Analisi dei Big Data testuali

Analisi dei Big Data testuali
Esplorazione testuale della Big Untapped Data Source
Whitepaper
Rick F. van der Lans
Analista Indipendente di Business Intelligence
R20/Studio di Consulenza
Dicembre 2013
Sponsorizzato da
Copyright ©2013 R20/Consultancy. Tutti i diritti riservati. InterSystems Caché, InterSystems
Ensemble, InterSystems HealthShare, InterSystems DeepSee, e TrakCare sono marchi di proprietà di
InterSystems Corporation. InterSystems iKnow è un marchio di proprietà di InterSystems
Corporation. I marchi delle aziende menzionati nel presente documento sono di sola proprietà dei loro
rispettivi proprietari.
Analisi dei Big Data testuali - Esplorazione testuale della Big Untapped Data Source
1 Introduzione – Analizzare big data testuali
I big data per potenziare le capacità analitiche – I big data stanno rivoluzionando il mondo della
Business Intelligence e degli strumenti analitici. Gartner1 prevede che, durante tutto il 2016,
la spesa globale relativa ai big data si aggirerà sui 232 miliardi di dollari, Wikibon2 sostiene
che entro il 2017 le entrate relative ai big data arriveranno a 47,8 miliardi di dollari, mentre il
McKinsey Global Institue3 dichiara che i big data hanno il potenziale di generare un valore
pari a 300 miliardi di dollari nell’industria sanitaria statunitense e a 250 miliardi di euro nel
settore della Pubblica Amministrazione Europea.
La svolta dei big data arriva da innovativi sistemi di big data analytics. Per alcune aziende la
sfida principale è quella di analizzare enormi quantità di dati strutturati, soprattutto numerici:
si pensi ad esempio alle compagnie di carte di credito con milioni di titolari e miliardi di
transazioni, perennemente impegnate a individuare nuove tipologie di frode. Analizzare
enormi quantità di dati strutturati può richiedere nuove strategie e tecnologie software, ma
generalmente è un obiettivo realizzabile in modo facile e diretto.
Non tutti i big data sono strutturati però. Esistono big data di ogni formato e dimensione. Il
problema maggiore relativo ai big data è che una vasta porzione di essi spesso si trova in
forma di testo non strutturato. Si pensi a tutti i dati tipicamente generati o utilizzati negli affari
– e-mail, documenti, trascrizioni vocali delle chiamate dei clienti, appunti presi durante
conferenze, e altro. La maggior parte di questi dati è in formato testo non strutturato. Anche
nei settori dominati da dati numerici, i testi abbondano. Per esempio, nell’attività bancaria, i
bilanci e le attività di prestito sono dati ben strutturati, ma per capire un prestito, per esempio, è
necessario leggerne il relativo fascicolo che include corrispondenza, valutazioni scritte e
appunti di ogni telefonata e incontro. Per poter valutare il rischio in un portafoglio prestiti è
necessario leggere e capire ogni singolo file relativo a quei prestiti.
Nell’ambiente medico, esistono molte fonti di dati strutturati, come i risultati di esami ed
analisi nel tempo e i coded fields (campi codificati). Tuttavia, alcuni dei dati più
importanti si trovano tra gli appunti testuali del medico: le sue impressioni, cosa ha
appreso dalle conversazioni con il paziente, come è giunto a una determinata diagnosi o
perché ha ordinato determinati esami, cosa ha dedotto dai risultati degli esami, e così via.
Nella maggior parte degli ambienti clinici più importanti questi inestimabili appunti
comprendono grandi quantità di dati i quali, pur essendo sempre più spesso digitalizzati,
raramente vengono analizzati.
Analizzare Dati Testuali - Sono sempre esistiti metodi all’avanguardia per l’analisi dei dati non
testuali. Praticamente ogni impresa sa come trasformare i propri dati strutturati, raccolti
nel corso degli anni durante le proprie attività aziendali, in importanti informazioni su cui
basare il proprio business. Svariati sono gli strumenti di analisi e reporting disponibili sul
mercato a questo scopo. Certamente, questi strumenti e algoritmi a volte devono essere
modificati in qualche modo perché processino più velocemente i big data (per esempio,
può essere necessario usare una tecnica in-memory e un hardware dedicato), ma gli
algoritmi rimangono gli stessi e sono ben noti.
