Big data: cosa sono, come utilizzarli, soluzioni ed esempi applicativi

Mobile, Internet of Things, Wearable, Social Media stanno trasformando le imprese e le Pubbliche Amministrazioni in grandi "fabbriche di dati. Per trasformare in risultati concreti fenomeni come Industria 4.0, Digital Banking, Smart City e Smart Health servono infrastrutture, tool e competenze di Data Science [...]
Data classification: cos'è e a cosa serve
  1. Home
  2. Big Data
  3. Big data: cosa sono, come utilizzarli, soluzioni ed esempi applicativi

La sfida più grande per la maggior parte delle aziende oggi è nella capacità di acquisire un vantaggio competitivo lavorando sui dati.

Tutte le aziende e tutte le Pubbliche Amministrazioni stanno diventando grandi fabbriche di dati. Noi stessi contribuiamo costantemente, consapevolmente e spesso anche inconsapevolmente, alla produzione di dati.

Big data vuol dire (letteralmente) grandi dati, ovvero grandi quantità di dati, che presi insieme occupano molto spazio di archiviazione, nell’ordine dei Terabyte (unità di misura multipla del byte, corrispondente a 2 alla quarantesima byte, ovvero a 1.048.576 megabyte, il simbolo è TB).

I processi nella tua azienda sono efficaci? I dati possono aiutarti.  Scopri tutto quello che c’è da sapere sul Process Mining!

Ma in cosa consistono i dati/informazioni?  Da una ricerca su Google a un nostro acquisto al supermercato, da una foto a un messaggio vocale a un tweet. Tutti questi sono dati.

La maggior parte delle nostre attività quotidiane, oggi, crea dei dati, che possono essere raccolti, analizzati e monetizzati.

Indice degli argomenti

Che cosa si intende per Big Data? La definizione

I big data sono dati informatici di grosse dimensioni che non possono essere analizzati e archiviati con strumenti tradizionali.

L’analisi dei big data richiede competenze specifiche, e tecnologie avanzate in grado di supportare l’elaborazione di file di dimensioni così grandi, per poterne estrarre informazioni utili, nascoste.

I dati che vengono prodotti da ognuno di noi e in ogni piattaforma digitale sono molteplici, come ad esempio i dati degli utenti di un sito web, dei loro post su Facebook, o dell’utilizzo di un’app, dagli oggetti collegati alla rete, e così via.

Super computer e algoritmi ci permettono di analizzare la sempre crescente mole di dati generati ogni giorno. Le CPU dei computer potrebbero a breve arrivare alla potenza di calco del cervello umano.

L’intelligenza artificiale potrebbe in poco tempo far sostituire ai robot molti dei lavori che facciamo oggi grazie alla enorme quantità di dati che oggi vengono generati, che possono essere facilmente analizzati dalle macchine, rivelando percorsi e connessioni tra le molte attività umane, oltre a creare dei profili dettagliati su di noi.

Entra in gioco però, anche la tutela della privacy legata alla sicurezza dei dati, procedura che come stiamo imparando nel corso di questi anni, non è per niente banale.

Il fenomeno dei big data, o meglio il fenomeno di immagazzinare, gestire e analizzare grandi quantità di dati non è in realtà un fenomeno recente, anzi è un fenomeno che fa parte della lunga storia dell’evoluzione del genere umano.

Così come è avvenuto per innovazioni quali internet, data center o cellulari, anche i big data sono uno step verso un modo diverso di gestire il business e la società.

Secondo il report How Much Information del 2010, pare che ognuno di noi generi in media 12 gigabyte di dati ogni giorno, e il numero è in costante crescita. Pensiamo ad esempio a tutti i post che vengono creati ogni giorno su Facebook. Un numero incredibile di dati generati dagli utenti, che verranno salvati da qualche parte e, forse, un giorno analizzati.

What is Big Data and how does it work?

Oggi è possibile raccogliere un’innumerevole quantità di dati, come conseguenza di internet, dell’Internet delle Cose e del dilagare di applicazioni che funzionano collegandosi a una connessione internet.

In questo articolo cercheremo di spiegare cosa sono i big data, a cosa servono, alcuni degli utilizzi e ambiti applicati dei big data, e qual è il vantaggio per le aziende che decidono di applicare l’analisi dei big data al proprio business.

Perché i Big Data sono importanti?

L’obiettivo dell’analisi dei Big data è quello di sfruttare grandi quantità di dati per aiutare le aziende a identificare nuove opportunità di business.

I Big data analytics sono importanti perché aiutano a semplificare i movimenti aziendali, rendere più efficienti le operazioni, aumentare i profitti, e avere clienti più soddisfatti.

Quali sono i tre principi fondamentali dei Big Data?

Le 3 “V” chiave dei Big data vanno a comporre la carta d’identità dei dati: 3 “V” che nel corso del tempo sono poi diventate le 5V dei Big Data:

    1. Volume, la grande quantità di dati di un’attività;
    2. Velocità, l’acquisizione dei dati alla velocità in cui arrivano;
    3. Varietà, catturare dati eterogenei per ottenere informazioni dettagliate;
    4. Veridicità, l’affidabilità dei dati della fonte;
    5. Valore, l’importanza del valore dei dati per i processi aziendali.

 

Alle basi dei Big data e della Data science

Per comprendere lo sviluppo dei Big data occorre anche saper individuare i modelli di utilizzo degli analytics nelle imprese e ancora una volta è necessaria una distinzione duale nelle tipologie di dati:

  • dati strutturati
  • dati destrutturati

Nel caso dei dati destrutturati si tratta poi tipicamente di:

  • testo
  • immagini
  • video
  • audio
  • elementi di calcolo

Richiamando i dati dell’Osservatorio Big Data del Politecnico di Milano, nel 2021 il 78% delle grandi organizzazioni ha lavorato all’integrazione di dati che provengono da diverse funzioni aziendali o dall’esterno.

Se si considera la capacità di gestire e governare i dati con l’obiettivo di rendere accessibile e valorizzare l’intero patrimonio informativo e non soltanto con finalità di sicurezza e integrità, soltanto il 18% appare proattiva sul tema, con tecnologie e competenze presenti e ben distribuite.

Il 55% delle grandi aziende mostra invece una diffusa immaturità nella gestione dei dati, mentre le rimanenti stanno adottando nuove tecnologie o identificando figure di responsabilità in questo ambito.

 

CLICCA QUI per scaricare l'infografica

 

Come si generano i Big Data?

Dietro a questi “segni particolari” ci sta la funzione centrale dei Big data che è quella di fornire la miglior rappresentazione possibile della realtà attraverso i dati. Ma per rappresentare in modo verosimile prima e veritiero poi la realtà con i dati è necessario sviluppare metodiche e logiche di rappresentazione con processi di verifica e di controllo.

Con questo approccio si va a collocare l’impresa all’interno di uno scenario di tipo data driven costituito da 4 grandi tipologie di Data analysis: 

1 – Descriptive analytics

Si parte dall’analisi descrittiva che è costituita da tutti i tool che permettono di rappresentare e descrivere anche in modo grafico la realtà di determinate situazioni o processi. Nel caso delle imprese parliamo ad esempio della rappresentazione di processi aziendali. La Descriptive analytics permette la visualizzazione grafica dei livelli di performance.

2 – Predictive analytics

Si passa poi all’analisi predittiva basata su soluzioni che permettono di effettuare l’analisi dei dati al fine di disegnare scenari di sviluppo nel futuro. Le predictive analytics si basano su modelli e tecniche matematiche come appunto i modelli predittivi, il forecasting e altri.

3 – Prescriptive analytics

Con le Analisi prescrittive si entra nell’ambito di strumenti che associano l’analisi dei dati alla capacità di assumere e gestire processi decisionali. Le Prescriptive analytics sono tool che mettono a disposizione delle indicazioni strategiche o delle soluzioni operative basate sia sull’analisi descrittiva sia sulle analisi predittive.

