AS_05_2019

Automazione e Strumentazione Giugno/Luglio 2019 INDAGINE approfondimenti 59 nuova tendenza nel settore IT: registrare quanti più dati possibile, conservarli a lungo, analizzarli dettagliatamente e soprattutto ricavarne valore. Le competenze Per ricavare valore dai dati occorrono anzitutto conoscenze e formazione specifiche. Da qui l’avvento di nuove discipline note come Data Analytics, Data Mining, Business Intelligence, Data Science per identificare nuove opportu- nità di business, per indirizzare al meglio le strategie aziendali, per ottimizzare i processi e ridurre i costi operativi. Tali discipline richiedono necessariamente nuove competenze e per le aziende alla ricerca di pro- fessionisti digitali che a vario titolo si occupano di dati il percorso può essere problematico, ma non impossibile. Secondo i dati dell’ Osservato- rio del Politecnico di Milano , infatti, nel 2018 il mercato Big Data Analytics in Italia ha raggiunto un valore di quasi 1,4 miliardi di euro , con un tasso di crescita del 26%. Questa dinamica sta facendo esplodere la richiesta di nuove figure specializzate (7 per l’esattezza) tra cui il Data Scientist (specialista che gestisce i dati grezzi e ne trae informazioni rilevanti per le diverse necessità aziendali), il Data Engineer (ingegnere dei dati che utilizza le competenze informatiche e ingegneristiche per aggregare, analizzare e manipolare insiemi di big data) e il Data Analyst (esperto che esplora, analizza e interpreta i dati, con l’obiettivo di trasformarli in informazioni utili al business e al processo decisionale) La governance Altro fattore indispensabile per ricavare valore dalla quantità crescente di informazioni digitali a disposizione delle imprese, è la capacità di imple- mentare una strategia di governance accompa- gnata da metodologie e strumenti per valorizzare i dati. Il quadro è ulteriormente complicato dalla eterogeneità delle fonti che spesso restituiscono dati grezzi e non strutturati, nonché dalla velocità con la quale i dati vengono creati. Dai Big Data si possono capire le reazioni dei mercati, si possono identificare i fattori chiave che spingono le persone ad acquistare un deter- minato servizio o prodotto, si può segmentare la popolazione per personalizzare quanto più possi- bile le strategie di azione. I Big Data consentono anche di abilitare nuove sperimentazioni grazie alla disponibilità di dati inediti e di guadagnare in predittività, grazie a uno storico di informa- zioni talmente puntuale da consentire simulazioni accurate, abilitando in definitiva nuovi modelli di business data-driven . È evidente che l’analisi di crescenti enormi quantità di dati non struttu- rati ha bisogno di strumenti non convenzionali e automatizzati per trovare delle correlazioni utili per il business aziendale. I software di machine learning , con la loro capacità di autoappren- dimento, sono in grado di scandagliare nel pro- fondo i dati grezzi per andare alla ricerca di ogni possibile correlazione, con una velocità e una precisione incomparabili alle capacità umane. Ad esempio, un utilizzo corretto del machine lear- ning può giocare un ruolo chiave nella logistica e nella gestione di scorte e magazzini, con vantaggi significativi dal punto di vista dei costi. I dati dell’Osservatorio del Politecnico di Milano evidenziano come esista un legame sempre più stretto tra Analytics e Cloud , e in particolare infrastrutture cloud ibride , le uniche in grado di garantire il livello di flessibilità e di scalabilità necessari, senza venir meno a quei requisiti di sicu- rezza e privacy imposti dalle normative vigenti e Big Data, modello delle 5V