Si fa presto a dire Analytics, figuriamoci Advanced Analytics.
Nell’era della data driven economy, il termine ha bisogno di una nuova definizione, perché nuove sono anche le tipologie di analisi che sui dati vengono effettuate.
Gartner, ad esempio, presenta una prima generica definizione, con la quale descrive Analytics come un termine con il quale si identificano diverse iniziative di Business Intelligence e le loro applicazioni. In particolare, prosegue Gartner, quando si parla di Analytics si fa riferimento all’analisi statistica e matematica dei dati, al loro raggruppamento in cluster e segmenti, anche in un’ottica predittiva. Per questo motivo, sulle Analytics si concentra l’interesse crescente di chi, non soltanto nell’ambito delle figure tecniche, trova nell’analisi dei dati uno strumento per migliorare il proprio business.
Accanto a questa prima definizione, ne seguono almeno altre venti, a indicare le altrettante diverse sfaccettature che la Data analytics sta assumendo, in particolare all’interno del mondo delle imprese. Così ecco arrivare le Business Analytics, le Customer analytics, le Predictive analytics, o ancora le Embedded analytics.
Tra tutte queste distinzioni, una in particolare è già uscita dalla fase dell’hype, per capitalizzare l’attenzione dei manager aziendali: le Advanced analytics.
Cosa sono le Advanced analytics
Anche in questo caso, vale la pena partire dalla definizione di Gartner. Con Advanced Analytics si intende la possibilità di analizzare in modalità autonoma o semi-autonoma dati e contenuti, con strumenti che superano quelli della tradizionale Business Intelligence, con l’obiettivo di scoprire relazioni e correlazioni, di sviluppare analisi previsionali, sviluppare raccomandazioni.
Nelle Advanced Analytics si parla di data mining, di text mining, di apprendimento automatico, di pattern matching, di data visualization, di apprendimento automatico, di analisi semantica, di sentiment analysis, di analisi di cluster, statistiche multivariate, analisi di grafici, simulazioni, elaborazione di eventi complessi, reti neurali.
Si tratta di una definizione che già mette in evidenza alcune caratteristiche chiave delle Advanced analytics e in particolare il percorso evolutivo che si è sviluppato rispetto alla Business Intelligence.
Dalla Business Intelligence alle Advanced analytics
I primi strumenti di Business Intelligence videro la luce nei primi anni Novanta del secolo scorso. Inizialmente, ogni strumento era pensato per un obiettivo specifico, reporting, query, creazione di dashboard, prediction, visual discovery, ed è solo con gli anni Duemila che si comincia a lavorare in logica di suite.
Ora siamo alla terza fase del percorso evolutivo della Business Intelligence: quella, per l’appunto delle piattaforme di Advanced analytics. Parliamo di ambienti aperti, che supportano tutti gli strumenti di Business Intelligence e girano su un’unica architettura metadata-driven.
Un’evoluzione, va detto, resa possibile anche dai miglioramenti avvenuti in termini di rapporto prezzo/prestazioni delle componenti hardware che supportano queste piattaforme, dunque CPU, memorie, dischi, reti.
Le caratteristiche chiave delle Advanced analytics
Cerchiamo dunque di mettere in evidenza le caratteristiche chiave delle piattaforme di Advanced Analytics.
In primo luogo, come abbiamo anticipato, si tratta di ambienti di Business Intelligence maturi, in grado di supportare tutte le tipologie di Intelligence utilizzando le stesse architetture hardware e software, gli stessi servizi e le medesime interfacce grafiche. Un approccio integrato che non solo rende più semplice per gli utenti imparare a utilizzare tutte le funzioni, ma anche passare da una all’altra funzione.
Non solo. Così come supportano tutte le tipologie di funzioni, le nuove piattaforme di Advanced analytics sono utilizzabili da figure diverse: un’unica piattaforma che si estende dal data explorer al data analyst fino ad arrivare al data scientist.
