Big Data e Analytics

I Big Data Analytics garantiscono un vantaggio competitivo consentendo di identificare informazioni e correlazioni nascoste o comunque non immediatamente visibili che possono rappresentare un valore importante per le aziende.
L’importanza dei Big Data e degli strumenti di analisi correlati è un messaggio che viene oramai da tempo mandato agli operatori del manufacturing. Ma per molte organizzazioni, soprattutto le piccole e medie aziende, resta ancora non chiaro come le operazioni si svolgono e soprattutto quali, a partire dal concetto generale di  BigData Analytics, le differenze tra Descriptive Analytics,Predictive Analytics, Prescriptive Analytics, per non parlare di AI-enhanced Analytics.
 
I Big Data, in primis
Essenzialmente i Big Data sono quel “large volume of data”, sia strutturati che non strutturati, che, usando un eufemismo, “inondano” un’azienda o un comparto di business. Per dati non strutturati, o destrutturati, si intendono dati eterogenei, che rispecchiano la “eterogeneità” della realtà, considerando che  maggiore è l’aderenza alla realtà,  maggiore la possibilità di trasformarli in conoscenza reale, per ottenere  efficienza, di ottimizzazione dei processi e sviluppo di nuovi prodotti e servizi. Non per nulla la funzione centrale dei Big Dataè quella di fornire la miglior rappresentazione possibile della realtà attraverso i dati. Detto diversamente, i dati non strutturati hanno una loro struttura interna ma non secondo uno schema predefinito, e possono essere testuali o non testuali, generati dall’uomo o da una macchina. Come esempi: file di testo, email, social media data, audio, video, dati generati da sensori. Rispetto ai dati strutturati sono più difficili da analizzare, ma sono disponibili specifici analytics, molti basati su machine learning, senza i quali informazioni di grande valore andrebbero perse. I dati strutturati, che risiedono usualmente in database relazionali, prevedono una struttura che li rende molto più facilmente indagabili, sia tramite queries da operatore che tramite algoritmi Tra le due tipologie si pongono i dati semi-strutturati caratterizzati dalla presenza di mark e tag interni che identificano elementi di dati separati, permettendo raggruppamenti e organizzazioni gerarchiche. Tornando al contesto generale, la prima definizione di Big Data risale probabilmente a 2001 ad opera della società di ricerche di mercato Gartner: dati che contengono una grande varietà, che arrivano in grandi volumi e che si generano a grande velocità.
I Big Data Analytics
I recenti sviluppi tecnologici hanno esponenzialmente ridotto il costo dello storage e dell’elaborazione, rendendo più semplice ed economico memorizzare grandi quantità di dati da cui estrarre informazioni per decisioni strategiche. Trovare valore nei Big Data non significa solo analizzarli, dato che un completo ed efficace processo di ricerca richiede anche il porre le giuste domande, riconoscere i pattern e predire tendenze, e questo è sempre compito dell’uomo, con il supporto indispensabile dei Big Data Analytics che permettono il realizzarsi di uno scenario “data driven”. Da un punto di vista funzionale, il termine “big data analytics” si può intendere come il processo con cui si esamina un ampio data set contenente un’altrettanto ampia varietà di tipologie di dati, per scoprire modelli nascosti, correlazioni sconosciute, preferenze dei clienti, trend di mercato, e altre informazioni utili per orientare un business. Come evidenziato in premessa, probabilmente per molte organizzazioni, soprattutto le PMI, non è ancora chiara la differenza e il focus delle diverse possibili analisi ed è il momento di entrare in argomento. Si può iniziare con l’Analisi Descrittiva (Descriptive Analytics), costituita da tutti quei tool che consentono di rappresentare e descrivere anche graficamente la realtà di specifiche situazioni o processi, tipo i processi industriali. Come focus, la Descriptive Analytics permette la visualizzazione grafica dei livelli di performance. L’Analisi Predittiva (Predictive Analytics) è invece basata su soluzioni che permettono un’analisi dei dati con l’obiettivo di creare scenari futuri di sviluppo. Primariamente è da considerarsi come un “data mining” che, integrato con specifici algoritmi e tecniche analitiche, ha come obiettivo quello di determinare i risultati potenziali sulla base di trend e modelli desunti dai dati storici. In ambito manufacturing da evidenziare la possibilità di monitorare le attrezzature produttive e utilizzare i dati disponibili per predire futuri malfunzionamenti come informazione di base per una manutenzione predittiva. Unitamente a una riduzione dei costi operativi, l’analisi predittiva può ottimizzare le performance della supply chain, soprattutto come velocizzazione dei tempi di fornitura all’utente finale. L’Analisi Prescrittiva (Prescriptive Analytics) è da riferirsi a strumenti in grado di associare l’analisi dei dati alla capacità di assumere e gestire processi decisionali, quindi tool  che mettono a disposizione indicazioni strategiche o soluzioni operative basate a partire sia dall’analisi descrittiva che da quella predittiva. Considerando il precedente riferimento ai risultati potenziali determinati per via predittiva, con l’Analisi Prescrittiva si viene quindi informati su quali azioni di conseguenza intraprendere, rendendo disponibile una quantificazione degli effetti di future decisioni. Questa analisi utilizza una combinazione di tecniche e strumenti, tra cui business rules, algoritmi, machine learning e procedure di modellizzazione computerizzate. Nello specifico del manufacturing l’analisi prescrittiva può senz’altro avere un positivo impatto su tutte le fasi della progettazione e del ciclo di vita di un prodotto. In particolare diventa possibile raccogliere tutti i dati relativi alle operazioni manifatturiere, dati che sono raramente analizzati se non per un miglioramento di prestazioni, e trasformarli in una utile fonte di informazioni per una “operational intelligence”, per potenziare il processo di produzione. Infine la AI-enhanced analytics: mentre l’analisi prescrittiva suggerisce la migliore azione da intraprendere, questa analisi mette a disposizione risposte realtime basate su una vasta quantità di Big Data, riducendo la necessità di intervento umano. Si ha, in dettaglio, una combinazione tra capacità avanzate di analisi con funzionalità specifiche dell’intelligenza artificiale, quali machine learning e riconoscimento di linguaggio naturale. Una soluzione AI-enhanced Analytics, tra l’altro, è in grado di diventare sempre più accutata nel tempo, essendovi un apprendimento continuo, comportamento caratteristico dei sistemi AI.