Analytics e Big Data sono mainstream nell’economia odierna. I dati vengono definiti come il nuovo petrolio, perché la relativa adozione, trattamento ed estrazione di conoscenza, consente di orientare ad esempio, le offerte e clienti finali; i dati come modalità per conoscere in tempo reale i mercati ed i loro comportamenti; gli analytics combinando dati e matematica rispondono a domande di business, relazioni, prevedere risultati e automatizzare decisioni. Argomento entusiasmante, vigente in tutte le aziende (industriale, distributivo e servizi), enti governativi, non governative (Ong). Sull’argomento esiste una ampia letteratura accademica, editoriale specializzata e paper dei providers di servizi e soluzioni tecnologiche. Solo per riportare alcuni settori: Università, Business School, Società di Consulenza, Business information companies, Istituti di formazione che consentono di avere il quadro generale (consapevolezza) per poi poter valutare l’eseguibilità.
Megatrend come punto di partenza
TrendOne 2022 mette a disposizione dettagli sui megatrend, macrotrend e microtrend tali da consentire un approfondimento, prima teorico, pratico e di case history. In estrema sintesi troviamo 17 MegaTrends nel 2022 tra i quali quello oggetto del nostro articolo. 1) Connected world; 2) Data Era; 3) Exponential Industries; 4) Smart sorrounding; 5) Seamless commerce; 6) Attention economy; 7) Healthstyle; 8) Planet centricity; 9) Engineered Evolution; 10) Intelligent infrastructure; 11) Virtalizazion; 12) Artificial intelligence; 13) Woke Culture; 14) Future skillsets; 15) Urbanization; 16) Consumerism 2.0; 17) Conscious Eating. Dai MegaTrend ne emergono alcuni molto chiari in relazione al focus degli analytics: Data Era e Artificial Intelligence per il loro impatto, appunto, sulle strategie ed operation. Entriamo nel merito. Il data era contiene alcuni macro trend significativi come il data literacy, l’open data, lo smart data, lo user profiling; l’artificial intelligence comprende altri macrotrend quali: predictive analytics, emotion ai, cognitivie computing. È interessante focalizzarsi sui concetti di data era e data literacy.
Data Era e implicazioni
Uno dei fenomeni in corso di grande rilevanza è la crescita esponenziale dei dati prodotti quotidianamente. Esseri viventi, dispositivi, macchine: quasi tutti gli oggetti ed enti possono essere registrati e tracciati. Una delle sfide principali è l’uso intelligente dei dati. Non solo la sicurezza dei dati è importante, ma anche la gestione approfondita degli stessi. Nell’informatica decentralizzata, la potenza di calcolo viene spostata fuori sede utilizzando l’infrastruttura Internet. Cloud, edge computing (sistema di calcolo distribuito in cui l’elaborazione dei dati viene effettuata il più vicino possibile alla sorgente degli stessi) e fog computing (sistema con architettura orizzontale in grado distribuire potenza di calcolo e risorse senza limitazioni nell’infrastruttura che connette il Cloud all’IoT), garantiscono un’elaborazione dei dati più rapida. Grazie agli open data, grandi volumi di dati sono disponibili e liberamente utilizzabili. Le soluzioni di dati intelligenti riducono il volume dei dati prima della valutazione fino a ottenere dati utili e di alta qualità. Tale conoscenza basata sui dati rende possibile una profilazione mirata degli utenti in cui l’iperpersonalizzazione di contenuti e servizi mira a comprendere meglio i singoli utenti. Le tecnologie di contabilità distribuita come la blockchain aprono la possibilità a nuovi modelli di business e di servizio e facilitano inoltre i sistemi di voto elettronico a prova di manomissione o la gestione dei diritti digitali. In questo contesto la sicurezza informatica gioca un ruolo centrale soprattutto perché la protezione della privacy e della proprietà è come una corsa senza fine. La corretta gestione e la corretta interpretazione dei dati raccolti sta diventando il requisito standard che richiede un’alfabetizzazione dei dati in termini di capacità di lavorare con gli stessi in modo competente. I computer basati sulle leggi della meccanica quantistica hanno la prospettiva di un’analisi dei dati ancora più veloce. In merito ai dati, questi possono essere classificati come aperti o chiusi a seconda del livello di accessibilità. Gli open data sono all’altezza del loro omonimo grazie a un formato illimitato disponibile per tutti gli utenti. I dati chiusi sono essenzialmente l’opposto: sono costituiti da record di dati disponibili solo per gli utenti autorizzati.