Advanced analytics, pensate per il web, per il cloud e per il mobile
Un’ulteriore caratteristica chiave delle piattaforme di Advanced analytics è quella di nascere per le cosiddette “modern platform”, dunque il web, il mobile e il cloud.
Parliamo dunque di web application, che abilitano un accesso ubiquo ai dati, da qualunque dispositivo mobile e, soprattutto, possono girare nativamente su cloud pubblici e privati, così come on premise, senza dover ricorrere a complessi workaround.
Tradotto in altri termini, questo significa che dal cloud gli utenti possono accedere a fonti di dati on premise attraverso VPN sicure, ma anche che gli utenti on-premise hanno la possibilità di pubblicare i loro report su portali o server in cloud.
Questo significa che si garantisce un supporto multi-tenant in un unico deployment centralizzato in cloud, con evidente vantaggi per gli amministratori che possono pubblicare i loro aggiornamenti e le nuove funzionalità su una master copy, per poi propagarla a ciascun tenant.
Qualunque tipo di dato
Uno degli elementi fondanti le Advanced analytics è quello di garantire la connessione e la gestione di qualunque tipo di dato, strutturato, semi-strutturato, non strutturato. È anche questa una delle differenze più evidenti rispetto ai precedenti sistemi di Business Intelligence, che si basavano esclusivamente sui database relazionali.
Le piattaforme di Modern e Advanced analytics offrono nativamente connettori a fonti dati relazionali, OLAP, Hadoop, NoSQL, in-memory e via discorrendo, così come alle cloud application o ai dati provenienti dai social media, e sono in grado di effettuare nello stesso momento query su fonti differenti.
Discovery, preparation e catalogazione
Un’altra delle caratteristiche chiave delle modern e Advanced analytics è quella di integrare nativamente funzioni che in precedenza richiedevano agli analisti l’utilizzo di strumenti esterni alla piattaforma di intelligence per tutte le fasi di estrazione e preparazione dei dati.
Ora, in modalità self-service, gli analisti sono in grado di trovare, connettere, unire, trasformare, analizzare e visualizzare i dati, condividendo poi i risultati.
Grazie agli strumenti di recommendation integrati nelle piattaforme, è possibile svolgere in modalità automatica attività di routine, come l’identificazione dei dati rilevanti, la pulizia dei dati, la classificazione, l’unificazione dei data set e delle tabelle, la creazione di modelli. Anche in questo caso, i benefici in termini di tempo e di produttività sono evidenti.
Una governance per le Advanced analytics
È evidente che il rischio di questi automatismi è legato al proliferare di report magari in conflitto gli uni con gli altri. Per questo, le piattaforme di modern analytics creano un bilanciamento tra la libertà lasciata agli utenti di generare velocemente insight utilizzando data set standard e non, e la necessità da lasciare al dipartimento IT un ruolo di governance, così da garantire uno standard nei report aziendali.
Agli amministratori, dunque, viene garantito un controllo granulare sulle funzionalità e sui dati cui gli utenti accedono.
Una architettura integrata
Basta silos, potrebbe essere il mantra delle Advanced Analytics. In effetti tutto quanto abbiamo fin qui esposto non sarebbe possibile se tutti gli utenti non utilizzassero la stessa piattaforma. Questo significa che la piattaforma stessa deve essere in grado di supportare non solo molteplici utenti, ma anche molteplici report e molteplici query anche concorrenti.
Per questo serve una piattaforma scalabile e “metadata driven”, che utilizzi un medesimo set di servizi per eseguire tutti i task, attraverso un cluster hardware con funzioni di load balancing per ottimizzare prestazioni e scalabilità.
Le piattaforme di Modern e Advanced Analytics integrano anche SDK e API che consentono agli sviluppatori di estenderne le funzionalità native, creando, ad esempio, nuovi connettori, nuove visualizzazioni, nuove funzioni di amministrazione oppure integrando componenti di terze parti che ne arricchiscano le librerie.