1
Gartner, Ottobre 2012, vedi http://techcrunch.com/2012/10/17/big-data-to-drive-232-billion-in-it-spending-through2016/
2
Wikibon, Big Data Vendor Revenue and Market Forecast 2012-2101726 Agosto 2013, vedi
: http://wikibon.org/wiki/v/Big_Data_Vendor_Revenue_and_Market_Forecast_2012-2017McKinsey Global Institute, Big Data: The
Next Frontier for Innovation, Competition, and Productivity, Giugno 2011; vedi
: http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation
1
Analisi dei Big Data testuali - Esplorazione testuale della Big Untapped Data Source
Ma cosa succede a tutti i dati testuali raccolti nelle e-mail, nei sistemi di gestione dei
documenti, nei registri dei call center, nelle trascrizioni dei messaggi istantanei e nelle
trascrizioni delle chiamate vocali dei clienti? E cosa dire dei dati testuali esterni, come i blog,
i tweet, i messaggi Facebook e i siti informativi? Nella massa di dati testuali creati ogni
giorno si nasconde una vera marea di informazioni. La sfida per molte imprese oggi è dunque
quella di estrarre da questa montagna di dati informazioni preziose per il business che
permettano loro, per esempio, di ottimizzare i processi aziendali, migliorare il livello
dell’assistenza clienti offerta, personalizzare i propri prodotti e migliorare lo sviluppo di
nuovi prodotti.
Questo documento ha lo scopo di delineare i benefici e le sfide dell’analisi dei big data
testuali. Esso tratterà inoltre della tecnologia InterSystems iKnow™, che offre un modo più
semplice e rapido per accedere alle informazioni contenute nei dati testuali.
2 Big Data Testuali: The Big Untapped Data Source – Una fonte immensa di dati non
sfruttati.
Le ragioni per Analizzare i Big Data Testuali – Praticamente tutti i settori di attività possono trarre
vantaggio dall'analisi dei dati testuali, in special modo quelli in cui immagazzinare testo è
fondamentale per il business, come la pubblicità, l'assistenza sanitaria, l'ambito legale, quello
farmaceutico, l'editoria e i beni immobili. Ad esempio, un ospedale può essere interessato ad
analizzare la descrizione scritta da uno specialista e inclusa nella cartella di un paziente per
rilevare i pattern delle reazioni allergiche a certi medicinali. Un'azienda di elettronica può
voler analizzare i messaggi su Twitter per scoprire se i propri prodotti vengono menzionati e
se i tweet che li riguardano sono positivi o negativi (pratica comunemente denominata
“sentiment analysis”). Le trascrizioni dei registri dei call center possono essere analizzate per
determinare se è possibile identificare le domande più frequenti, o se nelle settimane
precedenti determinati prodotti sono stati menzionati più spesso del solito o in contesti
diversi dal solito.
Cosa significa esattamente analizzare un testo? – Non abbiamo bisogno di “analizzare” un testo se
vogliamo soltanto sapere quante parole contiene un certo documento o quanto spesso vi
ricorre una certa parola. Questo può essere determinato da un semplice algoritmo puramente
matematico. Ma se cercassimo invece risposte a domande più complesse, quali:







Con quale frequenza determinati sintomi e farmaci appaiono associati nelle cartelle dei
pazienti?
L’opinione contenuta in un testo è positiva o negativa, e a quali concetti si applicano
queste opinioni?
Quanti testi riguardano il fallimento della Banca X?
Quanti testi ogni mese hanno a che fare con la neurochirurgia?
Quali concetti sono più spesso associati, nei testi, al concetto di frode di carta di credito?
Quale libro, rispetto agli argomenti trattati, è più simile a “Gods and Generals” di Jeff
Shaara, e quale invece si differenzia di più da esso?
Come possiamo identificare le caratteristiche delle chiamate dei clienti che sono risultate
in aumento?
Queste domande sono molto più difficili da gestire. Ad esempio, come determiniamo se un
testo contiene un’opinione positiva? Come possiamo “misurare” la differenza tra il contenuto
di due libri? Questo è il tipo di domande per cui viene utilizzata l’analisi testuale.
2
Analisi dei Big Data testuali - Esplorazione testuale della Big Untapped Data Source
Analizzare un testo può anche essere definito come ricavare dati strutturati da un testo non
strutturato. Per esempio, se un testo viene analizzato per capire se sia positivo o negativo, il
risultato sarà un valore strutturato: sì o no. Anche le risposte alla prima e alla quarta
domanda qui sopra danno origine a dati strutturati. Il vantaggio di ricavare dati strutturati
è dunque che, una volta ottenuti, questi dati possono essere facilmente combinati con
altre fonti di dati strutturati ed elaborati tramite algoritmi noti.
