U.S. life Insurance Company (RT predictive analysis of churn)

MobyLines (RT customer profiling and custom content delivery)

Varie

ty

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

TerraEchos (RT acoustic data analysis)

Vestas (wind turbine positioning)

Asian health Bureau (patient images analysis in rural telemedicine)

Hertz (content analytics)

Vestas (wind turbine positioning)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

University of Southern California (RT Twitter data analysis for political aims)

Hertz (content analytics)

U.S. Wireless Telco (RT cells and customer calls Data analysis)

Mediaset (social analytics; virtual customer profile analysis)

Multinational CPG manufacturer (velocità ed efficacia dell’enterprise search)

Multinational Aeromobile manufacturer (velocità ed efficacia dell’enterprise search)

Volu

me TerraEchos (RT acoustic

data analysis)

Asian Health Bureau (patient images analysis in rural telemedicine)

Vestas (wind turbine positioning)

Asian Telco (network monitoring e processo di billing)

Battelle (RT and DWH smart grid data analysis)

U.S. Wireless Telco (RT cells and customer calls Data analysis)

Mutiutility italiana (RT power network analysis and predictive)

Telecom (Service level analysis)

University of Southern California California (RT Twitter data analysis for political aims)

1. Buona distribuzione dei casi nei 3 attributi base dei Big Data (velocity, variety, volume), con mix diversi degli stessi

2. Conferma che l’esperienza di BD si sta trasferendo • dal mondo fisico (analisi delle infrastrutture e dei PoI aziendali,

soprattutto nelle Telco, nell’Energy e nel trasporto pubblico) e della R&D (innovazione di prodotto/servizio, nel mondo medico, meteo, sicurezza)

• al mondo del management (soprattutto nelle analisi del mercato/clienti e dei processi gestionali core)

3. Più difficile per ora osservare esperienze di BD nella definizione di

strategie e scenari futuri, e nell’analisi delle relazioni con i fornitori e partner

Alcuni commenti generali ai casi osservati

Risultati • Aumento della precisione nella

definizione della localizzazione delle turbine grazie alla possibilità di analizzare più dati e con un maggior dettaglio.

• Diminuzione del costo dell’energia per Kilowatt ora e conseguente incremento del ritorno dell’investimento per i clienti.

• Riduzione dei tempi di risposta nelle attività di simulazione e previsione di circa il 97%.

Hertz

Hertz è il più grande Brand di autonoleggio, aeroportuale, con oltre 8.300 sedi in 146 paesi.

Hertz continuamente richiede e riceve feedback dai propri clienti mediante sondaggi web, email e messaggi di testo. Tutti i dati non strutturati così raccolti rappresentano una fonte molto preziosa per misurare il grado di soddisfazione dei propri clienti e capire quali sono i limiti del servizio erogato che possono generare insoddisfazione nella clientela.

Per sfruttare appieno questo potenziale informativo, Herts ha avviato l’implementazione di un sistema per raccogliere i dati non strutturati, elaborarli ed estrarre le informazioni rilevanti per il business e renderle disponibili al management per analisi volte a identificare trends, criticità/opportunità e modificare conseguentemente il servizio offerto in termini di contenuto e qualità per renderlo coerente con le richieste dei clienti.

L’analisi di questi dati permette, inoltre, di comprendere i punti di forza e di debolezza dei processi aziendali (di noleggio, consegna e ritiro) e intraprendere le necessarie azioni correttive.

La soluzione implementata, in particolare, permette di classificare automaticamente i dati non strutturati raccolti mediante l’utilizzo di regole linguistiche restituendo report facilmente interpretabili e analizzabili dal management.

Risultati

• Riduzione dei tempi necessari al trattamento/preparazione dei dati non strutturati e conseguente incremento del tempo disponibile per la loro analisi.

• Maggior conoscenza dell’opinione dei clienti e delle determinati della loro soddisfazione o insoddisfazione.

• Maggior controllo sui processi aziendali core (noleggio, consegna e ritiro).

Soluzioni implementate

• IBM Content Analytics.

Risultati • Riduzione dei tempi necessari per

la raccolta multicanale e per il trattamento/preparazione dei dati non strutturati e conseguente incremento del tempo disponibile per la loro analisi.

• Maggior conoscenza dell’opinione dei clienti e delle determinati della loro soddisfazione o insoddisfazione.

• Maggior controllo sui processi aziendali core (noleggio, consegna e ritiro).

Annenberg Innovation Lab University of Southern California

Annenberg Innovation Lab è un centro di ricerca dell’University of Southern California, una tra le università più importanti degli Stati Uniti. Il Lab, in particolare, svolge attività di ricerca focalizzata principalmente sui Digital Media e sul loro impatto nelle amministrazioni pubbliche, nelle imprese private e nella società civile in generale.

All’interno di questo filone di ricerca il Lab ha avviato un progetto finalizzato alla misurazione del “sentimento” pubblico durate le votazioni primarie e i dibatti presidenziali.

