Big Data - I quattro luoghi comuni che possono compromettere l’attività

[MassimilianoG]

Dall’articolo These 4 Big Data Myths Could Be Hurting Your Business

“Credere che tutto ciò che riguardi i big data sia grande non è un modo di pensare corretto”. Questo sostiene Ken Rudin, direttore analytics di Facebook.

Il passaparola sul data processing nel Cloud ha convinto molti responsabili IT ad investire di più sulle soluzioni di calcolo; tuttavia, esistono anche soluzioni alternative molto più accessibili di quanto si possa immaginare. Ecco quattro tipici luoghi comuni sulla Business Analytics.

1: Big Data significa grandi quantità di informazioni da mettere in archivio

Non esiste una quantità “ideale” di dati da analizzare. Anche se le informazioni sono state appena raccolte, non è necessario aspettare per utilizzarle. Infatti, raramente le aziende elaborano grandi quantità di dati tutti in una volta. Per la maggior parte dei processi è sufficiente accedere a una piccola porzione di dati per ricavare spunti utili. Ponendosi le domande giuste si possono ottenere molti risultati. Per questo si possono fare anche delle piccole query, utilizzando database anche di piccola scala.   

2: È utile solo per la personalizzazione

Aziende come Facebook utilizzano i Big Data per decidere quali tipi di annunci mostrare agli utenti, ma non si tratta di una semplice tecnologia di tipo “just the right thing”. Infatti, le analitiche sono soprattutto utili per rispondere a domande specifiche relative a un comportamento di un cliente che lascia perplesso e che potrebbe essere il sintomo di un problema di fondo all’interno dell’azienda. Questo si manifesta particolarmente nei mercati molto affollati, dove i proprietari di prodotto devono analizzare tutto nel tentativo di ridurre il time-to-value dell’utente.   

3: Abbiamo bisogno di un grande “data team”

Da una prospettiva di progettazione organizzativa, sono gli addetti ai dati aziendali quelli che dovrebbero condividere processi, definizioni e cultura. Ma in realtà basterebbe che tutti gli individui all’interno dell’azienda interagissero tra di loro, che si parli di business, di prodotto o di ricerca e sviluppo. Mettere insieme i data scientist con gli altri team consente maggiore assorbimento delle conoscenze del lavoro deli esperti di dominio, che più di tutti hanno bisogno di input, creando una collaborazione che permette di evitare inutili tentativi o errori.

4: Abbiamo bisogno di tecnologie potenti per avere una risposta

Una delle tecnologie più promettenti oggi utilizzate è il machine learning, in grado di riprodurre il giudizio umano in funzioni ordinamento, spulciando tra milioni di email per la ricerca di un indizio. Ma solo dopo aver determinato quali sono le cose da sapere, le aziende iniziano implementare flussi di lavoro di machine learning. I Big Data diventano inutili se nessuno si preoccupa di cercare delle risposte. Un modo semplice per essere sicuri di utilizzare le analitiche intelligentemente è iniziare a fare statistiche semplici. Qualcuno esperto di affari può caricare un insieme di dati su Microsoft Excel, eseguire un’analisi di regressione base e rivelare le cause o le previsioni insieme al proprio team e fornendo ai data scientist una migliore idea su dove andare a scavare per entrare più a fondo su una determinata questione.