Dai Big Data ai Relevant Data: alla ricerca di un tesoro nascosto.

mapsgroup

mapsgroup

Mapsgroup

Parlando di Dati e delle diverse tecnologie che li trattano, è sempre più evidente come la capacità di leggerli, analizzarli e interpretarli sia in primo piano, rispetto alle tecniche pur innovative utilizzate nei processi della loro elaborazione. Il passaggio cruciale è quello che va dai Big Data – definiti semplicisticamente dall’occorrenza di quattro variabili, ovvero volume, varietà, velocità e veridicità – fino ai Relevant Data, dati portatori di particolare interesse e valore. La materia prima non manca, anzi “deborda” in pressoché tutti gli ambiti.

I fiumi di dati generati negli ultimi decenni hanno prodotto giacimenti di informazioni riguardanti ogni attività, umana e non, tanto preziosi quanto spesso trascurati, sottovalutati e incompresi: si tratta di un potenziale di altissimo valore che si dispiega unicamente quando viene tradotto in informazioni utili.
E nonostante le imprese, le aziende e gli enti pubblici siano depositari di enormi riserve “auree” di dati, acquisiti grazie a sistemi di IT automatizzati ormai comunemente utilizzati, un tale diluvio di informazioni rischia di offuscare la potenziale qualità insita in tale sovrabbondanza.
Per tutelarsi dalla perdita di tali potenziali significati occorre agire sul processo di interpretazione di questi volumi di “anonimi” dati, mitigandone il rumore di fondo in modo da reperire e tracciare informazioni selezionate cui poter attingere, magari con nuovi automatismi utili a produrre benefici e utilità varie.
L’attuale processo innovativo sta proprio nello sviluppo di prodotti dedicati ai dati rilevanti che, attraverso soluzioni tecnologiche di ultima generazione, siano in grado di riconoscerli in quanto tali, trasformarli e metterli a sistema,  al servizio di necessità peculiari.

È possibile descrivere la filiera di trasformazione dei Big Data in Relevant Data in un processo costituito da quattro fasi:

  • Feed(acquisizione): è la fase in cui il dato grezzo, proveniente da sensori o da altri sistemi  software, viene acquisito dal sistema e trasformato per renderlo il più possibile omogeneo.
  • Enrich (arricchimento): i dati acquisiti dalla fase precedente possono essere arricchiti, dal punto di vista semantico, per cercare di attribuire loro un significato. Le operazioni che vengono svolte in questa fase sono quelle di: estrazione di concetti, classificazione di documenti, annotazione semantica (identificazione di entità, disambiguazione).
  • Relate (comprensione): in questa fase ci si occupa di identificare e validare dei fatti o degli eventi, trovare delle correlazioni ed eseguire quindi delle azioni di aggregazione tra dati omogenei.
  • Evaluate (decisione): il risultato delle fasi precedenti viene messo a disposizione dei “decisori” (che possono essere altri software o persone). Possibili operazioni che vengono svolte in questa fase: ricerca in un archivio di eventi o fatti, produzione di flussi real time di eventi o fatti, cruscotti analitici, sistemi di alert…

Questo processo a step successivi rende i dati di partenza non solo visibili e leggibili, ma capaci di generare nuove informazioni di senso e nuovi significati, finalmente utili per le varie finalità attribuite in fase di progettazione.

Per fare qualche esempio concreto possiamo parlare di alcuni sistemi di ricerca che apprendono qualcosa di noi e delle nostre necessità osservando il nostro comportamento all’interno dei siti che consultiamo.
Questi algoritmi unfatti, grazie alla capacità di analizzare e contestualizzare le scelte da noi fatte in precedenza, ci mostrano in tempo reale altri risultati attinenti a ciò che stavamo cercando, facendoci risparmiare tempo con suggerimenti appropriati.
E’ il caso ad esempio del sito Walmart che, dopo aver inserito sul proprio sito di e-commerce un motore di ricerca con queste caratteristiche, ha aumentato del 15% le proprie vendite online.
O anche di FedEx, che ha implementato un sistema di supporto alle decisioni in grado di suggerire i percorsi ottimali per la sua filiera logistica con l’obiettivo di far arrivare le merci nei tempi previsti e con costi sempre più bassi.
I dati che vengono presi in considerazione per questo fine sono molteplici: la posizione dei mezzi, le condizioni e previsioni meteo, le  condizioni del traffico e così via.
Le decisioni su come le merci devono proseguire nel loro percorso vengono prese in tempo reale, e questo permette  di ridurre l’impatto negativo che eventuali e imprevisti accadimenti esterni possono avere sull’azienda stessa e la sua organizzazione.
I risultati sono stati straordinari e in breve tempo l’investimento si è abbondantemente ripagato (430% di ROI).
Tutti esempi decisamente concreti e positivi, dunque, che confermano come i Big Data, trasformati in Relevant Data, non solo sono in grado di generare utilità in senso assoluto, ma sono capaci di produrre valori di business vero e proprio.
Per vedere in maniera approfondita come si generano asset digitali di business, vi rimandiamo a un altro articolo. A presto!

“Il nostro pensiero leggero, rapido quanto esatto, ben visibile - qui e altrove – in una molteplicità di modi, coerentemente dedicato al genio italiano che, circa trent'anni fa, se ne è andato, lasciandoci in dono le sue opere memorabili: Italo Calvino, e le sue indimenticabili Lezioni americane.”

- Gruppo Maps -

Quando l'innovazione tecnologica incontra la cultura

Vuoi seguire i nostri MEMES? Iscriviti a MEMEnto6, la newsletter del blog 6Memes

DISCLAIMER:
Il blog 6MEMES (il “Blog”) non rientra nella categoria dei prodotti editoriali ai sensi della Legge 7 marzo 2001, n. 62. Ciascun autore, relativamente al contenuto degli articoli pubblicati sul Blog, si assume ogni eventuale responsabilità inerente alla violazione di diritti d’autore di terze parti. Il titolare del sito garantisce in ogni caso la piena disponibilità ad eliminare, ove adeguatamente motivato, ciascun materiale e/o articolo che rappresenti violazione dei diritti d’autore di terze parti.

Socializza

Ultimi tweet

Ultime notizie