Big Data Analytics

I Big Data Analytics analizzano grandi quantità di dati per scoprire modelli nascosti, correlazioni e altri insight. Con l'attuale tecnologia, è possibile analizzare i dati e ottenere risposte quasi immediatamente. Attività che sarebbe più lenta e meno efficiente con l'utilizzo di soluzioni di business intelligence tradizionali.

• La loro storia
•     
• Nel mondo di oggi
•     
• Chi li utilizza
•     
• Come funzionano
•     
• Passi successivi

Storia ed evoluzione dei Big Data Analytics

Il concetto di "big data" esiste da anni; la maggior parte delle aziende è conscia del fatto che se è in grado di acquisire tutti i dati di business che confluiscono nei propri database, può applicare gli analytics e ricavarne un valore significativo. Già negli anni '50, decenni prima che qualcuno pronunciasse il termine "big data", le aziende utilizzavano analytics di base (essenzialmente numeri in un foglio di calcolo che venivano esaminati manualmente) per scoprire intuizioni e tendenze.

I nuovi vantaggi offerti dai Big Data Analytics sono velocità ed efficienza. Mentre qualche anno fa un'azienda avrebbe raccolto informazioni, eseguito analisi e scoperto informazioni che avrebbe potuto utilizzare per decisioni future, oggi quella stessa azienda è in grado di identificare insight per decisioni immediate. La capacità di lavorare più velocemente, e di essere agili, offre alle aziende quel vantaggio competitivo che prima non avrebbero avuto.

L'obiettivo principale di una data strategy aziendale è tipicamente quello di migliorare il processo decisionale grazie agli analytics in una vasta serie di attività. I risultati delle nostre indagini evidenziano che le strategie analitiche di successo cambiano radicalmente il modo in cui le decisioni vengono prese all'interno dell'azienda.

Dal white paper Beyond the Hype: The Hard Work Behind Analytics Success

Come funziona e quali sono le tecnologie chiave

Non esiste una vera e propria tecnologia di big data analytics. Esistono invece advanced analytics che possono essere applicati ai big data, dove diversi tipi di tecnologie lavorano insieme per aiutare a ottenere il massimo valore dai tuoi dati aziendali. Ecco i protagonisti:

Machine Learning. Il Machine Learning, una sottocategoria specifica dell'Intelligenza Artificiale che addestra le macchine ad apprendere, permette di produrre in modo rapido e automatico modelli in grado di analizzare i dati più grandi e complessi e di fornire risultati accurati, anche su vasta scala. Con la costruzione di modelli precisi, un'azienda ha maggiori possibilità di individuare opportunità redditizie o di evitare rischi sconosciuti.

Data management. I dati devono essere di alta qualità e gestiti al meglio prima di poter essere analizzati in modo affidabile. Con il costante flusso di dati aziendali in ingresso e in uscita, è importante stabilire processi ripetibili per costruire e mantenere standard elevati di data quality. Una volta sicure che i dati siano affidabili, le aziende devono definire un programma di master data management che ponga l'intera organizzazione sulla stessa lunghezza d'onda.

Data mining. La tecnologia di data mining aiuta le aziende ad esaminare grandi quantità di dati per scoprirne i modelli. Le informazioni possono essere utilizzate per ulteriori analisi e rispondere a complesse domande di business. Con il software di data mining, è possibile filtrare i valori caotici e ripetitivi presenti dei dati, individuare ciò che è rilevante, utilizzare tali informazioni per valutare i probabili risultati e quindi accelerare il processo decisionale.

Hadoop. Questo framework software open source è in grado di memorizzare grandi quantità di dati ed eseguire applicazioni su cluster di hardware commodity. È diventata una tecnologia chiave per il business grazie al costante aumento nei volumi e varietà di dati e il suo modello di calcolo distribuito elabora i big data velocemente. Un ulteriore vantaggio è che il framework open source di Hadoop è gratuito e utilizza hardware commodity per memorizzare grandi quantità di dati.

Analytics in-memory. Analizzando i dati dalla memoria di sistema (invece che dal disco rigido), è possibile ricavare insight di business immediati dai dati e agire su di essi rapidamente. Questa tecnologia è in grado di rimuovere le latenze nella preparazione dei dati e di elaborazione analitica per testare nuovi scenari e creare modelli; non solo è un modo semplice per le organizzazioni di rimanere agili e prendere decisioni di business migliori, ma permette anche di eseguire scenari di analisi iterativi e interattivi.

Analisi predittiva. La tecnologia di analisi predittiva utilizza dati, algoritmi statistici e tecniche di machine learning per identificare la probabilità di risultati futuri sulla base di dati storici. Si tratta di fornire una valutazione ottimale di ciò che accadrà in futuro, perché le aziende possano sentirsi più sicure di prendere la migliore decisione di business possibile. Alcune delle applicazioni più comuni dell'analisi predittiva includono l'individuazione delle frodi, il rischio, le operations e il marketing.

Text mining . Con la tecnologia di text mining, è possibile analizzare i dati testuali provenienti dal web, campi di commento, libri e altre fonti testuali per scoprire intuizioni di business che non erano visibili a prima vista. Il text mining utilizza la tecnologia di machine learning o di elaborazione del linguaggio naturale per "passare al pettine" i documenti (email, blog, feed di Twitter, sondaggi, post e altro), analizzare grandi quantità di informazioni per scoprire nuovi argomenti e relazioni tra i termini.