La digitalizzazione ha trasformato i sistemi produttivi delle aziende. Le fabbriche dell'Industria 4.0 sono passate a strumenti di lavorazione intelligenti, in grado di connettersi in rete e di raccogliere una quantità notevote di dati. Dunque i Big Data, grazie ai quali le imprese possono tenere sotto controllo in tempo reale i diversi settori produttivi, risparmiando tempo e denaro. I Big Data sono utili anche per fare previsioni e ridurre il rischio aziendale. Ma devono essere letti per essere utilizzati e quindi risolvere i problemi e migliorare la produzione. Dunque gli Smart Data, ovvero i Big Data trasformati da un semplice cumulo di cifre in elementi di valore, utili. Di Industria 4.0, di Big Data e di Smart Data si parlerà anche al Data Driven Innovation 2018, in programma 18 e 19 maggio all'Università Roma Tre.
LEGGI ANCHE: Data Driven Innovation, due giorni a Roma per gli stati generali dei dati
La fonte siamo noi
I Big Data e quindi gli Smart Data non entrano solo nei processi produttivi e nella massimizzazione dei risultati aziendali. Sono il centro di sviluppo dell'economia digitale e sono già dentro le nostre vite e siamo noi la fonte: carte di credito, smartphone, tv e altri device. Qualche numero? In questo minuto sono state visualizzate 60 ore di contenuti, scritti più di 300.000 tweet 9 milioni di telefonate 200 milioni di e-mail. I dati sono della Società di Consulenza JEME Bocconi Studenti e risalgono a settembre scorso.
Big Data analytics
Dunque, si calcola che dal 2015 al 2017 siano stati prodotti circa un miliardo di byte. Dati grezzi. Tanti. Che vanno quindi letti e analizzati. Prima di tutto vanno estratti. Il procedimento si articola in 4 fasi, gestite da algoritmi: data collection, data management, data science e data visualization. All’impresa spetta il compito di individuare, tra questo enorme insieme, quali informazioni estrapolare. Non tutti i dati aggregati, infatti, sono necessari. Senza un approccio intelligente, i Big Data rischiano di restare un ammasso di informazioni senza nessun valore. Come risulta da un'analisi dell'Osservatorio Big Data Analytics e Business Intelligence del Politecnico di Milano, utili a questo scopo possono risultare le tecniche di Descriptive Analysis, Predictive Analysis, Prescriptive Analysis e Automated Analysis. Le 4 tecniche sono alla base dei Big data analytics, appunto il processo di raccolta e analisi dei Big Data.
Il mercato dei Big Data analytics
Secondo i numeri dell'Osservatorio del Politecnico di Milano, nel 2017 il mercato Big Data Analytics in Italia ha raggiunto il valore di oltre 1,1 miliardi di euro, con un tasso di crescita del 22%. Gran parte di questo mercato è trainato dalle grandi imprese (sopra i 250 addetti), che sono responsabili dell’87% della spesa complessiva, mentre le PMI si fermano al 13%. Gli Osservatori Digital Innovation del Politecnico di Milano, nel 2017, hanno identificato e analizzato 234 startup attive nel mercato Big Data Analytics. Il 54% delle startup censite offre un orientamento specifico, ovvero una soluzione pensata per un particolare settore o per l’utilizzo da parte di una particolare funzione aziendale. Di queste, il 33% è focalizzato su uno settore, mentre il 67% su una funzione.
Lo scienziato dei Dati
Il Data Scientist è la figura professionale che comunemente si associa alla capacità di gestire i Big Data e trarne informazioni rilevanti. Negli ultimi anni questa figura sta ottenendo sempre più un riconoscimento formale all’interno delle imprese. Nelle sezioni dedicate al recruiting presenti nei siti istituzionali delle organizzazioni, è sempre più frequente imbattersi in una richiesta di assunzione di un Data Scientist, a testimonianza del fatto che c'è un’attenzione notevole a questo tipo di figura. Per molti è il mestiere del futuro. Per altri è già quello del presente.
