Paolo Pasini BIG DATA: dalla “Big Survey” al posizionamento
Transcript
Paolo Pasini BIG DATA: dalla “Big Survey” al posizionamento
Paolo Pasini BIG DATA: dalla “Big Survey” al posizionamento di alcuni casi di eccellenza Ogni persona o cosa o evento naturale, ogni oggetto o evento di business generano attorno a sé in modo sempre più automatico dati digitali (nel privato, nell’ambiente fisico e relazionale o in azienda); non solo sul web! Nuove Tecnologie di data mgmt e di data analysis 2 © 2012 IBM Corporation Capacità di analisi e interpretazione Le origini dei BIG DATA: i driver © 2013 IBM Corporation & SDA Bocconi Transazioni Documenti cartacei digitalizzati Email Social networks e social media (es. Twitter, FB, blogs, forum, …) Clickstream – Web Log Registrazioni video Registrazioni audio Immagini Dati di geo-posizionamento (GPS) Dati generati da trasmettitori e sensori (cellulari, wifi, bluetooth, Rfid, NFC, …), o misuratori digitali (digital meters) M2M (Machine to Machine) data - Internet of Things Automazione processi produttivi Digitalizzazione dei processi di R&D (es. nella bioinformatica e biogenetica, chimica, climatologia, ecc.) 3 Corporation Le Fonti dei BIG DATA si ampliano e arricchiscono i dati interni© 2013 IBM & SDA Bocconi © 2012 IBM Corporation (IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012) 4 What Business Managers think: una ricerca Global (2012) © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi e-Survey: “Big Data: le nuove frontiere della conoscenza aziendale” 5 È un fenomeno di management, non solo di ICT! © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi Data Velocity Data Volume New Knowledge and Insights New Potential Business Value Enablers to Big Data Data Variety (sources and formats) Data Quality (Veracity), Security, Privacy 6 © 2012 IBM Corporation BI & Analytics, DB platform Cloud services Management culture and capabilities; New Skills Big Data Framework © 2013 IBM Corporation & SDA Bocconi LA RICERCA “BIG DATA” 7 © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi Target: CIO e IT Executive di medio-grandi imprese italiane 202 imprese partecipanti Manifatturiero: 31%; Distribuzione e Logistica: 18%; Finance: 11%; PAL-Sanità: 18%, Servizi-Utilities: 22% Medie Imprese (< 1000 dip.) 51%; Medio-grandi Imprese (10005000 dip.) 26%, Grandi imprese (> 5000 dip.) 23% Aziende domestiche 49%; Multinazionali italiane 25%; Consociate di multinazionali estere 26% 8 © 2012 IBM Corporation La ricerca © 2013 IBM Corporation & SDA Bocconi 9 Social networks e social media (es. Facebook, Twitter, blogs, forum, …) 54% Documenti cartacei digitalizzati Email Transazioni Immagini Registrazioni video Dati di geo-posizionamento (GPS) 52% 46% 40% 34% 32% 25% Dati generati da sensori o misuratori digitali (es. RFID, NFC, meters) 25% Automazione processi produttivi Clickstream – Web Log M2M (Machine to Machine) data - Internet of Things Digitalizzazione dei processi di R&D (es. nella bioinformatica e biogenetica, chimica, climatologia, ecc.) Registrazioni audio Altro (specificare) 24% 18% 17% FONTI DI DATI maggiormente associate ai Big Data © 2012 IBM Corporation 15% 12% 3% © 2013 IBM Corporation & SDA Bocconi 1. 2. 3. 4. 5. 6. 10 accuratezza delle analisi del comportamento del mercato e nelle maggiori informazioni sui Clienti (più dimensioni di analisi) al fine di servirlo meglio (con piattaforme digitali di Customer Experience multicanale) costruzione di una nuova piattaforma IT (che superi i limiti del DW, che permetta analisi di milioni di transazioni, che permetta di analizzare grandi quantità di dati strutturati e non, ecc.) velocità delle insight a supporto delle decisioni strategiche (predizioni, scenari e previsioni di medio-lungo termine) analizzare e gestire Point-of-interest aziendali (PdV, magazzini, concessionari e dealer, turbine, cantieri, ecc.) e infrastrutture sul territorio (reti elettriche, canalizzazioni, strade, ecc.) analisi di dati strutturati e non che convergono in documenti aziendali core dematerializzati (fascicoli sanitari, gestione sinistri, …) ottimizzazione dei processi aziendali (supply chain complesse, campagne