Per questo, quando si parla di Modern Analytics estensbilità e openness sono caratteristiche indispensabili.
Dall’Advanced analytics all’intelligenza artificiale
Nonostante siano spesso viste in strettissima correlazione tra loro, Advanced analytics e artificial intelligence non sono sinonimi.
A stabilire la giusta relazione tra le due, ci viene ancora una volta in aiuto Gartner, con un report dello scorso mese di marzo, intitolato Augment and Automate Supply Chain Decision Making with Advanced Analytics.
Nel report, che nasce da un’indagine condotta su un certo numero di decisori della supply chain, si parte da un’analisi delle diverse tipologie di Analytics, dalle Predictive alle Prescriptive (ne abbiamo parlato molto diffusamente in un articolo su BigData4Innovation), per arrivare alla definizione di Artificial Intelligence come una delle forme più evolute di Advanced Analytics, che include machine learning, deep learning, comprensione e utilizzo dei linguaggi naturali.
Lo schema che proponiamo in calce, tratto dal report, ci fornisce una interessante classificazione.
Tralasciando la specificità dell’analisi di Gartner, che guarda per l’appunto al mondo della supply chain, dallo studio emerge l’utilizzo delle analitiche avanzate con due obiettivi diversi. Da un lato utilizzare la tecnologia per “aumentare” la fase decisionale generando insight e recomendation, dall’altro utilizzare per “automatizzare” la fase decisionale senza intervento umano.
Al momento, secondo la società di ricerca, le Advanced analytics sono ancora utilizzare in gran parte per i processi di “augment”, anche se appare chiaro che l’automatizzazione viene considerato obiettivo a tendere.
Ed è evidente che nel tempo i confini tra i due obiettivi diverranno sempre più labili.
Le applicazioni delle Advanced analytics
Industria 4.0
Nelle fabbriche digitalizzate i sensori IoT permettono di rilevare parametri utili sullo stato di esercizio dei macchinari. Queste informazioni, raccolte in real-time, opportunamente incrociate e analizzate, consentono di rilevare il rischio imminente di guasti e malfunzionamenti, permettendo di intervenire tempestivamente e prevenire i fermi produttivi. Le advanced analitycs offrono alle aziende diversi vantaggi: ad esempio la possibilità di offrire una serie di servizi legati al prodotto core, di penetrare nuovi mercati o far fronte a competitor aggressivi.
Medicina e sport
In questo settore gli Advanced analytics risultano di grande utilità nella formulazione delle diagnosi, ma anche per prevedere futuri problemi di salute. Un esempio può essere la previsione di disturbi fisici in base ai dati rilevati durante la corsa (l’appoggio del piede, la velocità, la frequenza cardiaca, ecc.). In questo modo, un atleta o il medico che lo segue può capire lo stato di forma fisica, prevenire sovraffaticamento ed evitare eventuali infortuni, ottenendo anche informazioni utili per impostare le sessioni di training.
Ambito bancario
Nel settore bancario gli Advanced analytics risultano un valido alleato per la capacità di incrociare e analizzare i dati relativi ai clienti o prospect, permettendo di rilevare il rating di affidabilità, ad esempio nel momento in cui viene richiesto un prestito o un mutuo, accelerando quindi il processo di valutazione ed erogazione del servizio finanziario.
Digital marketing
In questo ambito gli Advanced Analytics danno alle aziende la possibilità di intercettare i comportamenti dei clienti attraverso i dati raccolti da una pluralità di fonti: dai sistemi aziendali CRM, ai portali di e-commerce, ai social media e alle applicazioni mobile. Incrociando le informazioni provenienti dall’insieme dei touch-point è quindi possibile rilevare e anticipare i bisogni dei clienti, individuando la risposta giusta, nei tempi e attraverso i canali corretti. Questo dà la possibilità di mettere in atto una serie di iniziative, come segmentare l’audience per inviare messaggi mirati, automatizzare le campagne promozionali, ecc.