4 – Automated analytics

Il quarto punto scenario è rappresentato dalle Automated analytics che permettono di entrare nell’ambito dell’automazione con soluzioni di analytics. A fronte dei risultati delle analisi descrittive e predittive le Automated analytics sono nella condizione di attivare delle azioni definite sulla base di regole. Regole che possono essere a loro volta il frutto di un processo di analisi, come ad esempio lo studio dei comportamenti di una determinata macchina a fronte di determinate condizioni oggetto di analisi.

Clicca qui e scopri 10 step per creare una dashboard d’effetto ed efficace

Esempi di Big data nella vita quotidiana

Quasi tutti i settori produttivi utilizzano i big data per prevedere gli scenari futuri come ad esempio: cosa compreranno le persone? Quale sarà il loro stato di salute tra 5 anni?

Tuttavia i dati monitorati per decenni o secoli hanno un potere predittivo maggiore rispetto ai dati di un solo anno.

Ecco alcuni esempi applicativi dei big data:

  • scoprire le abitudini di acquisto dei consumatori,
  • marketing personalizzato,
  • monitorare le condizioni di salute attraverso dispositivi indossabili
  • manutenzione predittiva
  • piani sanitari personalizzati,
  • mappe stradali per veicoli,
  • protocolli di sicurezza informatica,
  • programmare le macchine.

 

Big data in azienda: asset come leva per il business

Se si guarda oggi ai principali fenomeni che caratterizzano lo sviluppo dell’economia e del sociale come l’Industria 4.0, l’Impresa 4.0, il Digital banking, le Smart city, la Smart agrifood e tantissimi altri, si deve osservare che la vera base di questi fenomeni è tutta chiaramente polarizzata sui dati e sulla capacità di lavorare su una visione che è nello stesso tempo più alta e ampia, ma anche più precisa, dei dati.

Più cresce l’orientamento delle aziende a sviluppare e attuare forme di Data Driven Innovation più acquistano importanza le due parole chiave che accompagnano questo processo, parole potenti, che racchiudono da sole il vero significato di questa trasformazione digitale basata sui dati: conoscenza e precisione.

Il lavoro sui dati e in particolare sui Big data allarga da una parte i confini della conoscenza delle imprese e delle Pubbliche Amministrazioni anche ad ambiti un tempo inesplorati o impraticabili. E sempre il lavoro sui Big data permette contemporaneamente di aumentare esponenzialmente la precisione di questa conoscenza e la precisione delle decisioni e delle azioni che si appoggiano su questa conoscenza.

Oggi nelle imprese l’utilizzo dei dati è spesso parziale e contingente, utilissimo certamente per raggiungere determinati obiettivi, ma limitato. Mentre appare evidente che il vero valore di questo patrimonio e la vera ricchezza si possono esprimere nel momento in cui si mette in atto un processo di valorizzazione di tutti i dati aziendali partendo da una visione di insieme di tutte le fonti.

In questo scenario il tema dei dati non deve più essere visto o letto come un tema solo tecnologico, ma come un vettore di business e per questo la definizione di una strategia aziendale legata a Big data e Data science non deve essere limitata ai soli “tavoli tecnici”.

 

Big data e Data science: i protagonisti in azienda

Prima di entrare nel merito delle figure che sono chiamate a lavorare in tutte quelle imprese che sono destinate a diventare  fabbriche di dati è utile vedere il concetto stesso di Big data e Data science.

I temi di riferimento per inquadrare le opportunità e le caratteristiche del tema analytics si focalizzano su alcuni ambiti:

  • Big data
  • Data science
  • Business intelligence
  • Real time analytics
  • Data analytics
  • Data mining
  • Data literacy

Letteralmente con Big data si vuole descrivere la capacità di sviluppare attività di calcolo e di intelligenza su grandissimi volumi di dati e di sviluppare più forme di lettura, di interpretazione e di conoscenza.

Sia quelle più contingenti, finalizzate a un utilizzo specifico e perimetrato (come ad esempio possono essere i dati relativi ai pagamenti digitali dei flussi di cassa di un supermercato), sia poi l’analisi di tutti i fenomeni che si possono individuare, leggere e schematizzare attraverso una lettura più “alta”, sempre di grandissimi volumi di dati (come ad esempio i riflessi a livello di customer experience legati alla introduzione di un nuovo sistema di pagamento digitale tanto a livello del singolo supermercato quanto a livello di area o di catena.

O ancora, per fare un altro esempio, nella identificazione delle relazioni che questo tipo di servizi di payment ha saputo sviluppare in termini di percezione del brand nei social o in termini di maggiore utilizzo del proprio smartphone nel punto vendita).

New call-to-action

 

Come fare Big data e cosa si intende per Data science e Data scientist

Se la figura del Data Scientist nasce, almeno come identità nel 2008, per opera di D.J.Patill e di Jeff Hammerbacher, è nel 2012 che inizia a essere oggetto di attenzione anche della pubblica opinione. Si è già detto dell’articolo Data Scientist: The sexiest job of 21Th Century di Harward Business Review, accanto a questa tappa va ricordato che nel 2015 Obama riconosce ufficialmente il ruolo e la figura del Data Scientist nominando DJ Patill come primo US Chief Data Scientist.

Una prima carta d’identità del Data scientist

Stiamo parlando di un lavoro bellissimo, come ha anche autorevolmente ricordato l’Harward Business Review che, anticipando i tempi, già nel 2012, aveva titolato un proprio servizio su questa professione: Data Scientist: The Sexiest Job of the 21st Century.

Un lavoro appunto affascinante che si concentra sul valore della conoscenza per generare nuova conoscenza. Un lavoro che richiede una fortissima concentrazione sui dati per esercitare una grande capacità di intuizione e di sintesi, di immaginazione per sviluppare teorie, per una sfida costante alla ricerca di “schemi” che permettano di individuare, interpretare, capire la realtà e poi gestire comportamenti e fenomeni.

Un lavoro che chiede nello stesso tempo anche tantissima creatività, anche nella gestione degli strumenti di lavoro che il Data Scientist è chiamato a plasmare, adattare, sviluppare.

WHITEPAPER
Retail: come costruire il buyer journey perfetto grazie ai dati?
Fashion
Retail

Il Data scientist è a tutti gli effetti una figura professionale ancora  in via di definizione. Alcuni aspetti di questa professione appaiono già molto chiari e definiti, altri sono e saranno un derivato di esperienze e sperimentazioni.

La certezza oggi più solida riguarda il fatto che il Data scientist non può non avere forti competenze interdisciplinari, deve padroneggiare gli Advanced analytics e i Big data e dunque deve dimostrare solide competenze informatiche, ma deve saper leggere oltre il dato per estrarre studi sociologici, individuando i pattern con competenze a livello di statistica e di matematica, deve poi saper dialogare con le aree di business e deve avere un quadro dei modelli di business attuali e potenziali che si “appoggiano” o meglio sono condotti (driven) dai dati.

Le attività di base del Data scientist

Per cogliere le opportunità dei Big data, servono chiaramente nuove competenze, così come nuovi modelli di governance. Il Data scientist è la figura che oggi meglio corrisponde al profilo di competenze e di esigenze di sviluppo che arriva dalle aziende che si collocano su un percorso di Data Driven Innovation.

Nello stesso tempo però è anche necessaria la figura del Chief data officer (CDO) ruolo manageriale chiamato ad assumere la responsabilità di definire lo sviluppo delle strategie per la valorizzazione dei dati e per la gestione del ciclo di vita del dato, dal momento della sua raccolta fino alla fase di distribuzione, di conservazione ed eventualmente di vendita o trasferimento.

I Data Scientist e i CDO per definizione sono figure con una fortissima vocazione multidisciplinare: matematica e tecnologia, statistica e sociologia, business e capacità di rappresentazione grafica sono alcuni dei requisiti di questa professione.