promozionali ripetitive, …) Principali aree di impatto e di beneficio di business dei Big Data © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi 11 CIO 37% Un team o un comitato interfunzionale di executive 21% Chief Marketing Officer 20% CEO 18% CFO 15% Nessun executive 13% Chief Sales Officer 12% DG 11% Risk manager 8% Altro (specificare) 1% Quale Executive è, o potrebbe essere, maggiormente interessato ai © 2012 IBM Corporation Big Data nella sua azienda? © 2013 IBM Corporation & SDA Bocconi CEO 18% Nessun executive % sempre rispetto al campione complessivo DG 1% 3% 13% 2% 11% 5% 2% 1% 3% 1% 4% Un team o un comitato interfunzionale di executive 21% 1% 5% 1% CIO 37% 1% 2% 2% 5% 2% 5% 1% Chief Sales Officer 13% 1% 2% 5% CFO 15% 1% 2% Chief Marketing Officer 20% 12 © 2012 IBM Corporation 2% Risk manager 8% Quale Executive … il Cio ma non da solo! © 2013 IBM Corporation & SDA Bocconi (IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012) 13 What Business Managers think: una ricerca Global © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi BICC centrale BICC divisionale (MIT Sloan Management Review in collaboration with the IBM Institute for Business Value, “Big Data, Analytics and the Path From Insights to Value, winter 2011) 14 © 2012 IBM Corporation BI/Analytics Organization © 2013 IBM Corporation & SDA Bocconi 1. La maggioranza delle aziende si presenta nella Fase di comprensione dei BD e dei loro possibili benefici (57%). 2. Un’altra porzione di rilievo (25%) è consapevole del valore dei BD ma ha “priorità” immediate nella gestione della privacy e della sicurezza dei dati. 3. Il 25% non sente il bisogno dei BD (con un 7% che ha però avviato una fase di comprensione). 4. il 18% ha definito una strategia di BD o sta svolgendo studi di fattibilità o ha avviato progetti in ambito (ricerca a livello Global: 28 % in Execution; 48% in Planning). 15 Fase del ciclo di adozione/maturity/esperienza © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi 1. 2. 3. 4. 16 il funding, il budget delle iniziative (22%) la corretta valutazione dei ritorni dell’investimento (14%) il committment direzionale (13%) le competenze interne (tecnologiche, analitiche, interpretative) (12%) © 2012 IBM Corporation Enabler organizzativi dei Big Data © 2013 IBM Corporation & SDA Bocconi ICT Outsourcing 3,84 Streaming processing 4,05 Hadoop/MapReduce 4,13 Cloud computing/ICT as-a-service 4,23 Sistemi di database management relazionali 4,31 Sistemi di database management non relazionali (es. inmemory, … 4,49 Content Analytics 4,56 Strumenti per l’Integrazione di dati (es. ETL, etc.) 4,57 Business Analytics 4,85 1,00 17 © 2012 IBM Corporation 1,50 2,00 2,50 3,00 Enabler tecnologici dei Big Data 3,50 4,00 4,50 5,00 © 2013 IBM Corporation & SDA Bocconi (IBM Institute for Business Value in collaboration with Said Business School, University of Oxford, “Analytics: The real-world use of big data, 2012) 18 What Business Managers think: una ricerca Global © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi CASI PIONIERI E CASI DI ECCELLENZA 19 © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi DATI NON STRUTT. DATI STRUTTURATI DATI IN STREAM ING, RT PROFITABILITY RECENCY, FREQUENCY, MONETARY PROFILO SOCIO-DEMO FIDELITY CARD, PUNTI PREMIO DATI IN STRUMENTI DI PAGAMENTO STREAM BASKET E MIX DI ACQUISTO DATI IN STREAM ING, RT DATI STRUTTURATI ING, RT SOCIAL WEB DATA (RT e non RT) consumer GEO-POSITIONING VIDEO-INTELLIGENCE (riconoscimento volti e Comportamento fisico) DATI IN STREAM ING, RT FEEDBACK E-SURVEY GARANZIE PRODOTTI DATI STRUTTURATI 20 © 2012 IBM Corporation INFORMAZIONI E RECLAMI AL CONTACT CENTER DATI NON STRUTT. Un esempio di BIG DATA: velocity, variety, volume. I vettori di conoscenza del consumer © 2013 IBM Corporation & SDA Bocconi Insight dei Processi R&D e innovazione di prodotto/servizio Insight dei Processi gestionali, incluso risk mgmt Insight dei PoI o Insight delle relazioni con Infrastrutture aziendali partner esterni (incl. ICT) Insight di mercato e clienti Dublin City Center; (RT public transportation data analysis) Battelle (RT and DWH smart grid data