Big Data
Cosa sono e perché sono importanti
Big data è un termine che descrive un grande volume di dati, strutturati e non strutturati, che inonda l'azienda ogni giorno. Ma non è la quantità di dati ad essere importante: ciò che conta veramente è quello che l'azienda fa con i dati. I big data, per contare qualcosa, devono essere analizzati alla ricerca di informazioni di valore che portino a decisioni aziendali migliori e a mosse strategiche di business.
La storia dei Big Data
Il termine "big data" si riferisce a dati informatici così grandi, veloci o complessi, difficili o impossibili da elaborare con i metodi tradizionali. L'accesso e la memorizzazione di grandi quantità di informazioni su cui effettuare analisi sono attività disponibili da molto tempo. Ma il concetto di big data ha acquisito uno slancio solo all'inizio degli anni 2000, quando l'analista di mercato Doug Laney ha articolato l'attuale definizione di big data come "le tre V":
Volume: le organizzazioni raccolgono dati da diverse fonti, tra cui transazioni commerciali, dispositivi intelligenti (IoT), apparecchiature industriali, video, social media e altro ancora. In passato i costi relativi all'archiviazione sarebbero stati un problema ma oggi è decisamente più accessibile, grazie a piattaforme come i data lakes e Hadoop.
Velocità: con la crescita dell'Internet delle Cose, i flussi di dati verso le imprese devono essere gestiti in modo tempestivo e a una velocità senza precedenti. Tag RFID, sensori e contatori intelligenti hanno portato la necessità di gestire questi fiumi di dati in tempo quasi reale.
Varietà: I dati sono disponibili in tutti i tipi di formati, dai dati strutturati e numerici nei database tradizionali, ai documenti di testo non strutturati, e-mail, video, audio, dati di stock e transazioni finanziarie.
Per SAS è necessario considerare due dimensioni aggiuntive quando si tratta di big data:
Variabilità:
Oltre a crescere in velocità e varietà, i flussi di dati sono imprevedibili, per cui cambiano spesso e variano di continuo. Sono la vera sfida per tutte quelle aziende che hanno bisogno di sapere quando qualcosa sta facendo tendenza sui social media e come gestire i picchi di dati giornalieri, quelli stagionali o basati sugli eventi.
La veridicità:
La veridicità si riferisce alla qualità dei dati. Poiché i dati provengono da così tante fonti diverse, è difficile collegare, abbinare, pulire e trasformare i dati tra i sistemi. Le aziende hanno bisogno di collegare e correlare relazioni, gerarchie e collegamenti tra i dati. In caso contrario potrebbero andare rapidamente fuori controllo.
Ottimizzare la produzione con i big data analytics
In USG Corporation l'utilizzo combinato dei big data con l'analisi predittiva è la chiave per comprendere appieno come sono fatti i prodotti e come funzionano. In un mercato con una concorrenza globale così competitiva, industrie come USG conoscono l'importanza di creare prodotti di alta qualità ad un prezzo accessibile. Grazie alla SAS Platform, USG ha ottimizzato i propri investimenti. I risultati? migliore qualità del prodotto e del time-to-market.
Perché i big data sono importanti?
L'importanza dei big data non ruota intorno alla loro quantità ma al loro utilizzo. Ad esempio, è possibile accedere ai dati provenienti da qualsiasi fonte, analizzarli e trovare risposte che consentano 1) di ridurre i costi, 2) di accorciare le tempistiche, 3) di sviluppare nuovi prodotti e ottimizzare le offerte e 4) di prendere decisioni più smart. Con la combinazione di big data e analytics, infatti, si possono ottenere risultati di business come:
- Determinare le cause di guasti, problemi e difetti in tempo quasi reale.
- Generare coupon presso i punti vendita in base alle abitudini d'acquisto dei clienti.
- Ricalcolare interi rischi di portafoglio in pochi minuti.
- Rilevare un comportamento fraudolento prima che colpisca l'azienda.
I big data nel mondo di oggi
I big data e il modo in cui le organizzazioni li gestiscono e ne ricavano informazioni, stanno cambiando il modo di utilizzare le informazioni aziendali. Scopri di più sull'impatto dei big data.
Data Integration Deja Vu: i big data ringiovaniscono la DI
Per essere davvero funzionale, la data integration deve lavorare con molti tipologie e fonti di dati e, pur operando a latenze diverse, dal real time allo streaming. Scopri come la DI si è evoluta per rispondere alle nuove esigenze.
Crea la tua strategia Data e Analytics
Ti stai chiedendo come costruire un'azienda basata sugli analytics di livello mondiale? Assicurati che le informazioni siano affidabili. Permetti alle diverse linee di business di prendere decisioni data-driven. Guida la strategia. E scopri come estrarre fino all'ultimo bit di valore dai tuoi big data.
Data lake e data warehouse – scopri la differenza
Il termine "data lake" è solo un'ennesima trovata di marketing? O un nuovo nome per i data warehouse? Phil Simon spiega cos'è un data lake, come funziona e la sua utilità.
Un nuovo ecosistema di analisi
Cloud, container e potenza di calcolo on-demand: un'indagine SAS su oltre 1.000 organizzazioni esplora come l'adozione della tecnologia e di approcci specifici consentono di far evolvere con successo gli ecosistemi analitici.