Partendo da una forte schematizzazione la giornata di lavoro del Data scientist si sviluppa su queste tipologie di attività:

  • Mappatura, organizzazione e controllo delle fonti di dati aziendali.
  • Creazione, organizzazione e verifica dei flussi dei dati aziendali.
  • Modellizzazione dei dati grazie allo sviluppo di algoritmi matematico-statistici – Trasformazione e traduzione dei dati raccolti in informazioni.
  • Studio e analisi del “valore dei dati” per ogni area di business.
  • Studio e analisi delle metodiche di “valorizzazione” dei dati per ogni area di business attuale o potenziale.
  • Capacità di analisi della customer experience e dei dati relativi ai clienti in funzione alle attività che costituiscono il core business dell’azienda.
  • Capacità di individuare, creare e sviluppare forme di interazione tra le varie linee di business aziendali allo scopo di individuare e creare nuove occasioni di sviluppo sia tattico (cross selling) sia strategico (nuovi prodotti).
  • Capacità di analisi dei dati relativi ai clienti in funzione dello sviluppo di nuovi servizi o nuovi prodotti.

Quali skill sono necessarie per essere un buon analista di dati?

Per svolgere queste attività le competenze specifiche richieste a un Data Science possono essere così articolate:

  • Informatica – conoscenza dei linguaggi di programmazione e conoscenza di strumenti per la gestione dei Big Data.
  • Project Management – capacità digestione dei progetti, di coordinamento e di controllo di tutte le attività finalizzate al raggiungimento di specifici obiettivi con determinate risorse
  • Matematica e analisi – capacità di analisi dei dati e di creazione di modelli unitamente alla capacità di interpretazione dei risultati.
  • Statistica – da intendere come attività di lavoro sui dati stessi, validazione e data cleaning, data profiling, utilizzo di strumenti e di linguaggi statistici e conoscenza delle tecniche statistiche come regressione, clustering, risoluzione di problemi di ottimizzazione.
  • Conoscenza di business – intesa come conoscenza del core business aziendale, dei mercati nei quali opera e delle criticità e opportunità che rappresentano le principali dinamiche dell’impresa.
  • Comunicazione e rappresentazione grafica – capacità di rappresentazione dei risultati in forma grafica, per favorire la comprensione e l’interpretazione dei risultati in particolare alle figure di business.
  • Soft skill – intesa come capacità di gestire le relazioni (molto importante soprattutto nella logica interdisciplinare del ruolo e delle competenze) e dunque anche di teamwork.

Anche dal punto di vista della “collocazione” in azienda il Data scientist riflette il suo profilo“interdisciplinare”. Come “posizione” questa figura fa da ponte tra il mondo IT e le LOB (Line of business), ma con forme di collaborazione e con un dialogo costante anche con l’area R&D.

 

Il ruolo del Chief data officer (CDO)

Il Chief data officer (CDO) è una figura di tipo manageriale che è chiamata a guidare le risorse destinate al lavoro sulla Data Science e ha il compito di definire, presentare e attuare le strategie di Data Driven Innovation, Data analytics e Big data.

In concreto il CDO è la figura che ha la delega per gestire l’acquisizione, l’analisi, l’intelligenza e l’azione sui dati aziendali. In termini di skill si tratta di una figura che deve unire competenze tecniche, manageriali, di business, ma che nello stesso tempo deve possedere una serie di soft skill per dialogare, conoscere e interpretare le esigenze “Data Driven” di tutte le aree aziendali.

In termini di compiti e di attività il CDO si occupa di tutti gli aspetti che compongono la Data Driven Strategy aziendale.

Si parte ovviamente dalla definizione della Data Driven Strategy aziendale che si attua mettendo a disposizione dell’azienda una visione globale e completa del patrimonio di dati aziendali con idee e progetti per sviluppare progetti e azioni volte alla valorizzazione di questo patrimonio. In uno scenario che vede sempre di più i dati come asset il CDO è colui che ha il compito di far crescere questo asset con una specifica strategia del dato, che si appoggia sulla organizzazione e gestione di un team (CDO Team) composto da diverse figure tra cui i Data Scientist.

Il CDO ha anche il compito strategico di sviluppare e attuare una strategia per il controllo e la verifica della Data quality. Più cresce la quantità di dati presente nelle aziende più cresce l’esigenza di un controllo di qualità sui dati stessi.

La Data quality può incidere direttamente sull’azione di business e proprio per questo sono tante le imprese che stanno lavorando per assicurare e aumentare la qualità del dato.

Sulla Data quality insistono diversi fattori (controllo delle fonti, controllo dei flussi, aspetti tecnologici, metodiche di analisi e “qualità” delle tecnologie e altre ancora) che vanno gestite attraverso la definizione e lo sviluppo di standard sia metodologici sia di tipo tecnologico. Per la qualità del dato un tema fondamentale è rappresentato dalla responsabilità del CDO di estendere la propria responsabilità su tutto il ciclo di vita dei dati aziendali.

 

 

 

L'evoluzione del dato - Come siamo arrivati ai Fast Data?

La Data science è come uno sport di squadra

Nelle imprese che scelgono un approccio Data driven la Data science è prima di tutto e soprattutto da vivere in team. Una delle domande da porsi è proprio quella di valutare se si hanno le competenze, gli skill, le motivazioni giuste per “giocare” in un Data science team.

Sul tema arriva il contributo di analisi di IBM che si pone l’obiettivo di individuare e comprendere le competenze necessarie per svolgere al meglio le attività di Data science e per capire in quale modo i professionisti dei Big Data interagiscono tra loro, lavorando in team, al fine di investire nelle personalità più idonee a questo “sport” e nelle tipologie di formazione e di training più adatte.

Il documento Data science is a team sport. Do you have the skills to be a team player?  definisce le caratteristiche dei team di lavoro che si occupano di Data Science, ponendo una particolare attenzione ai compiti, alle abilità e alle competenze tecniche delle professioni del Data Scientist, data engineer, developer e del business analyst e sottolineando l’importanza di costruire e potenziare conoscenze e competenze per il futuro della scienza dei Big Data attraverso piani di supporto per i lavoratori come quelli che offre IBM.

Il white paper è diviso in sei parti (1. Introduction; 2. The data scientist; 3. The data engineer; 4. The developer; 5. The business analyst; 6. Data science teams: The new agents of change); la sezione finale (7. Resources) mette a disposizione una serie di risorse sul tema.

Il Data science is a team sport. Do you have the skills to be a team player? accenna al cambiamento portato dalla Big data revolution nell’ambito della Digital economy e alle implicazioni che comporta l’interazione con i Big data (come si fa a dare valore a questa grande massa di informazioni? perché è importante saper analizzare i dati in modo intelligente e veloce?). Partendo dal presupposto che la maggior parte delle persone che producono dati lavorano in team, vengono introdotte le qualità richieste ai team di Data science. Per ognuna delle figure sono indicate le attività di competenza, le caratteristiche, le abilità e viene presentata una sintesi delle top skill.

Quella del Data scientist è una professione in continua evoluzione, che richiede competenze in svariati ambiti disciplinari.

Un esperto Data scientist è in grado di esaminare dati che provengono da fonti multiple e disparate, guardandoli da diverse angolazioni. L’attività di analisi svolta dal Data Scientist, attraverso il collegamento di nuove informazioni a dati storici, ha lo scopo di individuare una relazione o una linea di tendenza che può indirizzare il lavoro del team. Le competenze tecniche spaziano dalla conoscenza dei linguaggi di programmazione alla capacità di utilizzo di strumenti di analisi come Hadoop e Spark.

Il data engineer a sua volta aiuta a raccogliere, organizzare e riordinare i dati che il Data scientist utilizza per costruire le analisi. I data engineer hanno familiarità con le tecnologie di base di Hadoop come MapReduce, Apache Hive e Apache Pig. Hanno inoltre esperienza nell’utilizzo degli strumenti di base di SQL e NoSQL e nelle attività di data wharehousing ed ETL.

Nel team la figura del developer entra in gioco tipicamente in una seconda fase dell’attività del Data scientist. A lui è affidato il compito di trasformare l’operato del team Data Science in un prodotto o in un servizio. I developer devono ovviamente avere forti competenze nell’ambito della programmazione.