L’indice e il thesaurus - Storicamente, i primi passi nello sviluppo della comprensione dei
testi si basavano sull’indicizzazione. Indicizzare un testo significa selezionare in un
documento i termini che forniscono indicazioni sufficienti sull'argomento del testo stesso,
per fare in modo che questo documento possa poi essere ritrovato usando una specifica
query.Tuttavia, l'indicizzazione ha i suoi limiti. Per prima cosa, sviluppare un indice
richiede un notevole dispendio di tempo nella ricerca delle parole da indicizzare. In
secondo luogo, se non vengono indicizzati i termini giusti, può succedere che non
vengano trovati testi importanti e rilevanti o che vengano trovati testi sbagliati.
In passato, per superare i problemi legati all’indicizzazione, è stato introdotto il concetto di
"thesaurus". Nel thesaurus vengono definite le relazioni tra i termini. In un certo senso
dunque, esso può essere considerato come un indice intelligente. Utilizzando un thesaurus
si trovano serie di testi più rilevanti fra loro. Ma anche creare e gestire un thesaurus
richiede un certo dispendio di tempo, anche perché esso dovrà essere costantemente
aggiornato man mano che vengono introdotte nuove parole o nuovi domini, e così via.
Il lavoro preliminare – La maggior parte degli strumenti per l'analisi testuale richiede un
notevole lavoro preliminare, come la creazione di thesaurus. Tali strumenti sono pertanto utili
soltanto se c’è abbastanza tempo per questo tipo di preparazione. Cosa succede se spunta una
domanda urgente che non è stata prevista nel thesaurus? Oppure se arrivano nuovi testi per
l’analisi e le domande devono essere poste subito?
Inoltre, nella maggior parte degli strumenti di analisi testuale, l’obiettivo dell'analisi deve
essere ben chiaro sin dall’inizio. In altre parole, lo strumento è guidato dall’analista. Ad
esempio, la tecnologia di ricerca richiede che prima di tutto vengano inserite una o più
parole. Un altro esempio si ha quando si analizzano cartelle cliniche per indagare sugli
effetti che determinati farmaci hanno sui pazienti affetti da diabete. Come si può
immaginare, può essere necessario utilizzare un thesaurus differente quando invece lo
scopo sarà quello di cercare pattern negli effetti collaterali post operatori, anche qualora
vengano analizzate le cartelle dello stesso paziente. Limitando la libertà analitica, il
thesaurus limita di conseguenza i potenziali risultati.
3 Esplorare i big data testuali senza fatica
L’impiego dell’analisi testuale oggi – Le organizzazioni possono ricavare grossi benefici
dall’analisi dei dati testuali. Sfortunatamente però la maggior parte di esse ne fa ancora un
utilizzo molto superficiale, perdendo così importanti opportunità.
Una delle ragioni principali per cui le imprese non hanno ancora incominciato a sfruttare
pienamente i loro big data è che gran parte degli strumenti e delle tecnologie per l'analisi
testuale richiede un dispendioso lavoro preliminare. Prima che si possa procedere con una
qualsiasi attività analitica, è necessario sviluppare indici, thesauri e ontologie.
La Necessità di Esplorare il Testo – L’analisi deve essere in grado di rispettare i tempi del
business. Per le analisi testuali, questo significa che la tecnologia necessaria deve permettere
al testo di essere analizzato senza il bisogno di compiere tutto quel lavoro preliminare.
3
Analisi dei Big Data testuali - Esplorazione testuale della Big Untapped Data Source
Questa forma di analisi testuale è chiamata “esplorazione del testo”.
L’ambiente ospedaliero costituisce un ottimo esempio di realtà in cui può essere
implementata l'esplorazione del testo. Immaginiamo che un paziente venga portato al Pronto
Soccorso. Se i medici devono agire in fretta, probabilmente non avranno il tempo di leggere
l’intera cartella clinica. Quello che serve loro è un riassunto che mostri tutti gli aspetti
fondamentali relativi a quel paziente. È diabetico? Soffre abitualmente di pressione alta?
Quali tipi di farmaci assume? E’ già stato qui in precedenza? Per ottenere queste informazioni
è necessaria un’analisi testuale sul momento. L’analisi, inoltre, non deve richiedere la guida
dell’operatore perché i medici potrebbero non sapere nulla su questo paziente, pertanto la
tecnologia analitica dovrà fare in modo che sia lo strumento a guidare il medico, e non il
contrario.