Il deep learning (apprendimento profondo) ha bisogno dei big data perché è necessario analizzare volumi elevati di dati per isolare gli schemi nascosti e trovare le giuste risposte. Con il deep learning, più dati di buona qualità si possono analizzare, migliori sono i risultati. Wayne Thompson SAS Product Manager
Innovazione data-driven
Oggi disponiamo di exabyte di big data che offrono innumerevoli opportunità di creare innovazione. Da previsioni più accurate a una maggiore efficienza operativa e una migliore esperienza per l'utente finale, l'uso combinato dei big data e degli analytics spinge verso quei progressi che possono cambiare il mondo, migliorare le condizioni di vita, curare le malattie, proteggere le persone più vulnerabili e preservare le risorse naturali del nostro pianeta.
Come funzionano i Big Data
Prima che le aziende possano utilizzare i big data, devono tenere conto di un percorso che li ha visti passare da o attraverso innumerevoli posizioni, fonti, sistemi, proprietari e utenti. Ci sono cinque passaggi chiave per questa enorme "distesa di dati" che include dati tradizionali e strutturati insieme a dati non strutturati o semi-strutturati:
- Imposta una strategia basata sui big data.
- Identifica le fonti dati primarie.
- Accedi, gestisci e memorizza i dati.
- Analizzare i dati.
- Prendere decisioni data-driven, basate sui dati.
1) Impostare una strategia fondata sui big data
Impostare una strategia sui big data significa creare un progetto di alto livello per supervisionare e migliorare le modalità di acquisizione, memorizzazione, gestione, condivisione e utilizzo dei dati, all'interno e all'esterno dell'organizzazione. Una strategia basata sui big data è fondamentale per il successo di tutte quelle aziende che hanno a che fare con enormi volumi di dati. Quando si sviluppa una strategia è importante considerare obiettivi e iniziative, sia di business che tecnologiche, esistenti e future. Questo richiede di trattare i big data come un asset aziendale importante e non come un sottoprodotto delle applicazioni.
Clicca sull'infografica per sapernedi più sui big data.
2) Conoscere le fonti dei big data aziendali
- I dati in streaming sono i dati che provengono dall'Internet delle Cose (Internet of Things, IoT) e da altri dispositivi connessi, come gli indossabili (wearables), le auto intelligenti, i dispositivi medici, i sensori industriali e altri ancora. È possibile analizzare questi big data man mano che confluiscono nei sistemi IT, decidendo quali dati conservare o meno, e quali devono essere ulteriormente analizzati.
- I dati dei social media provengono dalle interazioni su Facebook, YouTube, Instagram, ecc. Una vasta quantità di big data che sotto forma di immagini, video, vocali, testo e audio, diventano utili per le funzioni di marketing, vendite e supporto. Questi dati sono spesso in forma non strutturata o semi strutturata e rappresentano quindi una sfida unica per la comprensione e successiva analisi.
- I dati pubblici disponibili provengono da numerose fonti di open data, come il data.gov del governo americano, il CIA World Factbook o il portale Open Data Portal dell'Unione Europea.
- Altre tipologie di big data possono provenire dai data lakes, fonti dati cloud, fornitori e clienti.
3) Accedere, gestire e memorizzare i big data
I moderni sistemi informatici forniscono la velocità, potenza e flessibilità necessarie per accedere rapidamente a grandi quantità e tipologie di big data. Oltre ad un accesso affidabile, le aziende hanno bisogno anche di metodi per integrare i dati, garantire la data quality, fornire la governance e l'archiviazione e preparare i dati per l'analisi (data preparation). Alcuni dati possono essere archiviati localmente in un data warehouse tradizionale, ma esistono anche opzioni flessibili e a basso costo per l'archiviazione e la gestione di big data tramite soluzioni cloud, data lakes e Hadoop.
4) Analizzare i big data
Con tecnologie ad alte prestazioni come il grid computing o l'in-memory analytics, le aziende possono scegliere di sottoporre tutti i loro big data all'analisi. Un altro approccio è quello di determinare in anticipo quali dati siano davvero rilevanti prima di analizzarli. In entrambi i casi, l'analisi dei big data è il modo in cui le aziende ottengono valore e nuove idee dai dati grezzi. Sempre più spesso i big data alimentano le attuali evoluzioni degli advanced analytics come, ad esempio, l'intelligenza artificiale.
5) Prendere decisioni migliori e data-driven
Dati ben gestiti e affidabili portano ad analisi affidabili e quindi a decisioni affidabili. Per rimanere competitive le aziende devono estrarre vero valore dei big data e operare in maniera data-driven: devono prendere decisioni di business basate sulle prove concrete offerte dai big data piuttosto che basate sull'istinto. I vantaggi nell'essere data-driven sono evidenti: le aziende funzionano meglio, sono più efficaci dal punto di vista operativo e sono più redditizie.
SAS Data Preparation
Preparare i big data all'analisi significa prima di tutto accedervi, profilarli, ripulirli e trasformarli. Un compito non semplice data la loro natura in continua evoluzione. A causa della varietà delle fonti di big data, delle loro dimensioni e mutabilità, la preparazione dei dati può richiedere molto tempo. La data preparation di SAS semplifica il compito e permette di preparare i dati anche senza avere conoscenze di programmazione, competenze specialistiche o dover dipendere dall'IT.
Lettura consigliata
-
ARTICOLO
Pagina di approfondimento
SAS Data Loader for HadoopCon la sua interfaccia intuitiva e wizard driven, SAS Data Loader for Hadoop si configura come uno strumento self-service che maschera le complessità insiste nell'interazione con Hadoop e semplifica le attività di data integration, data preparation e data quality da e verso Hadoop.
-
ARTICOLO
The connected consumer: IoT's impact on the future of retailThe IoT and the connected consumer are set to revolutionize retail. Here are a few ways companies can take advantage of technology advancements.
-
ARTICOLO
An executive’s guide to cognitive computingCognitive computing is the latest buzzworthy term that everyone seems to be talking about in the technology industry. But can machines really think?