Il business analyst, infine, ha il compito di comprendere le esigenze del business; non deve avere necessariamente forti competenze tecniche ma necessita di un background tecnologico che gli permette di sviluppare analisi dettagliate, usando le tecnologie disponibili senza dover necessariamente svolgere attività di coding.

Quelle della Data science sono professioni in continua evoluzione che, completandosi l’un l’altra, costituiscono il «cuore pulsante» della Big Data Economy. Per costruire un team di lavoro valido e solido è necessario prevedere dei percorsi di formazione e aggiornamento continui per i professionisti della Data science.

Secondo la ricerca dell’Osservatorio Big Data Analytics del Politecnico di Milano, l’accelerazione del mercato e l’aumento delle sperimentazioni richiedono nuove competenze. Nel 2021 il 49% delle grandi aziende ha in organico almeno un Data scientist e il 59% almeno un Data engineer. I numeri in termini di diffusione sono stabili rispetto al 2020, ma le realtà che avevano già introdotto questi profili in precedenza hanno continuato a investire: il numero di Data scientist è cresciuto nel 28% del campione.

Big Data, tema prioritario per il top management

Ma se tutte le aziende sono destinate a diventare “fabbriche di dati” la cultura del dato è destinata a entrare stabilmente nella cultura del pop management.

Lo stesso Osservatorio Big Data Analytics & Business Intelligence della School of Management del Politecnico di Milano mette in evidenza che quello dei Big Data è un tema prioritario per gli imprenditori e per il top management che si stanno ponendo nella condizione di affrontarlo sia in termini organizzativi sia sotto il profilo delle piattaforme, ovvero nella analisi e nella identificazione di soluzioni espressamente dedicate all’analisi di dati e allo sviluppo di azioni in grado di incidere sul business, sulla riduzione dei costi, sulla conoscenza dei clienti o sullo sviluppo di nuovi e servizi.

O, tanto per citare un fenomeno di grande attualità nell’ambito dell’Industry 4.0, della trasformazione da prodotto a servizio. Il concetto stesso di servitizzazione passa attraverso la totale rappresentazione digitale di prodotti fisici, al punto da rendere fruibili in forma digitale i servizi resi disponibili dai prodotti fisici. Si tratta in questo caso di un passaggio che necessita del contributo fondamentale degli scienziati dei dati.

E così pure uno degli esempi più concreti dell’Industry 4.0, quello della manutenzione predittiva, che ha saputo trasformare in risultati e azioni concrete le progettualità dell’Industria 4.0, è il frutto del lavoro dei Data Scientist.

Ma uno dei principali punti focali sulla Data Science, sui dati e sui servizi legati ai dati è oggi da individuare nel CRM e in tutte le progettualità che concorrono alla gestione dei rapporti con i clienti e alla customer experience.

Si può certamente dire che oggi uno dei motori principali dell’attenzione sui temi degli Analytics e dei Big Data è rappresentato dal marketing e dalle vendite. A conferma che una delle principali spinte allo sviluppo di queste soluzioni e di questa professione arriva dalla capacità di mettere il più rapidamente possibile a terra i risultati di queste innovazioni: in termini di nuovi clienti o di migliori vendite sui clienti esistenti.

Un’altra grande area di sviluppo arriva dalla spinta dei social media o meglio ancora dalla “capacità di ascolto” dei social media. Ancora una volta sono i dati che si possono mettere in relazione con il CRM e che permettono leggere al di là dei dati più “superficiali” per estendere e approfondire la conoscenza della clientela.

 

Il rapporto tra Internet of Things, Big data e Data science

Un’area più recente di sviluppo, ma incredibilmente importante dal punto di vista dei volumi di dati generati è rappresentata dall’Internet of Things. Solo oggi si riesce ad apprezzare la ricchezza e la complessità di un fenomeno che non solo sa far parlare le cose, ma le sa mettere in relazione e, se accompagnato da una vera strategia di analisi e di interpretazione dei dati, consegna nuove forme di conoscenza attraverso lo sviluppo di ambienti intelligenti, di un nuovo rapporto uomo-macchina, di connected machine, di sistemi di produzione e di stabilimenti integrati, di nuove soluzioni di sicurezza e di nuove forme di prevenzione basate sullo studio dei comportamenti.

Ambienti intelligenti nella forma di Building automation che adattano la loro morfologia e i loro servizi in funzione del comportamento delle persone che frequentano gli ambienti e che lavorano in quelle aree aprono nuove prospettive tanto in termini di produttività quanto di rapporto tra persone e strumenti di produzione. Sono temi che attengono alla Data science e ai Big data che si concretizzano, ad esempio, in maggiore sicurezza per le persone e in forme di risparmio per il Facility Management.

Le direzioni aziendali hanno iniziato a intuire il valore di business di questi dati ed esprimono la necessità di trasformarlo in realtà. Appare a loro e a tutti chiaro che non è solo un tema di tecnologie, in molti casi pronte e consolidate.

È un problema di organizzazione, che va indirizzata, modellata e costruita ed è un tema culturale, di consapevolezza dei propri dati, di costruzione di modelli in grado di “non farsi travolgere” dai dati selezionando esattamente ed effettivamente quello che serve.

La sfida è nel passaggio da una situazione in cui prevale il tema della gestione della quantità di dati a una situazione in cui la centralità è nella qualità e nella precisione del dato.

New call-to-action

 

Monetizzare i Big data: da Data driven a Data monetization

Concepire e attuare una strategia Data driven significa anche consegnare alla Data science la responsabilità per ideare, individuare e attuare nuove forme di “monetizzazione” dei dati. Con questo approccio si entra nel campo della Data monetization ovvero di studio di progettualità che riescono a estrarre un valore inedito e un tempo impensabile dai dati.

Mobile, Internet of Things, Social Media, apparati intelligenti nelle Smart city e nella Smart home, solo per fermarci a questi esempi, mettono a disposizione delle aziende quantità enormi di dati. In buona misura vengono generati e utilizzati per uno o più finalità ben precise, espressamente legate ai servizi che hanno messo in moto il processo di sviluppo dei dati stessi. Ma quegli stessi dati, adeguatamente interpretati e analizzati, possono essere utilizzati e monetizzati anche per altri scopi che solo una visione di insieme dei comportamenti e delle criticità e opportunità legate a questi comportamenti permette di individuare.

La monetizzazione dei dati si può esprimere, semplificando molto, nella vendita o nello scambio dei dati o ancora nella capacità di sfruttare il valore dei dati per generare nuovi prodotti o nuovi servizi.

La Data monetization è uno dei vettori di sviluppo nelle aziende che dopo aver scelto un approccio di tipo Data driven si organizzano per sviluppare nuove forme di valore espressamente basate sui dati. Possono essere aziende di qualsiasi tipo e la Data monetization può affiancare, complementare o assistere il contemporaneo sviluppo dei core business tradizionali.

Anche in ragione del posizionamento delle aziende la Data monetization si esprime in diverse forme e modalità, ancora una volta per semplificare si può suddividere in

  • Data monetization diretta
  • Data monetization indiretta

Data monetization diretta

La datamonetizzazione diretta si concretizza con la vendita o lo scambio di dati, come può accadere a un’azienda del retail che raccoglie dati dai propri clienti sulle preferenze di pagamento e trasferisce ad esempio a una società di digital payment, nel rispetto delle regole della privacy, i dati di coloro che possono essere potenzialmente interessanti a una proposta di servizi innovativi di payment.

A sua volta la monetizzazione diretta si può attuare con diversi livelli di sofisticazione.

Dalla vendita nuda e cruda dei dati intonsi”così come sono”, ma in questo caso il digitale potrebbe non essere un fattore discriminante.

Alla vendita di dati trattati, ovvero che sono in grado di esprimere una conoscenza, una forma di interpretazione della realtà sottostante e di chi li acquista.

E l’acquisto stesso avviene sulla base del valore di conoscenza che questi dati sono già in grado di lasciare intuire. In questi casi il Data Scientist è la figura che con la sua capacità di lettura dei dati è in grado di incidere direttamente sulla loro “vendibilità”.