Un altro esempio è l’analisi dei tweet. Ogni giorno vengono inventate nuove parole
(acronimi in molti casi) e hash tag. Sarebbe impossibile aggiornare costantemente un
thesaurus che li includa tutti. Inoltre, chi ha il tempo per svilupparne uno?
Esistono molte situazioni in cui non c’è tempo per tutto questo lavoro preparatorio. Ecco che
in tutti questi casi, per ottenere le informazioni desiderate, si rende necessaria l’esplorazione
del testo.
I tre requisiti per l’esplorazione del testo – Per riassumere, l’esplorazione del testo è una forma
di analisi testuale che soddisfa i tre requisiti seguenti:
Nessuna preparazione necessaria: non deve essere necessario sviluppare thesauri o
ontologie prima di avviare l'attività di analisi. L'analisi può iniziare subito e senza alcuna
preparazione anche se il testo riguarda un nuovo dominio.
Unguided analysis (L’Analisi non richiede la guida dell’utente): gli analisti dovrebbero
essere in grado di ricorrere alla tecnologia di analisi del testo senza dover specificarne lo
scopo in anticipo. La tecnologia di analisi deve dunque essere in grado di analizzare il testo
senza richiedere la guida dell’utente.
Self-service: gli analisti devono essere in grado di ricorrere all’analisi del testo senza l’aiuto
di esperti di informatica, anche se la connessione dello strumento a fonti di dati particolari
può richiedere una certa assistenza.
4 Tecnologia iKnow di InterSystems per l’analisi testuale dei big data
L’approccio classico all’analisi testuale – Gli strumenti di analisi testuale generalmente cercano
di identificare i concetti importanti delle singole frasi. Ad esempio, nella frase “Il mercato
della enterprise search viene rimodellato in base a nuove esperienze di consumo”, i
concetti chiave sono “mercato della enterprise search” e “esperienze di consumo”. La
maggior parte degli strumenti di analisi testuale cercano di individuare questi concetti
basandosi sulle singole parole, vale a dire, in questo caso, “consumo”, “enterprise”,
“esperienze”, “mercato” e “search”, che vengono considerate i concetti chiave di questo
testo.
Alcuni strumenti cercano espressioni composte da due o anche tre parole. Con questo tipo di
approccio tuttavia, può succedere che parole che non dovrebbero essere collegate appaiono
invece collegate. Prendiamo come esempio la frase seguente: “ Michael Phelps batte un
record mondiale”. Se vengono identificate espressioni di due parole, il risultato contiene i
concetti “Michael Phelps” e “Phelps batte”. Ora, se il primo è probabilmente utile, il secondo
4
Analisi dei Big Data testuali - Esplorazione testuale della Big Untapped Data Source
non lo è. E se cercassimo tutte le espressioni di due parole nella prima frase, otterremmo
“enterprise search” e “mercato della ricerca”, ma non “mercato della enterprise search”.
Questo approccio classico non garantisce dunque che le parole che sono legate l’una all’altra
formino il giusto concetto.
Inoltre, per interpretare giustamente le frasi, gli sviluppatori devono creare thesauri e
ontologie. Tutto ciò può comportare un notevole sforzo e richiedere conoscenze specifiche
nel dominio in questione. E’necessario creare un nuovo thesaurus e una nuova ontologia per
ogni nuovo dominio. Nella maggior parte dei casi, questo processo non ha mai fine, poiché
l’uso delle parole cambia nel corso del tempo: si introducono nuovi termini e il significato
delle parole può cambiare. Come esempio prendiamo i tweet – ogni giorno vengono creati
nuovi importanti hash tag. Vengono introdotti nuovi termini anche nell’ambito della Business
Intelligence. Chi aveva mai sentito parlare di “big data” prima di qualche anno fa?
Strategia di analisi del testo InterSystems – L’approccio di InterSystems all’analisi testuale è
molto diverso da tanti altri. InterSystems ha introdotto una nuova tecnologia – chiamata iKnow
– che divide il testo in frasi che poi vengono divise a loro volta in concetti e relazioni. Lo
scomponimento delle frasi viene effettuato identificando prima di tutto le relazioni presenti
in una frase. I verbi possono rappresentare la relazione tra i concetti all’interno di una frase,
ma anche altre strutture linguistiche possono indicare relazioni.