analysis) KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data) U.S. Wireless Telco (RT cells and customer calls Data analysis) Asian Telco (network monitoring) Velocity TerraEchos (RT acoustic data analysis) KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data) Volume Variety Barnes & Noble (RT sales track for suppliers and RT inventory analysis) Asian Telco (network monitoring e processo di billing) University of Western Ontario (RT neonatal patient conditions analysis) Telecom (Service level analysis) Barnes & Noble (RT sales track for suppliers and RT inventory analysis) Mutiutility italiana (RT power network analysis and predictive) Telecom (Service level analysis) KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data) TerraEchos (RT acoustic data analysis) Vestas (wind turbine positioning) Asian health Bureau (patient images analysis in rural telemedicine) TerraEchos (RT acoustic data analysis) Asian Health Bureau (patient images analysis in rural telemedicine) 21 Hertz (content analytics) Vestas (wind turbine positioning) Battelle (RT and DWH smart grid data analysis) Vestas (wind turbine positioning) U.S. Wireless Telco (RT cells and customer calls Data analysis) Asian Telco (network monitoring e processo di billing) Mutiutility italiana (RT power network analysis and predictive) Telecom (Service level analysis) Insight sui documenti core dematerializzati University of Southern California(RT Twitter data analysis for political aims) Ufone (campaign data streams analysis) Globe Telecom (RT mktg data analysis) U.S. life Insurance Company (RT predictive analysis of churn) MobyLines (RT customer profiling and custom content delivery) University of Southern California (RT Twitter data analysis for political aims) KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data) Insight per Strategie future, scenari, business model Multinational CPG manufacturer (velocità ed efficacia dell’enterprise search) Multinational Aeromobile manufacturer (velocità ed efficacia dell’enterprise search) Hertz (content analytics) U.S. Wireless Telco (RT cells and customer calls Data analysis) Mediaset (social analytics; virtual customer profile analysis) University of Southern California California (RT Twitter data analysis for political aims) © 2013 IBM Corporation Un framework & SDA Bocconi © 2012 IBM Corporation di analisi dei casi: aree di impatto e i 3 attributi base dei BD 1. Buona distribuzione dei casi nei 3 attributi base dei Big Data (velocity, variety, volume), con mix diversi degli stessi 2. Conferma che l’esperienza di BD si sta trasferendo dal mondo fisico (analisi delle infrastrutture e dei PoI aziendali, soprattutto nelle Telco, nell’Energy e nel trasporto pubblico) e della R&D (innovazione di prodotto/servizio, nel mondo medico, meteo, sicurezza) al mondo del management (soprattutto nelle analisi del mercato/clienti e dei processi gestionali core) 3. Più difficile osservare esperienze di BD nella definizione di strategie e scenari futuri, e nell’analisi delle relazioni con i fornitori e partner 22 © 2012 IBM Corporation Alcuni commenti generali © 2013 IBM Corporation & SDA Bocconi La criticità delle previsioni e stime sui flussi dei venti ha però portato Vestas a investire in una nuova applicazione che permettesse di raggiungere un livello di granularità maggiore spingendosi a suddividere l’analisi del territorio in aree di soli 10 m2di analisi anziché di 27 Km2. La soluzione sviluppata, inoltre, è in grado di prevedere i flussi dei venti in modo estremamente veloce e accurato basandosi su 178 parametri (temperatura, pressione barometrica, umidità, precipitazioni, direzione e velocità del vento, etc.). Attraverso l’uso di questi dati, Vestas è in grado di ottimizzare il posizionamento delle turbine, massimizzando l’energia prodotta e la longevità dell’impianto. Vestas Vestas Wind System, azienda danese fondata nel 1979, è specializzata nella fornitura e installazione di turbine per la produzione di energia eolica. Ad oggi ha installato più di 43.000 turbine eoliche in 66 paesi e 6 continenti. Per sfruttare l’investimento fatto in una turbina eolica fondamentale è la