Si può dire che la Data monetization è una vendita che attiene tanto ai dati quanto alla capacità di lettura dei dati da parte del Data scientist.

New call-to-action

Data monetization indiretta

Con la Data monetization indiretta ci si riferisce invece allo sfruttamento economico dei dati per altre attività. I dati legati al comportamento di un determinato tipo di gomma per pneumatici possono essere utilizzati per esplorare l’utilizzo della stessa tipologia di materie prime in altri ambiti.

La vendita o il trasferimento di quei dati può da una parte aprire nuovi scenari applicativi e dall’altra accelerare il lavoro di chi intende sviluppare quella nuova forma di business. Ancora una volta la strategia è tutta nella capacità di contare su Data scientist capaci di leggere al di là del valore “primario” del dato, ma di metterlo in relazione con altri dati e altri scenari. Il servizio che arriva dalla Data monetization è il risultato di una sintesi tra le competenze legate al core business dell’impresa e la capacità di interpretazione dei dati e dei mercati possibili.

Data monetization: chi vende e chi acquista

Se si guarda poi dal lato cliente la Data monetization chiama ancora una volta in causa i Data scientist. Chi acquista dati lo fa a sua volta per monetizzarli e quando in azienda arrivano dati esterni il processo è quello dell’integrazione con i dati già in possesso all’interno dell’azienda, di arricchimento del dataset a disposizione sia in termini di volume sia di qualità.

Se ci sono aziende espressamente e interamente dedicate a questa attività come i Data provider ci sono anche organizzazioni che affiancano questa attività al core business, mettendo a valore gli investimenti in Data Driven Innovation primariamente indirizzati al core business, ma comunque in grado di attivare nuove forme di business. Ecco che in queste aziende prendono a loro volta forma attività di Data providing.

Molti esempi di questa “diversificazione” del business arrivano dal mondo telco e dal retail, imprese che, grazie ai loro business, hanno la possibilità di raccogliere elevate moli di dati sui comportamenti dei loro consumatori che se adeguatamente interpretati e messi in relazione con altri dati possono permettere anche ad altri attori di sviluppare nuove forme di business.

Big Data e privacy: una partita aperta

Una importante competenza in capo al team Data science è quella della privacy. Nel momento in cui si entra nell’ambito della Data monetization ecco che occorre affrontare il tema normativo e nella fattispecie l’autorizzazione del trattamento per le finalità dichiarate. Stiamo parlando dell’Articolo 6 del General Data Protection Regulation (GDPR) che delibera proprio sulle condizioni che permettono o non permettono il trattamento. Non è questa la sede, ma il principio normativo in base al quale si lavora sui dati solo se l’interessato ha espresso il consenso al trattamento dei propri dati personali per una o più specifiche finalità è un vero e proprio “faro” nell’attività del Data scientist.

Questo significa che la definizione del trattamento dati rappresenta un momento chiave, durante il quale è necessario avere chiaro lo scopo per cui si andrà a realizzare analisi sui dati. Una volta iniziata la raccolta dei dati, non è possibile sottoporli ad analisi e utilizzi non specificati a priori.

Ecco un altro tassello del mosaico del lavoro del Data scientist che è bene sia chiamato a esprimere la sua visione e la sua competenza anche nella fase di sviluppo di tutte le azioni che portano alla raccolta dei dati, sia quando questi sono chiaramente dati legati al comportamento delle persone fisiche sia quando sono legati al comportamento di ambienti, vetture o sistemi di produzione che possono però comprendere anche dati legati, magari non consapevolmente, a persone coinvolte (perché presenti negli ambienti, perché alla guida delle vetture, perché operative accanto ai sistemi di produzione).

Clicca qui e richiedi subito una Demo!

Storia e futuro dei Big data, gli ambiti applicativi in Italia

Quando si parla di “Big data”, può essere opportuno raccontare la storia dei Big data, della raccolta di dati in generale, e della loro evoluzione nel tempo, di come si è passati da “Data” a “Big data”, mappando alcune delle date più significative per l’evoluzione dei Big data. L’utilizzo dei dati e la loro conservazione è infatti molto antica.

Già in Babilonia, con la creazione dell’abaco, la biblioteca di Alessandria, così come molti altri episodi e luoghi storici, ci dimostrano come l’uomo abbia da sempre avuto interesse a conservare informazioni, per poterle poi consultare in seguito. Il digitale aumenta questa possibilità, che comunque era già utilizzata in passato.

XIX secolo e Business intelligence

Nel 1865 si inizia a parlare di Business intelligence, vista come un modo di ottenere vantaggio competitivo sui competitor collezionando e analizzando in maniera strutturata informazioni rilevanti per il business.

Nel 1880 un dipendente dell’ufficio di censimento USA mette a punto un sistema per classificare e organizzare i dati raccolti dal censimento. In questo modo riesce a ridurre il lavoro preventivano di catalogazione di questi dati da 10 anni a soli 3 mesi. Nasce il primo sistema di computazione automatica. L’inventore, Herman Hollerith, poco più avanti fonda un’azienda. L’azienda è oggi conosciuta come IBM.

XX secolo e database relazionali

Quasi un secolo dopo IBM continua le ricerche verso la Business intelligence, che viene definita come la abilità di apprendere le relazioni tra eventi, in modo tale da guidare le scelte future del business.

Nel 1965 viene creato il primo data center in USA, e soltanto pochi anni dopo uno sviluppatore in IBM crea il primo framework per un database relazionale, ovvero un “magazzino” di dati dove le varie tabelle che contengono i dati sono collegate tra loro attraverso chiavi di lettura (ad esempio la colonna “ID prodotto” sta sia nella tabella “Prodotti venduti” che in quella “informazioni prodotto”; posso quindi collegare il numero di unità vendute per un particolare prodotto e le informazioni di quel prodotto). Questo tipo di database relazionale è lo standard (ad es. MySQL) su cui si basano oggi la maggior parte dei database per la raccolta dei dati.

Alla fine del XX secolo (1991) nasce internet, come la possibilità di rendere i dati accessibili a tutti ovunque nel mondo. È sempre in questo periodo che il digitale diventa per la prima volta più economico della carta.

XXI secolo, la nascita dei Big data

È soltanto nel 1999 che si legge per la prima volta la parola “Big data”. Ancora in questo periodo è molto sentito il problema di avere una così vasta quantità di dati immagazzinati, però con l’impossibilità di avere software sufficientemente elaborati per poter gestire e analizzare tali quantità di dati.

È in questo periodo che si inizia anche a parlare di Internet of Things, e della possibilità di collegare gli oggetti connessi a internet tra loro.

Quanto vale il mercato italiano dei Big data analytics nel 2021

Nel 2021 il mercato dei Big Data Analytics raggiungerà un valore stimato superiore ai 2 miliardi di euro, in crescita del 13%, dopo che nel 2020 la pandemia aveva fortemente rallentato gli investimenti in ambito gestione e analisi dei dati. La crescita è trainata soprattutto dalla componente software, che registra un incremento del 17% (con punte di oltre il 30% per le piattaforme di Data governance e Data science & AI), e dai servizi di consulenza e personalizzazione tecnologica, che crescono in doppia cifra, mentre la spesa in risorse infrastrutturali aumenta meno della media del mercato.

La ripresa coinvolge tutti i settori merceologici, con investimenti in Data management & analytics in aumento di oltre il 10%. Assicurazioni, manifatturiero e telco & media sono i comparti che segnano la crescita più marcata. Un quinto degli investimenti in soluzioni di Analytics passa da servizi in Public & Hybrid Cloud, +21% rispetto al 2020.

Il mercato dei big data in Italia nel 2021: quanto vale

Quasi otto grandi aziende su dieci lavorano all’integrazione di dati provenienti da diverse fonti interne o esterne e il 54% ha avviato almeno una sperimentazione in ambito Advanced analytics (era il 46% nel 2020).