Data Literacy
Un altro tema di primo piano nella data literacy è l’alfabetizzazione dei dati come elemento chiave per la digitalizzazione. Implica non solo la raccolta di dati in modo critico, ma anche la possibilità di curarli, analizzarli, interpretarli, valutarli e utilizzarli. All’alfabetizzazione dei dati corrispondono cinque aree di competenza: il quadro concettuale a cui appartiene introduzione, raccolta, gestione, valutazione e applicazione dei dati. Tutto questo è parte di ciò che si può indentificate come alfabetizzazione informatica. Si tratta di un approccio interdisciplinare e in parte si sovrappone alla cosiddetta alfabetizzazione informativa. Ciò significa che gli utenti possono gestire tutti i tipi di informazioni in modo autonomo, sicuro, responsabile e mirato. Ciò vale, ad esempio, anche per gli utenti dei servizi digitali che dovrebbero essere abilitati a prendere decisioni su come vengono utilizzati i loro dati. Questa capacità sta diventando sempre più importante perché macchine e veicoli raccolgono sempre più dati negli spazi pubblici. Essere in grado di gestire la propria immagine di dati fa ormai parte dello stile di vita moderno. L’applicazione di Data Era, Predictive analytics e Artificial Intelligence all’industry del retail è attore critico di successo, imprescindibile per operatori e industry così rilevanti nell’economia mondiale e nazionale. Design del dato, design interpretativo e operativo, matematica/statistica, business intelligence, reportistica utile alle decisioni sono solo alcune delle competenze necessarie. La transizione verso un modello “ibrido” di retail, sostenibile Esg e avanzato nelle sue modalità competitive e di reattività ha a che fare con questi trend. Nei box in queste pagine alcuni esempi in termini di Microtrend: Nvidia, Splice Machine, Versium analytics.
L’approccio predittivo di Splice Machine
La start-up Splice Machine con sede a San Francisco ha lanciato una piattaforma che consente alle aziende di implementare funzioni predittive nelle applicazioni aziendali in tempo reale. L’enorme quantità di dati necessari per questo ha precedentemente reso tali processi troppo complessi o costosi. Splice Machine ha ora rilasciato un sistema di gestione del database che consente al personale di sviluppare applicazioni predittive utilizzando il linguaggio del database SQL da incorporare in settori quali la pianificazione degli impianti, i sistemi di manutenzione e l’assistenza sanitaria. Ciò facilita l’uso immediato di applicazioni di ottimizzazione basate sulla previsione.
ReOpt di nVidia per la supply chain
La società tecnologica statunitense Nvidia ha presentato un programma software basato sull’intelligenza artificiale chiamato “ReOpt” per la gestione della catena di approvvigionamento. Tra le altre cose, migliorerà la pianificazione del percorso, il prelievo in magazzino e la gestione della flotta e controllerà i costi di consegna. Il software utilizza algoritmi per fornire ai clienti le condizioni stradali, il traffico e le metriche del percorso per ridurre le miglia, il costo del carburante, le emissioni di carbonio e i tempi di inattività. Inoltre, “ReOpt” consente ai clienti di creare routine automatizzate che indirizzano dinamicamente i robot per il caricamento dei camion all’arrivo di nuovi ordini.
Big date e comportamento dei clienti
Versium Analytics archivia i dati provenienti da diverse fonti che sono pubblicamente disponibili sia online che offline al fine di raccogliere le caratteristiche e i modelli di comportamento visualizzati dai clienti nella vita reale. Questi dati sono quindi collegati alle informazioni che un’azienda ha già sulle rispettive persone. È quindi possibile creare un profilo intelligente di tali persone. Questa analisi consente alle aziende di fare previsioni migliori su come i clienti reagiranno a determinate misure e accordi: un modo completamente nuovo di utilizzare i big data in modo più produttivo e accurato.
