Paolo Pasini BIG DATA: dalla “Big Survey” al posizionamento

Transcript

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
& 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
(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)
& SDA Bocconi
e-Survey: “Big Data: le nuove frontiere
della conoscenza aziendale”
5
È un fenomeno di management, non solo di ICT!
& 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
BI & Analytics, DB
platform
Cloud services
Management
culture and
capabilities;
New Skills
Big Data Framework
& SDA Bocconi
LA RICERCA “BIG DATA”
7
& 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
La ricerca
& 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
15%
12%
3%
& 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
& 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
Big Data nella sua azienda?
& 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
2%
Risk manager
8%
Quale Executive … il Cio ma non da solo!
& SDA Bocconi
data, 2012)
13
What Business Managers think: una ricerca Global
& 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
BI/Analytics Organization
& 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
& 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%)
Enabler organizzativi dei Big Data
& 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
1,50
2,00
2,50
3,00
Enabler tecnologici dei Big Data
3,50
4,00
4,50
5,00
& SDA Bocconi
data, 2012)
18
What Business Managers think: una ricerca Global
& SDA Bocconi
CASI PIONIERI E
CASI DI ECCELLENZA
19
& 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
INFORMAZIONI E RECLAMI
AL CONTACT CENTER
DATI NON
STRUTT.
Un esempio di BIG DATA: velocity, variety, volume.
I vettori di conoscenza del consumer
& 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)

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)

streaminig data)


analysis)

Vestas (wind turbine positioning)

Asian health Bureau (patient
images analysis in rural
telemedicine)

analysis)

Asian Health Bureau (patient
images analysis in rural
telemedicine)
21

Hertz (content analytics)


Battelle (RT and DWH smart grid
data analysis)



Asian Telco (network monitoring e
processo di billing)

Mutiutility italiana (RT power
network analysis and predictive)

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)

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)


Mediaset (social analytics; virtual
customer profile analysis)

California (RT Twitter data analysis
for political aims)
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
Alcuni commenti generali
& 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
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
& 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
Casi di analisi dei processi aziendali core
& 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)


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

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
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)


Mediaset (social analytics; virtual
customer profile analysis)

MobyLines (RT customer profiling and
custom content delivery)
Insight sui
documenti core
dematerializzati
Telecom (service level monitoring)
streaminig data)


Insight per
Strategie future,
scenari

University of Southern California(RT
Twitter data analysis for political aims)


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
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
Alcuni commenti generali
& SDA Bocconi
Risultati
Annenberg Innovation Lab
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
Casi di Intangible Business Value
& 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
Casi di Potential Revenue Increase
& 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
Casi di Potential Revenue Increase
& SDA Bocconi
RECOMMENDATIONS
31
& 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
Recommendations
& 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
Recommendations
& SDA Bocconi
A quick start Methodology to discover
Big Data Value
2 – 4 Weeks
Proof of
Concept
34
& SDA Bocconi

Paolo Pasini BIG DATA: dalla “Big Survey” al posizionamento

Transcript

Documenti analoghi

Facciamo il punto: come evolve il tema della flessibilità

Trasporti aziendali IBM da Aeroporto Linate a IBM (Segrate) e

IBM acquisisce Ounce Labs per aumentare la sicurezza del software

invito - Luigi Guatri

La verifica delle vulnerabilità applicative

CV Zattoni - Trentino Famiglia

il dirigente - Città di Ciampino

Save PDF - SDA Bocconi School of Management

Alfabetizzazione informatica: esperienze di IBM nelle Università

Ai Dipendenti ASIRobicon S.p.A Oggetto: High Voltage Engineering