Insieme ai progetti cresce anche il fabbisogno di competenze: complessivamente il numero di Data scientist è aumentato nel 28% delle grandi imprese, ma questa crescita riguarda le aziende che già avevano investito negli scorsi anni. Non aumenta in modo trasversale la diffusione di figure professionali dedicate. Inoltre, nonostante i progressi dell’ultimo anno, soltanto il 27% delle realtà può definirsi un’azienda data science driven, ovvero un’impresa con competenze diffuse e numerose sperimentazioni e progetti a regime in tutta l’organizzazione.

Il mercato analytics e dei big data in Italia

Gli analytics nelle PMI nel 2021

Nel 2021, il 44% delle Piccole e Medie Imprese ha investito in analytics o prevede di farlo a breve e un altro 44% ha dichiarato che la pandemia ha avuto un ruolo determinante nell’acquisire maggiore consapevolezza sulla necessità di valorizzare i dati a disposizione. Ancor di più che negli scorsi anni, si notano importanti differenze tra la maturità delle medie e delle piccole imprese: il 58% delle prime ha investito in risorse fisiche o umane di analytics o prevede di farlo entro fine anno, contro il 41% delle piccole aziende.

Nonostante la crescita registrata nel 2021, non possiamo ancora considerare colmato quel gap tra aziende già a buon punto nella valorizzazione dei dati e quelle all’inizio del percorso – spiega Carlo Vercellis, Responsabile Scientifico dell’Osservatorio Big Data & Business Analytics –Queste ultime hanno perso ulteriore terreno a causa della pandemia. Inoltre, nonostante una diffusa voglia di sperimentazione, poche aziende italiane oggi possono essere considerate veramente data driven, cioè capaci di portare l’intera organizzazione a una piena valorizzazione dei dati a disposizione. Per far sì che la Data science abbia un impatto concreto, è necessario creare una cultura dei dati che, a diversi livelli, avvicini sempre più lavoratori ad un uso quotidiano di insights e risultati delle analisi“.

Il 2021 è un anno di ripresa, non solo in termini di dinamica di mercato – aggiunge Alessandro Piva, Responsabile della ricerca dell’Osservatorio Big Data & Business Analytics -. Si avverte l’urgenza di investire, specialmente in tecnologie di integrazione e governance dei dati, mentre nuove realtà iniziano a sperimentare in ambito Advanced analytics. La prossima sfida per le imprese sarà sviluppare una data-driven strategy basata su competenze e iniziative mature in tutte e tre le sue dimensioni, che sono il Data management, la Data science e la Data literacy, su cui ad oggi emergono ancora percorsi sbilanciati”.

 

Investimenti in big data delle PMI italiane

Le sperimentazioni di Advanced analytics

Negli ultimi tre anni oltre la metà delle grandi imprese ha avviato almeno una sperimentazione in ambito Advanced analytics, otto punti percentuali in più rispetto al 2020. Circa quattro aziende su dieci hanno progetti operativi in almeno una funzione aziendale, ma nella maggior parte dei casi la diffusione è limitata ad alcune aree.

Le principali difficoltà riscontrate dalle aziende nella fase di implementazione sono la scarsa qualità e integrazione dei dati, la parziale mancanza di competenze interne, la difficoltà di valutare i benefici del singolo progetto e infine il complesso coinvolgimento dell’utente di business.

Il mercato Big data verso i 274 miliardi nel 2022

La trasformazione digitale e la diffusione del digitale in tanti settori e in tanti ambiti applicativi spingono lo sviluppo del mercato dei Big Data. La concorrenza che le imprese devono affrontare in ogni settore spinge l’utilizzo di Big data e data analytics.

Alla fine del 2019, la spesa mondiale per i Big data secondo l’analisi di IDC valeva già 180 miliardi di dollari e si prevedeva una crescita a un CAGR del 13,2% tra il 2020 e il 2022. Le infrastrutture IT e i servizi aziendali rappresentano le quote più rilevanti di questa spesa.

 

Clicca qui per scaricare la Checklist e scoprire come creare una dashboard d'effetto ed efficace

Big data: i machine builder del manufacturing come esempio di trasformazione digitale

Sono tantissimi gli esempi di settori, industrie e imprese che hanno vissuto e stanno vivendo una radicale trasformazione grazie all’utilizzo dei Big data, ma un esempio che più altri appare oggi rilevante per qualificare i vantaggi di questa trasformazione e per comprendere quanto di questi vantaggi possono arrivare alle imprese del tessuto produttivo italiano è rappresentato dal mondo dei Machine builder.

Le imprese conosciute anche come machinery builder che operano nel comparto definito “produttori di macchinari e attrezzature industriali” (Industrial Machinery & Equipment) e che sono impegnate nella ideazione, progettazione e produzione di macchinari, di sistemi di produzione, di sistemi di automazione, di utensili elettrici o meccanici e più in generale di hardware e di altri componenti industriali. Queste imprese hanno avviato da tempo un percorso di arricchimento delle loro macchine con apparati IoT e IIoT in grado di generare dati e conoscenza e con questo processo si configurano come aziende che sono nella condizione di portare all’interno di altre aziende del mondo della produzione un patrimonio sempre più ricco di contenuti digitali.

Grazie a questo patrimonio di Big data queste aziende stanno cambiando radicalmente il manifatturiero ovvero stanno permettendo di raccogliere dati e conoscenza sulle macchine, su come vengono utilizzate, sul loro funzionamento, sui carichi di lavoro, sulle esigenze delle imprese che li utilizzano e su come cambiano nel tempo. Grazie alla gestione dei dati il rapporto si sta trasformando da un modello che prevedeva la fornitura di macchine e di una successiva manutenzione alla vendita del servizio erogato dalle macchine stesse in forma che sono conosciute come servitizzazione o come Equipment as a Service. Una vera e propria rivoluzione in termini di modelli di business e di relazione tra produttore e cliente la cui base è rappresentata dalla disponibilità di dati e da strumenti che permettono di trasformarli in valore.

Big data: alcuni case study ed esempi

Data science case history: AMC Networks punta sui Big Data per conoscere meglio il pubblico

Negli ultimi dieci anni il settore della TV via cavo negli Stati Uniti ha vissuto un periodo di forte crescita, una vera e propria «goldenage» che ha portato alla realizzazione di contenuti creativi di alta qualità. In questa fase AMC Networks ha prodotto alcune serie TV di grande successo come Breaking Bad, Mad Men e The Walking Dead.

La compagnia, però, non ha voluto «adagiarsi sugli allori»: ha sentito il bisogno di sfruttare le potenzialità dei Big data proprio per studiare i gusti dei propri utenti e per approfondire al meglio il comportamento dei propri clienti.

Un piano per organizzare le fonti di dati

AMC Networks ha prima di tutto sviluppato un piano per “ordinare” tutte le fonti di dati. A partire da veri e propri data provider come Nielsen e comScore, a dati che arrivano dai canali come AMC’s TV, e poi le piattaforme di vendita come iTunes e Amazon e dalle piattaforme di streaming on demand come Netflix e Hulu.

Da tutte queste fonti arriva una grandissima quantità di informazioni, che è possibile sfruttare per capire più chiaramente chi sono i propri visualizzatori, cosa desiderano, come vivono e come usufruiscono dei programmi allo scopo di comprendere come si può catturare meglio loro attenzione e dunque come si può sviluppare meglio il core business dell’azienda.

Analisi e modellazione dei dati al servizio delle strategie di marketing

La decisione di AMC di utilizzare le soluzioni IBM è arrivata con la necessità di capire le esigenze del pubblico sfruttando l’analisi dei Big data per programmazioni e decisioni di marketing e di creare una soluzione che fosse disegnata sulle specifiche esigenze e tipicità di mercato di AMC Networks. Per questo sono stati realizzati specifici modelli statistici che permettono all’azienda di raffinare le proprie strategie di marketing e di prendere decisioni più precise riguardo alla promozione dei propri programmi.