sua localizzazione. Infatti, le turbine sono costruite per operare in condizioni climatiche particolari e solo se sono rispettati certi parametri climatici la turbina è ottimizzata e non incorre in malfunzionamenti e problemi tecnici. Per questo motivo parte integrante dell’attività di Vestas è la definizione del posizionamento migliore delle turbine per conto dei propri clienti e il supporto a questi ultimi nel calcolo del ritorno dell’investimento. Questa attività è particolarmente critica perché un errore di valutazione genera immediati costi di manutenzione e la perdita del cliente che, a seguito di questo errore, non riesce a ottenere il ritorno desiderato dall’investimento fatto. Vestas per svolgere questa attività ha costruito nel tempo la c.d. “Wind Library” che raccoglie dati sul sistema meteorologico globale tramite le turbine già installate e 35.000 stazioni meteorologiche dislocate in tutto il mondo. 24 © 2012 IBM Corporation Risultati Aumento della precisione nella definizione della localizzazione delle Risultati turbine grazie alla possibilità di Aumento della precisione nella definizione della localizzazione analizzare più datidi analizzare e conpiùun delle turbine grazie alla possibilità dati emaggior con un maggior dettaglio. dettaglio. Diminuzione del costo dell’energia per Kilowatt ora e Diminuzione del costo dell’energia conseguente incremento del ritorno dell’investimento per i per ora e conseguente clienti. Kilowatt incremento Riduzione dei tempi di risposta nelle del attività di simulazioneritorno e previsione di circa il 97%. dell’investimento per i clienti. implementate SoluzioniRiduzione dei tempi di risposta nelle IBM InfoSphere BigInsights Enterprise attività di Edition. simulazione e previsione di circa il 97%. Casi di analisi dei processi aziendali core © 2013 IBM Corporation & SDA Bocconi La soluzione implementata, in particolare, permette di classificare automaticamente i dati non strutturati raccolti mediante l’utilizzo di regole linguistiche restituendo report facilmente interpretabili e analizzabili dal management. Hertz Hertz è il più grande Brand di autonoleggio, aeroportuale, con oltre 8.300 sedi in 146 paesi. Hertz continuamente richiede e riceve feedback dai propri clienti mediante sondaggi web, email e messaggi di testo. Tutti i dati non strutturati così raccolti rappresentano una fonte molto preziosa per misurare il grado di soddisfazione dei propri clienti e capire quali sono i limiti del servizio erogato che possono generare insoddisfazione nella clientela. Per sfruttare appieno questo potenziale informativo, Herts ha avviato l’implementazione di un sistema per raccogliere i dati non strutturati, elaborarli ed estrarre le informazioni rilevanti per il business e renderle disponibili al management per analisi volte a identificare trends, criticità/opportunità e modificare conseguentemente il servizio offerto in termini di contenuto e qualità per renderlo coerente con le richieste dei clienti. Risultati Risultati Riduzione dei tempi necessari al trattamento/preparazione Riduzione deie conseguente tempi necessari al dei dati non strutturati incremento del tempo disponibile per la loro analisi. trattamento/preparazione dei dati Maggior conoscenza dell’opinione dei clienti e delle non strutturati e conseguente determinati della loro soddisfazione o insoddisfazione. del tempo incremento Maggior controllo sui processi aziendalidisponibile core (noleggio, per laeloro consegna ritiro). analisi. implementate conoscenza dell’opinione Soluzioni Maggior dei IBM Content Analytics. clienti e delle determinati della loro soddisfazione o insoddisfazione. Maggior controllo sui processi aziendali core (noleggio, consegna e ritiro). L’analisi di questi dati permette, inoltre, di comprendere i punti di forza e di debolezza dei processi aziendali (di noleggio, consegna e ritiro) e intraprendere le necessarie azioni correttive. 