ANALYTICS 3.0 Breve storia della Data Analysis ad oggi

Filippo Ragazzo - 838696

Introduzione

I pionieri

Data and analytics are not just an adjunct to the business, but

THE BUSINESS ITSELF

Analytics

Analytics 1.0

Dalla metà degli anni ’50, al 2005.

Sorgenti di dati piccole e strutturate in sistemi interni La maggioranza delle attività di analisi era di report Creare modelli di analisi è un processo “batch” pesante Lavoro degli analisti indipendente da persone e decisioni Poca competizione fra le aziende di analisi Decisioni basate su esperienza ed intuizioni

Analytics 2.0

Dalla metà degli anni 2000.

Sorgenti di dati complesse, grandi, non strutturate Nuove capacità analistico-computazionali Si impone la figura del “Data Scientist” Alcune attività online creano prodotti e servizi data-based

Hadoop“Apache Hadoop is 100% open source, and pioneered a fundamentally new way of storing and processing data. Instead of relying on expensive, proprietary hardware and different systems to store and process data, Hadoop enables distributed parallel processing of huge amounts of data across inexpensive, industry-standard servers that both store and process the data, and can scale without limits. With Hadoop, no data is too big. And in today’s hyper-connected world where more and more data is being created every day, Hadoop’s breakthrough advantages mean that businesses and organizations can now find value in data that was recently considered useless.”

http://www.cloudera.com/content/cloudera/en/about/hadoop-and-big-data.html

Doug CuttingCEO di Cloudera

Analytics 3.0

Concetto attualissimo (per molti siamo ancora al 2.0).

Analisi necessarie per la sopravvivenza delle aziende Tempi rapidi Strumenti di analisi disponibili già in Point of Decision Tutti i business possono creare prodotti e servizi data-based

The most important trait of the Analytics 3.0 era is that not only online firms, but virtually any type of firm in any industry, can participate in the data economy.

Tom Davenport

General Electrics

2 miliardi di dollari investiti in software e analisi Focus principale su prodotti e servizi data-based 588 GB/giorno di dati sul monitoraggio delle turbine a gas

(circa 6 volte il volume giornaliero di tweet)

General Electrics - Datalandia

Schneider National

La Schneider National sta incrementando la raccolta dei dati tramite sensori per monitorare livello di benzina, localizzazione, capacità dei container, comportamento del conducente e altri indicatori chiave.A questi dati applica algoritmi di ottimizzazione logistica per migliorare volta per volta l’efficienza del tragitto in termini di velocità, prezzo della benzina e per ridurre gli incidenti.

P&G

Focus: decisioni real-time

Sentiment analysis real-time attraverso i social media

Decision cockpits

Sviluppo ibrido

E’ chiaro che lo sviluppo di Analytics 3.0 porta alla nascita di nuove architetture, ma l’utilizzo delle tecnologie esistenti per molte grosse organizzazioni non viene abbandonato.

Risulta, comunque, sempre più massiccio l’utilizzo di soluzioni

di analisi di big data (come Hadoop) in cloud e open-source.

Descriptive vs Predictive vs Prescriptive

Descriptive analytics: Report sul passato Predictive analytics: Uso di modelli basati sui dati del

passato per predire il futuro ("you basically take data that you have to predict data you don't have”)

Prescriptive analytics: Uso di modelli per individuare comportamenti ottimali o azioni migliori da intraprendere

Analytics 3.0 li include tutti, ma pone l’accento sulla prescriptive analytics.

Problemi

Intensificazione del lavoro di data science Privacy Complessità dei big data Integrazione

Sommario

Risorse http://www.winshuttle.com/big-data-timeline/

http://www.cloudera.com/content/cloudera/en/about/hadoop-and-big-data.html

http://www.ge.com/datalandia/

http://mondodellericerche.wordpress.com/2013/04/09/un-cockpit-per-orientarci/