Identificando le relazioni all'interno di una frase, iKnow ha una maggior possibilità di
trovare il concetto desiderato. Per esempio, nella frase “Il programmatore ha trovato dei
bug”, iKnow considera il verbo “ha trovato” come una relazione che separa i concetti
“programmatore” e “bug”. In iKnow questa viene chiamata sequenza concetto-relazioneconcetto (CRC). Si tenga presente che iKnow scarta automaticamente le stop word
irrilevanti in una frase, come “il”, “e”, “un”.
Come già detto, anche altri elementi linguistici possono indicare una relazione. Ad esempio,
nel frammento di frase “I mammiferi, come gli elefanti e i leoni...” esiste una relazione tra
“mammiferi” ed “elefanti” e tra “mammiferi” e “leoni”. Un altro esempio può essere la frase
“Mi piace la macchina nella concessionaria”. Qui, la parola “nel” rappresenta una relazione
tra i concetti di “macchina” e “concessionaria”. iKnow è stato progettato per riconoscere i
diversi costrutti linguistici che possono indicare una relazione.
Se i concetti e le relazioni sono costituiti da più parole, iKnow li riconosce ugualmente. Ad
esempio, nella frase “Il mercato della enterprise search viene rimodellato in base a nuove
esperienze di consumo”, iKnow riconosce che la frase verbale “viene rimodellato in base a”
rappresenta la relazione tra i due concetti “mercato della enterprise search” e “nuove
esperienze di consumo”. Questo processo di identificazione di un’entità, rapido e
indipendente dal dominio specifico, scompone le frasi in strutture grafiche dove i concetti
sono legati gli uni agli altri tramite relazioni. Queste strutture grafiche insieme ai metadati e
alla metrica contestuali che iKnow raccoglie durante il processo possono poi essere
utilizzati per analisi avanzate all’interno di un testo o in un corpus di testi. iKnow non si
limita all’analisi di semplici frasi del tipo CC o CRC. Può gestire anche strutture
fraseologiche più complesse formate da vari CRC, quelle cioè che vengono chiamate
sequenze CRC.
Nota: la tecnologia iKnow di InterSystems supporta diverse lingue, incluse Olandese,
Inglese, Francese, Tedesco, Portoghese e Spagnolo. Giapponese e Russo sono in via di
sviluppo.
5
Analisi dei Big Data testuali - Esplorazione testuale della Big Untapped Data Source
Come la tecnologia iKnow di InterSystems risponde ai tre requisiti per l’esplorazione testuale –
iKnow risponde a tutti e tre i requisiti chiave per l’esplorazione del testo descritti nella
Sezione 3:

Nessuna preparazione necessaria: iKnow non richiede lo sviluppo di thesauri e
ontologie. Può analizzare testi appartenenti a domini o settori che non ha mai analizzato in
precedenza ed essere comunque in grado di trovare i concetti importanti.

Unguided analysis (l’analisi non richiede la guida dell’utente): iKnow non necessita
di un obbiettivo specifico. A differenza di altre tecnologie di ricerca, per esempio, non
richiede che sia inserito un termine di ricerca prima di analizzare il testo. iKnow può
analizzare un testo senza la guida di un operatore o secondo una logica bottom-up. Il
risultato può poi essere studiato dagli analisti, i quali potranno in questo modo indirizzare le
proprie ricerche di conseguenza.

Self-service: Gli analisti possono utilizzare InterSystems DeepSee™ per accedere a
tutte le caratteristiche analitiche di iKnow. DeepSee può essere categorizzato come una
tecnologia analitica self-service che permette agli utenti di sviluppare i propri report e
svolgere le proprie analisi senza l'aiuto di esperti informatici.
Utilizzo di iKnow con i big data – la tecnologia di InterSystems iKnow è incorporata a
InterSystems Caché®, un server database dalle alte prestazioni. Il motore di dati
multidimensionale di Caché è davvero unico, rendendo questo prodotto ideale per
immagazzinare, gestire e interrogare tutti i tipi di dati, inclusi quelli testuali. Le sue
prestazioni e la sua scalabilità sono state confermate dall’utilizzo in molti ambienti di big
data. Ogni applicazione basata su Caché può accedere a iKnow e quindi analizzare sia dati
di testo che strutturati.