Da IBM Cognos a SPSS Modeler a InfoSphere

La tecnologia adottata per raggiungere questi obiettivi è composta dai software IBM PureData System for Analytics, IBM Cognos Business Intelligence, IBM SPSS Modeler, IBM InfoSphere Master Data Management e IBM InfoSphereDataStage e permette di focalizzare tutta l’attenzione e tutte le risorse sulla conoscenza con un metodo di lavoro che consente a AMC di “fare tutto internamente” riducendo drasticamente costi e tempi, e di disporre di una capacità di analisi in pochi minuti o persino secondi anche per attività che sino a poco tempo fa richiedevano giorni o settimane e il supporto di partner esterni.

Big Data al servizio di clienti e partner

A trarre beneficio dalla scelta di AMC sono state anche le compagnie pubblicitarie partner: il passo successivo infatti, ha fornito agli inserzionisti un accesso a questa ricca serie di dati e strumenti analitici, permettendo di ottimizzare le proprie campagne e di attirare un pubblico più ampio (sia attraverso canali lineari che digitali).

La tecnologia dei Big data IBM ha permesso dunque a AMC Networks di migliorare i propri rapporti con consumatori e inserzionisti, creare contenuti migliori, metterli sul mercato in modo più efficace raggiungendo un numero sempre maggiore di spettatori.

 

Servizio realizzato da Mauro Bellini il 10 Novembre 2017

Aggiornato da Mauro Bellini il 15 settembre 2020

Aggiornato da Pierluigi Sandonnini il 28 febbraio 2021

Quin - Data Driven Production - Ottimizzare la produzione reingegnerizzando i processi

WHITEPAPER
Customer Data Platform: cos'è e perché apre una nuova era per i marketer
Big Data
CRM

 

FacebookTwitterLinkedInWhatsApp

66 Comments

  1. Εxcellent beat ! I would like to apprentice even as you amend your websitе, how could i subscrіbe for a blog
    wеbѕitе? The ɑccount aided me a appropriate deal.
    I had been a little bit familiaг of this your broadcast provided
    vibrant ⅽleаr concept

  2. Hеy! This is my first comment here sⲟ I just wanted to give a
    quick shߋut out and say І trսlʏ enj᧐у reading through yоᥙr
    poѕts. Can you recommend any other blogѕ/websites/fߋrums that deal
    ԝith the ѕame topiсs? Thank you so much!

  3. वेबसाइट पर एड्स लगाकर या फिर मोनेटाइज करने के बेस्ट तरीके
    17 Marzo 2020 a 23:56

    Thank you for sharing your thoughts. I truly appreciate your efforts and I am waiting
    for your further post thank you once again.

  4. Thanks for the auspicious writeup. It in fact was a amuaement account it.
    Glance complicated to far delivered agreeable from you!
    By the way, how could we keep upp a correspondence?

  5. Buon pomeriggio Dott. Bellini,
    volevo complimentarmi per questo articolo che ha scritto, mi è stato molto d’aiuto.
    Grazie

  6. It’s a sһame you don’t have а donate Ƅutton! I’d
    moѕt ceгtainly donatе to this outstanding blog! I ѕuppose for now i’ll settle for boοk-marking and adding
    your RSS fеed to my Google acсount. I look forwaгd to new updates ɑnd will talk about this website with my Facebook groᥙp.
    Ϲhat soon!

  7. This design is steller! You most certainly know
    how to keep a reader entertained. Between your wit and your videos, I was almost moved to start my own blog
    (well, almost…HaHa!) Fantastic job. I really loved what you had to say, and more than that, how you presented it.
    Too cool!

  8. Definitely believe that that you said. Your favorite justification appeared to be on the
    net the simplest thing to be mindful of. I say
    to you, I certainly get annoyed even as other folks consider concerns that
    they plainly do not know about. You managed to hit the nail upon the
    top and also outlined out the whole thing with no need side-effects , other folks could take a signal.

    Will probably be back to get more. Thanks

  9. Hі I am so grateful I found your blog page, I really found you by error,
    while I was browsing on Yahoo for something elѕe, Anyways I am һere now and woսld just lіke to say thanks а lot for ɑ
    іncredible post and a all round іntereѕting blog (I also
    love the theme/design), I don’t have tіme to read throսgh it aⅼl at the minute but I have saved it and also included your RSS feeds, so when I have time I will be back to read much more,
    Plеase do keep up tһe awesome work.

  10. With havin so much content do you ever run into any
    problems of plagorism or copyright violation? My blog has a lot of exclusive content I’ve either authored myself or outsourced
    but it appears a lot of it is popping it up all over the
    web without my permission. Do you know any solutions to help protect against content from being ripped off?

    I’d certainly appreciate it.

  11. I am rеаlly impreѕsed with y᧐ur writing skills and also with the format in your blog.
    Is that this a paid subject or did you modify it
    yourself? Anyway stay up the nice quality writing, it is гare
    to peer a nice blog like this one today..

  12. Everу weekend i uѕed to pay a quick vіsit this web ρage, becаuse i want enjoyment, for the
    reason that this this site conations truly pleasant funny stuff too.

  13. I like the helpful info you provide in your articles.
    I’ll bookmark your blog and check again here regularly. I am
    quite sure I’ll learn many new stuff right here!
    Best of luck for the next!

  14. Great site to read. Worth the time. Do YOU know a College Student? More assistance with their written assignments needed than ever before. Tell them about Essays Unlimited. They can solve this problem.

  15. I think this is one of the most important info for me.

    And i am glad reading your article. But wanna remark on few general
    things, The web site style is great, the articles is really excellent : D.
    Good job, cheers

  16. you are actually a excellent webmaster. The site loading velocity is amazing.
    It seems that you’re doing any unique trick.

    In addition, The contents are masterpiece. you’ve performed a great process in this topic!

  17. Hello there! This post could not be written any better! Looking through this post reminds me of my previous roommate!
    He always kept preaching about this. I most certainly will forward this article
    to him. Fairly certain he’s going to have a
    very good read. Thanks for sharing!

  18. Howdy, i read your blog occasionally and i own a similar one and i was
    just wondering if you get a lot of spam remarks? If so how do
    you reduce it, any plugin or anything you can recommend?
    I get so much lately it’s driving me crazy so any
    support is very much appreciated.

  19. Please let me know if you’re looking for a article author for
    your site. You have some really good posts and I believe I would be a good asset.
    If you ever want to take some of the load off, I’d absolutely love to write some content for your blog in exchange for a
    link back to mine. Please blast me an e-mail if interested.
    Regards!

  20. Hey I know this is off topic but I was wondering if you
    knew of any widgets I could add to my blog that automatically tweet my
    newest twitter updates. I’ve been looking for a plug-in like this for quite some time and was hoping maybe you would have some experience with something like this.

    Please let me know if you run into anything. I truly enjoy reading your blog and I
    look forward to your new updates.

  21. Hey there terrific blog! Does running a blog similar to this take a
    great deal of work? I have no expertise in programming but I was hoping to start my own blog soon. Anyhow, if you have any
    suggestions or tips for new blog owners please share. I know this
    is off subject however I just had to ask. Many thanks!

  22. Hola! I’ve been following your blog for a long time now and finally got the courage to go ahead and give you a shout out from
    New Caney Texas! Just wanted to tell you keep up the fantastic job!

  23. I was curious if you ever considered changing the page
    layout of your website? Its very well written; I love what youve got to say.
    But maybe you could a little more in the way of content so
    people could connect with it better. Youve got an awful lot of text
    for only having 1 or 2 pictures. Maybe you could space it out better?

  24. “An interesting discussion is definitely worth comment. I think that you should publish more on this subject matter, it might not be a taboo subject but typically folks don’t discuss these topics. To the next! Best wishes!!”
    נערות ליווי במרכז
    gder4563

  25. My spouse and I stumbled over here by a different website and thought I might as well
    check things out. I like what I see so i am just following you.
    Look forward to looking into your web page for a second time.

  26. I’m extremely impressed with your writing skills as well as with the layout on your weblog. Is this a paid theme or did you customize it yourself? Anyway keep up the excellent quality writing, it’s rare to see a great blog like this one nowadays..