Per fare ciò, è stata realizzata una soluzione in grado di raccogliere i messaggi postati su Twitter durante i dibattiti politici, di analizzarne il contenuto attraverso strumenti capaci di interpretare il linguaggio naturale, di classificare il messaggio in funzione del suo reale significato (disambiguazione del linguaggio ricco di “modi di dire”, espressioni sarcastiche, etc.) e infine di capire e interpretare i sentimenti (positivi, negativi, neutrali) verso i candidati e verso i temi socio-economici oggetto dei dibattiti politici.

Risultati

• Visualizzazione in tempo reale delle percezioni e delle reazioni del pubblico alle risposte fornite da parte dei candidati politici durante i dibattiti.

• Previsione del vincitore del dibattito basata sull’opinione pubblica anziché esclusivamente su quella degli analisti e degli schieramenti politici.

Soluzioni implementate

• IBM InfoSphere Streams.

Risultati • Visualizzazione in tempo reale

delle percezioni e delle reazioni del pubblico alle risposte fornite da parte dei candidati politici durante i dibattiti.

• Previsione del vincitore del dibattito basata sull’opinione pubblica anziché esclusivamente su quella degli analisti e degli schieramenti politici.

Risultati • Aumento del conversion rate

dello 0,5%. • Miglioramento dell’efficacia

delle azioni di marketing attraverso una maggior comprensione in tempo reale del comportamento d’acquisto dei clienti.

TerraEchos

TerraEchos è leader nella fornitura di sistemi di intelligence segreta e di sistemi di sorveglianza. Tra i suoi clienti, c’è il National Lab di ingegneria applicata che supporta il Department of Energy (DOE) americano nella ricerca energetica e nucleare e nelle attività per la difesa nazionale.

TerraEchos ha sviluppato un sistema per la sorveglianza basato sull’analisi dei dati sonori a bassa latenza. In particolare il sistema implementato è un sistema di sicurezza e sorveglianza per individuare, classificare e monitorare le minacce potenziali altamente sensibili per il National Lab.

La soluzione raccoglie i dati acustici provenienti dalla rete di sensori in fibra ottica. Successivamente li analizza per la rilevazione di minacce, la classificazione, la prevenzione e la comunicazione agli enti di analisi e intervento.

Risultati

• Analisi e classificazione in tempo reale dei dati acustici in streaming.

• Integrazione di dati video provenienti dai sistemi di sorveglianza con i dati acustici per fornire una visione olistica delle potenziali minacce.

• Predisposizione di una più veloce e intelligente risposta alle potenziali minacce rilevate.

Soluzioni implementate

• IBM InfoSphere Streams.

Risultati • Analisi e classificazione in tempo

reale dei dati acustici in streaming. • Integrazione dei dati video

provenienti dai sistemi di sorveglianza con i dati acustici per fornire una visione olistica delle potenziali minacce.

• Predisposizione di una più veloce e intelligente risposta alle potenziali minacce rilevate.

University Western of Ontario, Institute of Technology (UOIT)

L’Università dell’Ontario, fondata nel 2002, è un importante centro di ricerca canadese costantemente impegnato nel trovare strumenti innovativi per offrire assistenza sempre più efficace e proattiva in campo medico.

Oggi i pazienti sono costantemente monitorati con specifici apparecchi in grado di segnalare scostamenti dai valori vitali considerati normali in modo da poter intervenire tempestivamente e in modo mirato sulla eventuale patologia nascente o in corso.

L’osservazione però ha dimostrato che un’analisi più approfondita del paziente può intercettare l’insorgere di complicazioni molto prima che queste si manifestino in tutta la loro gravità. È quindi importante poter individuare anche i cosiddetti “segnali deboli” che possono permettere un intervento in una fase precoce della patologia in essere.

L’importanza della diagnosi precoce è ancora più rilevante e critica in pazienti particolarmente indifesi come i neonati nati prematuri.

È stata così sviluppata una soluzione in grado di analizzare i dati dei bambini nati prematuri e monitorarne le condizioni costantemente in

modo da permettere una valutazione e una comparazione con i dati fisiologici “normali” dei neonati e consentire di evidenziare cambiamenti anche molto lievi. In questo modo è possibile per il personale ospedaliero intervenire tempestivamente e soprattutto quando la situazione non è ancora critica.

Risultati

• Rilevazione di eventuali condizioni critiche del paziente con un anticipo fino a 24 ore prima.

• Minore mortalità e migliore assistenza al paziente neonato.

Soluzioni implementate

• IBM InfoSphere Streams. • IBM DB2.

Risultati • Rilevazione di eventuali

condizioni critiche del paziente con un anticipo fino a 24 ore prima.

• Minore mortalità e migliore assistenza al paziente neonato.