5 Sommrio
Tutti concordano sul fatto che i big data siano in grado di accrescere le capacità
analitiche di un’organizzazione. In molti casi ciò comporta macinare enormi quantità di
dati altamente strutturati e principalmente numerici. In altre parole, fino ad ora ci si è
concentrati sull’analisi di dati non testuali altamente strutturati.
Tuttavia, nelle infinite fonti di dati testuali a disposizione quali e-mail, sistemi di
gestione dei documenti, registri dei call center, trascrizioni di messaggi istantanei e delle
chiamate vocali dei clienti, si nasconde una vera e propria marea di informazioni. Per
non parlare dei dati testuali esterni, come i blog, i tweet, i messaggi di Facebook e i siti
informativi.
Per la maggior parte delle imprese, queste fonti di dati testuali rappresentano ancora una
fonte di informazioni non sfruttata. La sfida per molte organizzazioni oggi è dunque quella di
estrarre da questa montagna di dati informazioni preziose per il business che permettano loro,
ad esempio, di ottimizzare i processi aziendali, migliorare il livello dell’assistenza clienti
offerta, personalizzare i prodotti e migliorare lo sviluppo di nuovi prodotti.
L’esplorazione del testo è una forma di analisi testuale che permette alle imprese di
analizzare dati testuali rispettando i tempi del business. Non sono necessari lavori
preliminari. Il testo può essere analizzato quando serve.
InterSystems iKnow è una tecnologia innovativa volta all’esplorazione del testo.
Permette alle imprese di analizzare i propri big data testuali per acquisire le informazioni
necessarie per il business.
6
Analisi dei Big Data testuali - Esplorazione testuale della Big Untapped Data Source
Note sull'Autore Rick F. van der Lans
Rick F. van der Lans è un analista indipendente, consulente, autore e docente
specializzato nello stoccaggio di dati, nella Business Intelligente, nella virtualizzazione
dei dati e nella tecnologia dei database. Lavora presso R20/Consultancy (www.r20.nl),
un’agenzia di consulenza che lui stesso ha fondato nel 1987.
Rick è il presidente della conferenza annuale European Business Intelligence and Enterprise
Data Conference (organizzata a Londra). Scrive per l’illustre B-eye-Network4 e altri siti
internet. Nel 2009, tramite numerosi articoli5, tutti pubblicati su BeyeNetwork.com,
introdusse l’architettura di Business Intelligence chiamata Data Delivery Platform.
Ha scritto vari libri su SQL. Il popolare “Introduction to SQL” 6, pubblicato nel 1987, fu il
primo libro in Inglese sul mercato interamente dedicato a SQL. Dopo più di vent’anni, questo
volume viene ancora venduto ed è stato tradotto in svariate lingue, tra cui Cinese, Tedesco e
Italiano. Il suo libro più recente7,"Data Virtualization for Business Intelligence Systems”, è
stato pubblicato nel 2012.
Per maggiori informazioni, vistare il sito www.r20.nl o mandare una mail a [email protected]. È
inoltre possibile mettersi in contatto con lui tramite LinkedIn o tramite Tweeter
@Rick_vanderlans.
Note su InterSystems Corporation
Fondata nel 1978, InterSystems Corporation è una software company privata con capitale
sociale di 446.000.000 dollari statunitensi, uffici in 25 Paesi e sede centrale a Cambridge,
Massachusetts. L’azienda fornisce la principale piattaforma per l'assistenza sanitaria integrata,
e i suoi prodotti innovativi sono largamente utilizzati in altri settori che richiedono software di
massima affidabilità e dalle altissime prestazioni. I clienti includono TD Ameritrade,
L'Agenzia Spaziale Europea, l'Associazione dei Veterani degli Stati Uniti d'America, il
Johns Hopkins Hospital, la Polizia del Belgio, la Mediterranean Shipping Company e
migliaia di altre organizzazioni e imprese di successo.
Aziende leader nella fornitura di applicazioni si avvalgono delle alte prestazioni e
dell’affidabilità della tecnologia avanzata di InterSystems per i rispettivi prodotti. Tra queste
organizzazioni troviamo Epic Systems, Fiserv, GE Healthcare, e centinaia ancora.
4
Vedi http://www.b-eye-network.com/channels/5087/articles/
Vedi http://www.b-eye-network.com/channels/5087/view/12495
6
R.F. van der Lans, Introduction to SQL; Mastering the Relational Database Language, quarta edizione,
Addison- Wesley, 2007.
7
R.F. van der Lans, Data Virtualization for Business Intelligence Systems, Morgan Kaufmann Publishers, 2012.
5
7