25 © 2012 IBM Corporation Casi di analisi dei processi aziendali core © 2013 IBM Corporation & SDA Bocconi 26 Insight deiProcessi gestionali, incluso risk mgmt TerraEchos (RT acoustic data analysis) Insight delle Insight dei PoI o Infrastrutture relazioni con aziendali Insight di mercato e clienti partner esterni (incl. ICT) Vestas (wind turbine positioning) Working capital reduction Cost reduction Intangible asset value (brand reputation, risk mgmt, knowledge, relationship value, social value, …) Business Value Revenue increese Insight dei Processi R&D e innovazione di prodotto/servizio Asian health Bureau (patient images analysis in rural telemedicine) Hertz (content analytics) Asian Telco (network monitoring e processo di billing) Barnes & Noble (RT sales track for suppliers and RT inventory analysis) University of Western Ontario (RT neonatal patient conditions analysis) Asian health Bureau (patient images analysis in rural telemedicine) Vestas (wind turbine positioning) Major U.S. Wireless Telco (RT cells Data analysis) Dublin City Center (RT public transportation data analysis) Major U.S. Wireless Telco (RT cells Data analysis) Battelle (RT and DWH smart grid data analysis) Asian Telco (network monitoring) Mutiutility italiana (RT power network analysis and predictive) Dublin City Center (RT public transportation data analysis) Telecom (service level monitoring) Ufone (campaign data streams analysis) Globe Telecom (RT mktg data analysis) U.S. life Insurance Company (RT predictive analysis of churn) Hertz (content analytics) Mediaset (social analytics; virtual customer profile analysis) MobyLines (RT customer profiling and custom content delivery) Insight sui documenti core dematerializzati Telecom (service level monitoring) KTH Swedish Royal Institute of Technology (RT analysys of traffic streaminig data) Insight per Strategie future, scenari University of Southern California(RT Twitter data analysis for political aims) Hertz (content analytics) Multinational Aeromobile manufacturer (enterprise search) Multinational CPG manufacturer (enterprise search) Multinational Aeromobile manufacturer IBM Corporation (enterprise search) Un framework di analisi dei casi: aree di impatto e il Business Value© 2013 & SDA Bocconi © 2012 IBM Corporation 1. La ricerca della riduzione dei costi aziendali o del capitale circolante, come Business Value dei BD, non sembra il fine più perseguito: BD forse più coerenti con crescita e innovazione! 2. Il valore in termini di Intangible Asset è sempre presente 3. L’incremento di Revenue come valore dei BD si manifesta ovviamente di più nei casi di Analisi del mercato/clienti 27 © 2012 IBM Corporation Alcuni commenti generali © 2013 IBM Corporation & SDA Bocconi Risultati Annenberg Innovation Lab University of Southern California Annenberg Innovation Lab è un centro di ricerca dell’University of Southern California, una tra le università più importanti degli Stati Uniti. Il Lab, in particolare, svolge attività di ricerca focalizzata principalmente sui Digital Media e sul loro impatto nelle amministrazioni pubbliche, nelle imprese private e nella società civile in generale. Risultati Visualizzazione in tempo reale delle percezioni e delle reazioni del pubblico alle risposte fornite da parte deireale candidatidelle politici Visualizzazione in tempo durante i dibattiti. percezioni e delle reazioni del pubblico alle Previsione del vincitore del dibattito basata sull’opinione risposte fornite da parte dei candidati pubblica anziché esclusivamente su quella degli analisti e degli politici durante i dibattiti. schieramenti politici. Soluzioni implementate del vincitore del dibattito basata Previsione sull’opinione IBM InfoSphere Streams. pubblica anziché esclusivamente su quella degli analisti e degli schieramenti politici. All’interno di questo filone di ricerca il Lab ha avviato un progetto finalizzato alla misurazione del “sentimento” pubblico durate le votazioni primarie e i dibatti presidenziali. Per fare ciò, è stata realizzata una soluzione in grado di raccogliere i messaggi postati su Twitter durante i dibattiti politici, di analizzarne il contenuto attraverso strumenti capaci di interpretare il linguaggio naturale, di classificare il messaggio in funzione del suo reale significato (disambiguazione del linguaggio ricco di “modi di dire”, espressioni sarcastiche, etc.) e infine di capire e interpretare i sentimenti (positivi, negativi, neutrali) verso i candidati e verso i temi socio-economici oggetto dei dibattiti politici. 