  27. I really like your blog.. very nice colors & theme. Did you design this website yourself or did you hire someone to do it for you?
    Plz respond as I’m looking to design my own blog and would like to know where u got this from.
    appreciate it

  28. Thanks for your submission. I also think that laptop computers are getting to be more and more popular currently, and now in many cases are the only form of computer utilized in a household. Simply because at the same time potentially they are becoming more and more very affordable, their computing power is growing to the point where they may be as effective as pc’s from just a few in years past.

  29. Looking for a free online pdf editor? Look no further than A1office! We offer a wide range of features that will help you edit your PDFs quickly and easily. With our online pdf editor, you can make changes to your documents, add or delete pages, and even merge multiple PDFs into one file. Plus, our easy-to-use interface makes editing a breeze!

  30. Looking for a way to quickly and easily edit your PDFs online? Look no further than A1office! Our free online pdf editor makes it easy to make changes to your documents without having to install any software on your computer. Plus, our simple and user-friendly interface makes it easy for anyone to use. So what are you waiting for? Start editing your PDFs today!

  31. Wonderful goods from you, man. I’ve understand your stuff previous to and you’re just too wonderful. I really like what you’ve acquired here, really like what you’re stating and the way in which you say it. You make it entertaining and you still take care of to keep it sensible. I can’t wait to read far more from you. This is actually a wonderful web site.

  32. Hello there I am so glad I found your blog page, I really
    found you by accident, while I was looking on Askjeeve for something
    else, Nonetheless I am here now and would just like to say thank you for a marvelous post
    and a all round exciting blog (I also love the theme/design), I don’t have time to
    read it all at the moment but I have saved it
    and also added your RSS feeds, so when I have time I will be back to read a great deal more,
    Please do keep up the awesome job.

    Also visit my webpage :: tracfone special

56 Trackbacks / Pingbacks

  1. La Call for Innovation Philip Morris per l'Agritech e la filiera del tabacco - Agrifood.Tech
  2. Cos’è la Precision Medicine e come permette di realizzare la Precision Care grazie alla Data Science - Big Data 4Innovation
  3. Cos’è la Precision Medicine e come permette di realizzare la Precision Care grazie alla Data Science - Siti Web > Notizie di Marketing e comunicazione
  4. ll mercato italiano dei Big Data Analytics sfiora i 2 miliardi di euro - Big Data 4Innovation
  5. ll mercato italiano dei Big Data Analytics sfiora i 2 miliardi di euro - Siti Web > Notizie di Marketing e comunicazione
  6. Cos'è il Facility Management e cosa fa il Facility Manager in azienda nell'era digitale
  7. Piacenza, Modena, Torino: verso le Smart City Platform con pagamenti digitali, IoT e blockchain - Pagamenti Digitali
  8. Come la Digital Transformation sta cambiando il mondo del banking - Pagamenti Digitali
  9. CRM per l'edilizia: 4 vantaggi per la tua azienda - CantieriEdili.net
  10. Con JRC e Proptech Monitor focus Polimi sull’innovazione digitale per il Real Estate - Big Data 4Innovation
  11. Con JRC e Proptech Monitor focus Polimi sull’innovazione digitale per il Real Estate - Siti Web > Notizie di Marketing e comunicazione
  12. Smart city: cosa sono, come funzionano ed esempi in Italia | Internet 4 Things
  13. Smart city: cosa sono, come gli esempi ed esempi i – automazioneblog
  14. Big Data e Data Science al servizio del PropTech con Whuis.com - Big Data 4Innovation
  15. Industria 4.0, la nuova era del manifatturiero – automazioneblog
  16. Match Analyst: la FIGC guarda ai Big Data per il mondo del calcio - Big Data 4Innovation
  17. Match Analyst: la FIGC guarda ai Big Data per il mondo del calcio - Siti Web > Notizie di Marketing e comunicazione
  18. Il 2020 della banche sempre di più nel segno della customer experience - Pagamenti Digitali
  19. Big Data: una risorsa indispensabile per progettare casinò online ad hoc
  20. Le 2020 des paiements numériques, de la fabrication et de la blockchain sous le signe d'un nouveau 4.0 - Foot 2020 - Foot Euro 2020
  21. Profilazione online, le pratiche commerciali e il difficile equilibrio tra aspetti economici e giuridici - Big Data 4Innovation
  22. Profilazione online, le pratiche commerciali e il difficile equilibrio tra aspetti economici e giuridici - Siti Web > Notizie di Marketing e comunicazione
  23. Previsioni IoT 2020: cielo sereno secondo Trueveri – automazioneblog
  24. test - Dev PagamentiDigitali
  25. I sistemi di trasporto intelligenti e i rischi per – automazioneblog
  26. Adottare una strategia data driven per garantire un ROI elevato - Big Data 4Innovation
  27. Stream Data Processing e Continous Intelligence: use case e opportunità - Big Data 4Innovation
  28. Stream Data Processing e Continous Intelligence: use case e opportunità - Siti Web > Notizie di Marketing e comunicazione
  29. Design Thinking e tecnologie digitali: ne parla il convegno dell'Osservatorio - Big Data 4Innovation
  30. Design Thinking e tecnologie digitali: ne parla il convegno dell'Osservatorio - Siti Web > Notizie di Marketing e comunicazione
  31. Big Data e Analytics: Nutanix offre prestazioni elevate a basso costo - Big Data 4Innovation
  32. Design Thinking: trasformazioni, applicazioni ed evoluzioni con l'uomo al centro - Big Data 4Innovation
  33. Strong Customer Authentication (SCA): cos'è, come funziona, obblighi per ecommerce e negozianti online - Pagamenti Digitali
  34. THINK IBM: Come trasformare i dati in valore prezioso per l'azienda con la Data Science - Big Data 4Innovation
  35. Techedge: Digital Advisory e architetture All Data per trasformare le imprese - Big Data 4Innovation
  36. L'agrifood italiano è sempre più digitale: cresce del 22% e arriva a 450 milioni - Agrifood.Tech
  37. non toccare - L’innovazione digitale per la sicurezza agroalimentare - Agrifood.Tech
  38. Comau: nuovi strumenti per la Smart Factory | Internet 4 Things
  39. Industria 4.0, la nuova era del manifatturiero | Internet 4 Things
  40. Da Targa Telematics, uno strumento per ridurre gli sprechi del Fleet Management | Internet 4 Things
  41. Monitorare a distanza la sclerosi multipla: i vincitori dell'hackathon Novartis | Internet 4 Things
  42. IoT e soluzioni mobili per la socirezza negli aeroporti | Internet 4 Things
  43. IoT e soluzioni mobili per la sicurezza negli aeroporti | Internet 4 Things
  44. Vodafone IoT Academy: presentate le soluzioni digitali per città e imprese | Internet 4 Things
  45. Pharma: Intelligenza Artificiale e Big data accelerano ricerca e produzione - Big Data 4Innovation
  46. Come unire Application Modernization e Big data Strategy con l'Hybrid cloud - Big Data 4Innovation
  47. Open data, come nascono, cosa sono, quali sono le loro caratteristiche - Big Data 4Innovation
  48. Verso la smart mobility tra IoT e sharing economy con uno sguardo al Recovery Fund | Internet 4 Things
  49. L’edge computing va nello spazio, moltiplicata la potenza di calcolo - Big Data 4Innovation
  50. Data science: cos'è e in quali ambiti si utilizza - Big Data 4Innovation
  51. Datizzazione, il mondo fondato sui Big data e sull’AI - Big Data 4Innovation
  52. Atlante i4.0: l’innovazione più antica del mondo – Angelo Duilio Tracanna
  53. Smart data: cosa sono e come sfruttare i dati in azienda - Big Data 4Innovation
  54. Big Data, AI e Cloud potenziano il settore assicurativo - Big Data 4Innovation
  55. Big data, cosa li lega alla bioeconomia - Big Data 4Innovation
  56. Mercato italiano dei big data: +20% nel 2022 - Big Data 4Innovation

Lascia un commento

L'indirizzo email non sarà pubblicato.


*