Skip to main content

Gartner definisce la “monetizzazione dei dati” (data monetization) “​​…processo di utilizzo dei dati per ottenere un beneficio economico quantificabile. I metodi diretti o indiretti che includono l’utilizzo dei dati per apportare miglioramenti misurabili alle prestazioni aziendali e prendere decisioni informate…”.

La velocità tecnologica sempre più frenetica impone a ogni azienda di prendere nuove decisioni di business che possono determinare la crescita o il fallimento.

Ogni scelta, come naturale che sia, crea delle conseguenze che avranno riscontri positivi o negativi per l’organizzazione, avendo un impatto più o meno sensibile.

Ma come tutti sappiamo non possiamo esimerci dal prendere decisioni, per non rimanere fermi in un mercato dinamico.

Neanche le grandi aziende che pensiamo “immortali” – come ad esempio Amazon o Facebook – possono ritenersi immuni dal fallimento, e sicuramente neanche noi, anche se lavoriamo in un mercato di nicchia.

Possiamo però ridurre il rischio, migliorando le nostre decisioni e acquisendo maggiore consapevolezza grazie all’utilizzo dei dati.

“Big Data”: definizione

In statistica e informatica, la locuzione inglese “Big Data” indica una “raccolta di dati così estesa in termini di volume, velocità e varietà da richiedere tecnologie e metodi personalizzati per estrarre valore o conoscenza”.

Come sappiamo, le grandi aziende sfruttano queste informazioni per migliorare costantemente i propri prodotti o servizi e rimanere sempre più competitive.

Una ricerca su Google, un acquisto al supermercato, una foto, un messaggio vocale o un tweet sono tutti dati, e la maggior parte delle nostre attività quotidiane crea dati che possono essere raccolti, analizzati e monetizzati.

Oggi possiamo facilmente analizzare queste informazioni con “super computer” e algoritmi, rivelando percorsi e connessioni tra le molte attività umane.

Il fenomeno dei “Big Data”, o meglio il fenomeno di immagazzinare, gestire e analizzare grandi quantità di dati, non è in realtà recente, ma fa parte della lunga storia dell’evoluzione del genere umano.

Oggi è possibile raccogliere maggiori quantità di dati grazie all’Internet delle Cose (Internet of Things o IoT), e al dilagare di applicazioni che funzionano collegandosi in rete.

L’analisi di una mole così elevata di dati richiede competenze specifiche e tecnologie avanzate in grado di estrarre le informazioni utili.

Scienza dei dati e “Big Data”

Come abbiamo detto in precedenza, quando parliamo di “Big Data” pensiamo a enormi quantità di dati di cui magari la nostra azienda oggi non dispone.

Ma non serve solo una grande quantità di dati per ottenere del valore.

Servono quelle caratteristiche che vengono definite come le 5 “V”: Volume, Velocità, Varietà, Valore e Veridicità

Per ottenere le risposte e raggiungere l’obiettivo che ci siamo posti viene in nostro aiuto la scienza dei dati (“data science”), la quale ci fa da guida in un percorso di metodi scientifici – principalmente statistici – e tecniche di analisi, per trasformare un dato in un’informazione utile per un determinato contesto e con determinati obiettivi.

La “data science” consente quindi di generare valore dai dati prodotti dai dispositivi dentro e fuori l’azienda.

Scienza dei dati: esempi pratici

Un primo utilizzo è quello di una migliore gestione degli “asset”, ovvero delle risorse aziendali, non solo in termini economici, ma analizzando, elaborando e monitorando in tempo reale i processi che aiutano a ridurre gli sprechi, delineando scenari, e attuando  in modo efficace la strategia di impresa.

Analizzare i dati significa valutare i rischi, studiare il ciclo di vita di beni e strumenti, calcolare preventivamente gli interventi di manutenzione, tracciare le scadenze.

Una manutenzione più efficace con il monitoraggio in tempo reale di attrezzature e impianti consente di intervenire prima che si verifichi un guasto.

Tutte le azioni di manutenzione vengono tracciate e archiviate in automatico dai software e rese accessibili su un’unica piattaforma, come ad esempio gli ordini di lavoro, le richieste di intervento, la rendicontazione dei costi e la tracciatura dei fermi macchina.

La scienza dei dati consente inoltre di ottimizzare la produzione dalle materie prime al prodotto finito, tracciando tutti i processi, monitorando e verificando i dati prodotti come l’inventario, la gestione dei componenti e del personale, le attività di magazzino e stoccaggio, e il ciclo produttivo (come modi e tempi dei fermi macchina, quantità dei pezzi prodotti, interruzioni di produzione, tempi di manutenzione, consegna e preparazione delle spedizioni).

Tutto ciò in tempo reale controllando la quantità e i consumi delle materie prime, riducendo gli stock inutilizzati, ottimizzando i carichi di lavoro, gestendo gli imprevisti senza fermare la produzione, rendendo il processo produttivo completamente tracciabile, migliorando il controllo qualità diminuendo gli errori di fabbricazione e i costi di rilavorazione, e riducendo il consumo energetico.

La scienza dei dati serve anche ad aumentare la sicurezza negli impianti.

I sistemi di rilevamento ambientale che monitorano la qualità dell’aria ed eventuali fughe di gas, i sistemi di videosorveglianza industriale che sorvegliano gli accessi, i sistemi di sicurezza anticollisione che riducono il rischio di incidenti nelle aree di lavoro, i dispositivi “uomo a terra” che segnalano all’operatore e al responsabile della sicurezza la possibile “caduta” in condizioni di lavoro isolato.

Anche in questo caso sono tutti sistemi che elaborano i dati in tempo reale per aiutare a prendere la migliore decisione possibile in relazione al contesto. 