28 © 2012 IBM Corporation Casi di Intangible Business Value © 2013 IBM Corporation & SDA Bocconi U.S. Life Insurance Company Il portafoglio clienti delle compagnie assicurative oggi è caratterizzato da un alto turnover; infatti, se fino a poco tempo fa i clienti difficilmente cambiavano compagnia assicurativa oggi questo non è più vero. I clienti sono sempre più attenti alle offerte proposte sul mercato e sono più disponibili a cambiare compagnia in cambio di condizioni migliori. Per questo motivo le compagnie assicurative sono sempre più impegnate a cercare di trattenere i propri clienti studiando azioni mirate a incrementare il loro grado di fidelizzazione. Incremento del fatturato grazie all’aumento del grado di Risultati fidelizzazione dei clienti e delle attività di cross-selling e upselliing. Incremento del fatturato grazie all’aumento Miglioramento della qualità del servizio offerto ai clienti del grado di fidelizzazione dei clienti e delle attraverso una è più attenta politica di customer care e la attività cross-selling e up-selliing. disponibilitàdi di insight sui clienti. Riduzione del tasso di abbandono da parte dei clienti. Miglioramento della qualità del servizio Soluzioni implementate offerto ai clienti attraverso una è più politica attenta IBM InfoSphere Streams. di customer care e la disponibilità IBM WebSphere iLog.di insight sui clienti. IBM InfoSphere MDM. Riduzione del tasso di abbandono da parte dei clienti. Con questo obiettivo, questa compagnia assicurativa statunitense ha implementato una soluzione in grado di analizzare i dati dei propri clienti, classificarli in cluster omogenei sulla base del loro comportamento e identificare per ognuno di essi la probabilità di abbandono. L’utilizzo di questi modelli predittivi permette di identificare i clienti che manifestano un tasso di probabilità maggiore di passare a un’altra compagnia e studiare azioni mirate per trattenerli. Risultati 29 © 2012 IBM Corporation Casi di Potential Revenue Increase © 2013 IBM Corporation & SDA Bocconi Risultati Aumento del conversion rate dello 0,5%. Miglioramento dell’efficacia delle azioni di marketing attraverso una maggior comprensione del comportamento d’acquisto dei clienti. 30 © 2012 IBM Corporation Casi di Potential Revenue Increase © 2013 IBM Corporation & SDA Bocconi RECOMMENDATIONS 31 © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi 1.Ricercare il giusto committment direzionale. • legame tra iniziative Big data e linee guida strategiche dell'azienda • sponsorship da parte di un CXO, o meglio se di un Comitato direttivo, interfunzionale • business case e studi di fattibilità di ogni iniziativa 2.Partire con iniziative mirate, circoscritte, ma avendo in mente un disegno “enterprise” (think big but start small and quick!). • scegliere piattaforme e soluzioni IT che consentano la scalabilità con volumi crescenti di dati. • puntare sulla interoperabilità e sull’integrazione con gli attuali sistemi di datawarehousing, • mirare a quick wins. 32 © 2012 IBM Corporation Recommendations © 2013 IBM Corporation & SDA Bocconi 3.Scegliere le opportune fonti informative. • valorizzare e arricchire i dati interni già disponibili, strutturati e destrutturati, che presentano un grado di affidabilità/qualità più elevato. • iniziative “business strategy-driven”, “top-down” o “data-driven”, “bottom-up” 4.Progettare l’organizzazione e sviluppare le competenze • nuove figure professionali (data scientist o management scientist, BI/analytic Manager, etc.). • nuovi modelli di Competence Center e loro posizionamento • partnership esterna per aumentare la consapevolezza, ridurre i timori sulle nuove tecnologie e velocizzare la curva di esperienza/maturità sui Big Data. • scelte di “make or buy” nella Data Value Chain. 33 © 2012 IBM Corporation Recommendations © 2013 IBM Corporation & SDA Bocconi A quick start Methodology to discover Big Data Value 2 – 4 Weeks Proof of Concept 34 © 2012 IBM Corporation © 2013 IBM Corporation & SDA Bocconi