Insight dei Processi R&D e innovazione di prodotto/servizio

Insight deiProcessi gestionali, incluso risk

mgmt

Insight delle relazioni con

partner esterni

Insight dei PoI o Infrastrutture aziendali

(incl. ICT)

Insight di mercato e clienti

Insight per Strategie future, scenari

Insight sui documenti

core dematerializz

ati

Busi

ness

Val

ue

Reve

nue

incr

eese

Wor

king

ca

pita

l re

duct

ion

Cost

redu

ctio

n

Inta

ngib

le a

sset

val

ue

(bra

nd re

puta

tion,

risk

m

gmt,

know

ledg

e,

rela

tions

hip

valu

e,

soci

al v

alue

, …)

Insight dei Processi R&D e innovazione di prodotto/servizio

Insight deiProcessi gestionali, incluso risk

mgmt

Insight delle relazioni con

partner esterni

Insight dei PoI o Infrastrutture aziendali

(incl. ICT)

Insight di mercato e clienti

Insight per Strategie future, scenari

Insight sui documenti

core dematerializz

ati

Busi

ness

Val

ue

Reve

nue

incr

eese

TerraEchos (RT acoustic data analysis)

Vestas (wind turbine positioning)

Telecom (service level monitoring)

Ufone (campaign data streams analysis)

Globe Telecom (RT mktg data analysis)

U.S. life Insurance Company (RT predictive analysis of churn)

Hertz (content analytics)

Mediaset (social analytics; virtual customer profile analysis)

MobyLines (RT customer profiling and custom content delivery)

Wor

king

ca

pita

l re

duct

ion

Barnes & Noble (RT sales track for suppliers and RT inventory analysis)

Major U.S. Wireless Telco (RT cells Data analysis)

Cost

redu

ctio

n

Asian health Bureau (patient images analysis in rural telemedicine)

Hertz (content analytics)

Asian Telco (network monitoring e processo di billing)

Dublin City Center (RT public transportation data analysis)

Major U.S. Wireless Telco (RT cells Data analysis)

Battelle (RT and DWH smart grid data analysis)

Asian Telco (network monitoring)

Mutiutility italiana (RT power network analysis and predictive)

Multinational Aeromobile manufacturer (enterprise search)

Inta

ngib

le a

sset

val

ue

(bra

nd re

puta

tion,

risk

m

gmt,

know

ledg

e,

rela

tions

hip

valu

e,

soci

al v

alue

, …)

KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data)

University of Western Ontario (RT neonatal patient conditions analysis)

Asian health Bureau (patient images analysis in rural telemedicine)

Vestas (wind turbine positioning)

Dublin City Center (RT public transportation data analysis)

Telecom (service level monitoring)

University of Southern California(RT Twitter data analysis for political aims)

Hertz (content analytics)

Multinational CPG manufacturer (enterprise search)

Multinational Aeromobile manufacturer (enterprise search)

I Business Value più rilevati

1. La ricerca della riduzione dei costi aziendali o del capitale circolante, come Business Value dei BD, non sembra il fine più perseguito, se non nelle insight delle Infrastrutture aziendali: i BD forse sono più coerenti con crescita e innovazione!

2. Il valore in termini di Intangible Asset è sempre presente

3. L’incremento di Revenue come valore dei BD si manifesta ovviamente di più nei casi di Analisi del mercato/clienti

Nuove suggestioni o trend reali? (Fonti: Gartner, Forrester, Datawarehousing Institute -TDWI.com, Information-Management.com, Osservatorio

BI-SDA Bocconi - sdabocconi.it/obi)

Maturità della BI ed Evoluzione delle applicazioni di BI:

1. Più BI Decision-oriented e meno BI Reporting-Based

2. Big Data: “Umbrella term” di Data Velocity-Variety-Volume ! • Open Data • Web BI: dalle Web Metrics & Analytics alla Social Web BI • Geo-Data

3. Near Real Time BI

Nuove suggestioni o trend reali?

Nuovi metodi di BI design e delivery:

1. Agile BI, Usability

2. Self-Service BI

3. User centric design, Design sperimentali, iterativi, User test continuo

4. Autocertificazione dei dati • Velocità di generazione (bassa latenza) • Dati non certificati da procedure o sistemi ufficiali • Poca consapevolezza e metodi

5. Embedded analytics nei processi operativi (es. gestione di un reclamo, Web Advertising, prevenzione medica, ecc.); molto sviluppo custom!

Nuove suggestioni o trend reali?

Nuove tecnologie di BI: 1. Advanced visualization: la grafica è il punto di partenza delle analisi, non

l’arrivo! 2. BI collaborativa: integrazione con workflow, portali aziendali, strumenti di

messaging e communication; grande potenziale inespresso 3. InMemory: prestazioni e verso la RT information

4. Analytical Platform: nicchie di applicazioni

5. BI Mobile: quanto “spinge” realmente la BI e le Analytics? • Apps per la raccolta dati e Apps analitiche • Smartphone: solo per data collect e information presentation • Tablet: anche per information analysis; i device sono decisamente più “cool”,

ma la logica del “baratto” con l’utente rimane: l’adozione del tablet è diversa dall’adozione della BI/Analytics aziendale!

• Gestione di più piattaforme oggi presenti sul mercato (non solo Iphone e Ipad!)

“Still dreams”: 1. BI in SaaS, in Cloud

2. BI Open source Necessità crescente di una

maggiore BI Governance