Non ultima, la scienza dei dati può contribuire a migliorare l’esperienza d’acquisto attraverso il monitoraggio del comportamento del cliente, che consente di implementare la personalizzazione dell’offerta. 

Scienza dei dati: campi di applicazione

L’industria manifatturiera si serve della “data science” per:

  • Ottimizzare la produzione
  • Aumentare la qualità
  • Ridurre gli sprechi
  • Eliminare i silos di dati
  • Incrociare i dati di processo, di prodotto e del cliente
  • Effettuare un’analisi avanzata che identifica i problemi prima che si verifichino
  • Raggiungere un controllo avanzato del processo produttivo
  • Monitorare le informazioni in tempo reale analizzando le cause profonde dei problemi di produzione con una visione sistemica delle operazioni
  • Ridurre i costi di manutenzione
  • Massimizzare l’efficacia delle attrezzature
  • Ottimizzare la logistica

Le banche usano la scienza dei dati per:

  • Profilare le abitudini dei clienti e ridurre al minimo rischi e frodi
  • Modellare e misurano il rischio di credito e di controparte
  • Ridurre i tempi dei cicli di stress test
  • Migliorare la trasparenza e la verificabilità del flusso di lavoro con l’automazione, prendendo decisioni migliori e ottimizzando le performance durante l’intero ciclo di vita del servizio
  • Creare report normativi e gestionali accurati e on-demand

Il retail utilizza la “data science” per:

  • Approfondire la relazione con il cliente migliorando la sua customer experience
  • Prevedere la domanda
  • Comprendere il percorso d’acquisto
  • Identificare le opportunità per migliorare le prestazioni
  • Ottimizzare  il merchandising

L’analisi dei dati esplicita le dimensioni reali della domanda e lo storico delle vendite, così da affinare la previsione e consigliare le migliori configurazioni di confezioni per la logistica e la distribuzione.

Aiuta anche nella pianificazione della localizzazione delle merci, creando assortimenti rilevanti, ottimizzando le scorte, e utilizzando l’analisi dell’area commerciale per determinare il posizionamento nello store e online, prezzo compreso.

Il settore sanitario può servirsi della “data science” per:

  • Scoprire le informazioni nascoste capaci di migliorare l’assistenza ai pazienti analizzando i dati clinici e operativi strutturati e non
  • Trasformare le intuizioni in conoscenze basate sull’evidenza
  • Determinare il trattamento ottimale
  • Comprendere i fattori che influenzano le riammissioni in ospedale

L’analisi e la condivisione dei dati aiutano a evitare errori farmacologici, a studiare e identificare i pazienti a rischio, a ottimizzare la pianificazione della dimissione avendo una visione sistemica dei servizi offerti e del loro impatto sul territorio e misurandone l’efficacia pianificando una strategia di assistenza e cura ottimizzate.

Scienza dei dati: casi di studio

Whirlpool Corporation, multinazionale statunitense del settore beni durevoli e produttrice di elettrodomestici, ha sviluppato internamente un motore di previsione della domanda (“demand forecasting”) costruito sulle caratteristiche di ciascun mercato locale, consentendo di omogeneizzare le attività a livello regionale, con un maggior controllo sulla pianificazione della domanda e un maggiore efficientamento dei costi.

Vodafone Automotive, società del Gruppo Vodafone nel settore telco che fornisce piattaforme tecnologiche connesse per la mobilità, ha risposto all’esigenza di gestire i “Big Data” delle “scatole nere” montate sui veicoli con una nuova architettura di raccolta, analisi, elaborazione e archiviazione dei dati che può supportare le realtà assicurative nel processo di valutazione del rischio per la stipula delle polizze.

CPL Concordia, società che opera nel settore energia-servizi che si occupa di cogenerazione, energy management e servizi per l’efficientamento energetico degli edifici, ha creato e strutturato un data-lake, cioè un ambiente di deposito dei dati, unico per tutte le informazioni a disposizione dell’azienda. Un database su cui costruire un cruscotto dedicato al monitoraggio energetico con analisi predittive per la riduzione dei consumi e un migliore servizio ai clienti.

Tenaris, azienda che opera nel settore manifatturiero, tra i maggiori produttori e fornitori globali di tubi in acciaio e servizi per l’industria energetica, ha introdotto un tool di data visualization in grado di rispondere alle diverse esigenze di visualizzazione interattiva e analisi esplorativa dei dati. Lo strumento viene utilizzato al momento dell’acquisto di un prodotto e le analisi dei dati controllano se il prodotto è già presente in qualche altro impianto del gruppo, e in caso positivo suggeriscono di effettuare un acquisto inter-company.

Masi Agricola, azienda produttrice di Amarone e altri vini di pregio della Valpolicella in provincia di Verona, ha avviato un progetto di monitoraggio e analisi dei dati web e social a partire dalle immagini e dai testi condivisi online sulle tipologie di vini prodotti nel territorio, portando ad una maggiore efficacia delle campagne marketing e ad un miglioramento della reputazione dell’azienda.

Conclusioni

Come abbiamo visto, la scienza dei dati è già utilizzata in molti campi e per svariati scopi, ma ancora molto si può fare per sfruttarne le potenzialità.

Non riguarda quindi solo una tecnologia precisa, bensì un metodo strutturato che si adatta a ogni realtà per soddisfare le diverse esigenze, e che oggi possiamo applicare anche alle nostre aziende. 

Dobbiamo quindi solo porci le giuste domande e trovare le risposte adeguate, analizzando i dati e fornendo soluzioni tecnologiche avanzate.

Oggi abbiamo a disposizione tutto: “Big Data”, tecnologie e metodi di lavoro efficaci al raggiungimento degli obiettivi.

Allora cosa aspetti a partire con il primo progetto di “Data Science”?